Qué recibe el modelo
El harness y el modelo se comunican por HTTP: el harness envía un pedido (request) en JSON y el modelo devuelve una respuesta (response) en JSON.
En cada pedido viajan tres cosas: las instrucciones, las herramientas y el contexto. El modelo no guarda nada entre un pedido y el siguiente, así que el harness lo reenvía todo en cada vuelta.
Arma el pedido con tres campos: system, tools y messages.
Las tres partes del pedido
| Pieza | En inglés | Campo del pedido | ¿Viaja al modelo? |
|---|---|---|---|
| Instrucciones | system prompt | system | Sí |
| Herramientas | tools | tools | Sí |
| Contexto | messages, conversation history | messages | Sí |
| Ciclo | agent loop | Es código del harness | No |
| Límites | permissions, guardrails | Es código del harness | No |
El modelo recibe tres de las cinco piezas. El ciclo y los límites nunca salen del harness.
Los nombres de los campos son los de la API de Claude. Cada proveedor usa los suyos.
Vuelta 1
El harness envía:
{
"model": "claude-opus-5-5",
"max_tokens": 16000,
"system": "Eres un asistente útil.",
"tools": [{
"name": "get_weather",
"description": "Devuelve el clima actual de una ciudad",
"input_schema": {
"type": "object",
"properties": { "city": { "type": "string" } },
"required": ["city"]
}
}],
"messages": [
{ "role": "user", "content": "¿Qué clima hace en Buenos Aires?" }
]
}El modelo responde:
{
"role": "assistant",
"content": [
{ "type": "tool_use", "id": "toolu_abc123", "name": "get_weather",
"input": { "city": "Buenos Aires" } }
],
"stop_reason": "tool_use"
}El motivo de corte (stop reason) tool_use significa «me detuve porque quiero usar una herramienta». El harness lee ese campo, ejecuta get_weather y obtiene 22 °C, soleado.
Vuelta 2
El harness envía todo de nuevo, con dos mensajes agregados al final: lo que pidió el modelo y el resultado.
{
"model": "claude-opus-5-5",
"max_tokens": 16000,
"system": "Eres un asistente útil.",
"tools": [ "...la misma lista..." ],
"messages": [
{ "role": "user", "content": "¿Qué clima hace en Buenos Aires?" },
{ "role": "assistant", "content": [
{ "type": "tool_use", "id": "toolu_abc123", "name": "get_weather",
"input": { "city": "Buenos Aires" } }
]},
{ "role": "user", "content": [
{ "type": "tool_result", "tool_use_id": "toolu_abc123",
"content": "22 °C, soleado" }
]}
]
}El modelo responde:
{
"role": "assistant",
"content": [
{ "type": "text", "text": "En Buenos Aires hace 22 °C y está soleado." }
],
"stop_reason": "end_turn"
}El motivo de corte end_turn significa «terminé». El harness sale del ciclo y muestra el texto.
Tres cosas para observar en los pedidos:
- Cada pedido es independiente. El modelo no guarda nada entre llamadas; por eso el harness reenvía las instrucciones, las herramientas y el historial completos cada vez.
- El
idune el pedido con su resultado. El modelo pide conid: toolu_abc123y el harness contesta contool_use_id: toolu_abc123. - El resultado vuelve como mensaje del usuario. El resultado de una herramienta (tool result) viaja con
role: user.
Cuánto ocupa cada parte
Todo lo que viaja en el pedido ocupa lugar en la ventana de contexto (context window), que es el máximo de texto que el modelo puede leer de una vez. Se mide en tokens.
No hay un porcentaje fijo: depende del harness, de las herramientas instaladas y del momento de la sesión.
La tabla muestra una medición real: el comando /context de Claude Code al inicio de una sesión, antes de escribir el primer mensaje, con una ventana de 200 000 tokens.
Categoría en /context | Pieza | Tokens | % de la ventana |
|---|---|---|---|
| System prompt | Instrucciones | 3,1k | 1,6 % |
| Memory files | Instrucciones | 4,0k | 2,0 % |
| System tools | Herramientas | 19,8k | 9,9 % |
| MCP tools | Herramientas | 26,5k | 13,3 % |
| Custom agents | Subagentes | 2,8k | 1,4 % |
| Messages | Contexto | 8 | 0,0 % |
| Autocompact buffer | Reserva para compactar | 45,0k | 22,5 % |
| Free space | Libre | 99k | 49,4 % |
Agrupado por pieza: las instrucciones ocupan 7,1k tokens (3,6 %) y las herramientas 46,3k (23,2 %).
Gráfico: la ventana al inicio
Los mismos datos, agrupados por pieza. Las cuatro primeras filas son lo que se le envía al modelo; la reserva es el espacio que Claude Code guarda para poder compactar.
Ventana de contexto: 200 000 tokens · █ = 4 000 tokens
Instrucciones ██ 7,1k 3,6 %
Herramientas ████████████ 46,3k 23,2 %
Subagentes █ 2,8k 1,4 %
Mensajes · 8 0,0 %
Reserva ███████████ 45,0k 22,5 %
Libre █████████████████████████ 99,0k 49,4 %Tres ideas que deja la medición:
- Las herramientas pesan mucho más que las instrucciones. Cada herramienta viaja con su nombre, su descripción y su esquema de parámetros.
- El contexto empieza en cero y crece. Cada mensaje, cada archivo leído y cada resultado se suman, hasta ocupar la mayor parte de la ventana.
- La parte fija se reenvía en cada vuelta. El prompt caching abarata ese reenvío, pero no libera lugar: lo que está en caché sigue ocupando la ventana.
Gráfico: cómo se va llenando
La misma ventana a lo largo de una sesión. Cada barra representa los 200 000 tokens completos.
█ fijo (instrucciones + herramientas) ▒ mensajes · libre ░ reserva
Inicio ██████████████·························░░░░░░░░░░░ mensajes: 0
Primeras vueltas ██████████████▒▒▒▒▒····················░░░░░░░░░░░ mensajes: 20k
Mitad de sesión ██████████████▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒··········░░░░░░░░░░░ mensajes: 60k
Casi llena ██████████████▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒·░░░░░░░░░░░ mensajes: 96k
Tras compactar ██████████████▒▒▒······················░░░░░░░░░░░ mensajes: 12kQué muestra:
- La parte fija no cambia. Las instrucciones y las herramientas ocupan lo mismo en todas las vueltas.
- Los mensajes crecen. Cada pregunta, cada archivo leído y cada resultado se suman.
- Cuando se acaba el espacio libre, el harness compacta. La compactación (compaction) resume el historial: los mensajes se achican y la parte fija queda igual.
La fila «Inicio», la parte fija y la reserva salen de la medición real. Los valores de mensajes de las otras cuatro filas son ilustrativos: muestran el patrón, no una sesión medida.
El peso de las herramientas
Otros datos publicados por Anthropic sobre el peso de las herramientas:
- 58 herramientas de 5 servidores MCP ocupan unos 55 000 tokens antes de que empiece la conversación.
- En usos internos, las definiciones de herramientas llegaron a 134 000 tokens antes de optimizarlas.
- Cuando el pedido incluye herramientas, la API agrega instrucciones propias para habilitar su uso: 286 tokens en Claude Opus 5.5.
Límites de la medición
Dos advertencias sobre la medición:
- Es la captura de una sola persona, con sus herramientas y su configuración.
- La ventana era de 200 000 tokens. En los modelos con ventana de 1 000 000, los mismos tokens ocupan cinco veces menos porcentaje.
Para ver el desglose de una sesión propia, se escribe /context en Claude Code.