El término «vibe coding», que popularizó el legendario Andrej Karpathy —exdirector de IA en Tesla y uno de los padres fundadores de OpenAI—, se ha llenado de un montón de mitos absurdos. En la imaginación de muchos funciona así: estás tumbado en el sofá, dictas al micrófono deseos confusos y la red neuronal despliega por arte de magia un servicio listo para un millón de usuarios.
Pero si miras por encima del hombro al propio Karpathy durante su trabajo real, verás una imagen diametralmente opuesta. No es un experimento caótico, sino un pipeline de ingeniería milimétrico, matemáticamente estricto y extremadamente lacónico. Nada de sábanas de prompts de cinco páginas con súplicas emocionales de «piénsalo bien», nada de capas complejas ni de reescritura manual interminable de archivos.
El analista Nick Saraev deconstruyó en detalle las sesiones reales de trabajo de Karpathy en el entorno Claude Code. Desmontemos pieza por pieza cómo funciona realmente este pipeline minimalista y por qué prescindir de palabras superfluas multiplica la velocidad al escribir software. Sobre las capacidades avanzadas de este entorno de consola ya escribimos en el artículo Más de 45 técnicas prácticas para Claude Code: arquitectura, subagentes y automatización del agente de IA en terminal.
La paradoja de Medium Effort: por qué el modo máximo solo perjudica
El primer hallazgo inesperado tiene que ver con el nivel de esfuerzo computacional del modelo (reasoning effort). Cuando los desarrolladores recibieron acceso a los selectores de profundidad de razonamiento, la mayoría subió el control al máximo de inmediato: High o Max Effort. La lógica parecía obvia: que la red neuronal piense el mayor tiempo posible para no cometer errores.
Karpathy hace exactamente lo contrario: su estándar de trabajo en el agente de consola Claude Code es el modo Medium Effort (nivel de esfuerzo medio). Y detrás hay un cálculo práctico férreo:
- Protección contra la sobreingeniería (overthinking). Con el esfuerzo máximo, el modelo empieza a sufrir por su propio «intelecto». En lugar de corregir cinco líneas de una función, se pone a rediseñar toda la arquitectura del módulo, generar fábricas de abstracciones innecesarias, levantar interfaces superfluas y reverificar sin fin condiciones triviales.
- Ciclo de retroalimentación instantáneo. En el nivel medio, el agente responde en cuestión de segundos, aplica un diff puntual y devuelve el control. Ves el resultado al instante, en lugar de esperar dos minutos mientras el modelo filosofa sobre lo eterno.
- Ahorro de tokens. El consumo de tokens de entrada y salida en Medium Effort cae entre un 45% y un 60%. En una sesión larga de trabajo, eso marca la diferencia entre $15 y $50 por jornada laboral.
Configurar este modo en la terminal lleva exactamente una línea:
# Instalación global del agente de terminal Claude Code
npm install -g @anthropic-ai/claude-code
# Entrada al proyecto y lanzamiento del agente con nivel de esfuerzo medio
cd ~/projects/my-cool-service
export CLAUDE_CODE_EFFORT=medium
claude
Notación ASD-STE100: el idioma en el que piensan las máquinas
El segundo principio fundamental de Karpathy es el rechazo radical del «prompt engineering» clásico. No escribe instrucciones de varias páginas con trucos psicológicos del tipo «Eres arquitecto jefe de Google, imagina que mi vida depende de esto».
En su lugar, Karpathy adoptó el estándar ASD-STE100 (Simplified Technical English). Este reglamento se creó en la industria aeroespacial internacional para redactar manuales de mantenimiento de aviones Boeing y Airbus, donde cualquier ambigüedad en la formulación puede costar vidas humanas.
Adaptado al diálogo con modelos de lenguaje, el enfoque «Go 80% to ASD-STE100» se resume en cuatro reglas sencillas:
- Frases cortas: de no más de 15–20 palabras;
- Voz activa estricta: «Write test», «Remove table», y no «It would be great if you could consider writing...»;
- Un significado por cada palabra: nunca alternar sinónimos por estética. Si usas la palabra «change», olvídate de «alter», «modify» o «update»;
- Una acción por frase: divide las instrucciones compuestas en puntos numerados claros.
Así luce un prompt de referencia al estilo Karpathy para añadir autenticación JWT a una API:
Task: Add JWT authentication to POST /api/login.
Requirements:
1. Verify user email and password against users table in database.
2. Return signed JWT token with 24 hour expiration on success.
3. Return HTTP 401 error code with JSON message on invalid credentials.
4. Add unit test covering valid login and invalid password.
Do not edit files outside src/auth/ and tests/auth/.
Run npm test to verify.
Mira qué transparente es esta petición. No hay ni una palabra de más, no hay ruido emocional, los límites de los cambios están claramente trazados y se define un criterio de verificación. El modelo ejecuta una orden así al primer intento con un cien por cien de precisión.
Caso HackerTube: desarrollo sin tocar los archivos
Para demostrar la fuerza de este enfoque, Karpathy construyó en directo desde cero un prototipo funcional completo de la plataforma de vídeo HackerTube. Lo más sorprendente de este experimento: ¡ni una sola vez abrió el editor de código VS Code para editar líneas a mano!
Toda la interacción se realizó exclusivamente a través del agente de terminal Claude Code. Siguiendo órdenes cortas de Karpathy, el agente:
- inicializó el repositorio y desplegó la estructura de directorios;
- instaló versiones verificadas de paquetes npm;
- escribió y aplicó las migraciones de la base de datos;
- maquetó la interfaz de usuario y configuró el streaming de vídeo;
- ejecutó las pruebas locales y corrigió los errores de compilación.
El humano en este proceso cumplía el papel de arquitecto jefe y controlador estricto: leía git diff, evaluaba la dirección del pensamiento del modelo y daba indicaciones breves en el siguiente paso. Otros escenarios interesantes de automatización mediante Claude los analizamos en la selección Recetas prácticas de Claude Code: de modelos 3D en Blender al dashboard financiero.
Filtrado en cascada: no alimentes a los gigantes con basura
Y el último secreto arquitectónico del pipeline es el filtrado de contexto en dos etapas.
Un error típico de desarrolladores principiantes: cuando falla la compilación, copiar una sábana de log de 500 líneas con el stack trace y volcarla entera en el pesado modelo insignia Sonnet 5.5. El buque insignia gasta su valiosa ventana de contexto en masticar líneas basura del compilador, y la factura de tokens se dispara.
Karpathy organiza una cascada: el log en bruto cae en la entrada de un modelo ligero y barato (Claude Haiku o una red local compacta de 8B parámetros). Su tarea es extraer la esencia: «En la línea 42 del archivo auth.ts se ha pasado una cadena en lugar de un número». Y ya ese diagnóstico lacónico se pasa al agente principal Claude Code.
El verdadero vibe coding no es magia ni renunciar al pensamiento de ingeniería. Es el arte de hablar con la inteligencia artificial en un lenguaje de claridad extrema, delegando en la máquina la rutina de archivos y reservándose lo principal: la voluntad arquitectónica y el control sobre el resultado.

