Hogar
La filtración del código de Claude revela la arquitectura y la filosofía fundamental del agente de IA

En el mundo de la IA, un simple error de empaquetado ha provocado un «efecto mariposa», convirtiéndose en lo que hoy se considera un ejemplo magistral de arquitectura técnica.
Los informes indican que un descuido en la configuración de la herramienta de compilación Bun provocó la filtración accidental de 1.900 archivos TypeScript —con un total de 512.000 líneas de código fuente— del agente de IA de programación de Anthropic, Claude Code. Este incidente ofreció una visión sin precedentes de los fundamentos técnicos de un agente de primer nivel y reveló la sofisticada lógica que subyace a las estrategias de seguridad de la información y desarrollo de productos de Anthropic.
Arquitectura de cinco capas: mucho más que una simple interfaz
El código expuesto revela un sistema altamente complejo y listo para la producción, meticulosamente organizado en cinco capas distintas:
Capa de puntos de entrada: estandariza las entradas procedentes de las interfaces CLI, de escritorio y SDK, garantizando la coherencia en todos los puntos de acceso.
Capa de tiempo de ejecución: en su núcleo se encuentra el bucle TAOR (Think-Act-Observe-Repeat), que rige el ritmo operativo fundamental del agente.
Capa del motor: es el cerebro del sistema, responsable de ensamblar dinámicamente las indicaciones. Dependiendo de la tarea, puede inyectar cientos de fragmentos de indicaciones, y solo las reglas de seguridad consumen hasta 5677 tokens.
Capa de herramientas y límites: Cuenta con aproximadamente 40 herramientas independientes, cada una con un aislamiento de permisos rigurosamente aplicado.
Capa de infraestructura: gestiona el almacenamiento en caché de indicaciones y los sistemas de control remoto, incluyendo un «interruptor de apagado» funcional para la desactivación remota.
Diseño biomimético: memoria en capas y un mecanismo de «sueño REM»
El sistema de memoriade Claude Code está profundamente inspirado en la ciencia cognitiva:
Memoria de tres niveles: compuesta por memoria semántica a largo plazo (impulsada por la recuperación RAG), memoria episódica (para secuencias de diálogo) y memoria de trabajo (para el contexto inmediato). El principio rector es «recuperar bajo demanda, nunca sobrecargar».
Mecanismo de «sueño automático»: un proceso de «sueño» en segundo plano dentro de la capa de infraestructura. Cada 24 horas o tras cinco sesiones, se activa un subagente para consolidar recuerdos, filtrar el ruido y cristalizar conceptos vagos en conocimiento concreto.
La tríada de control de la información: modo sigiloso y antidesglosamiento
El código fuente expone múltiples capas defensivas, lo que pone de relieve el riguroso enfoque de Anthropic respecto al control de la información:
Modo sigiloso: se activa automáticamente cuando se opera fuera de los repositorios internos, eliminando todos los identificadores de IA para permitir «contribuciones en la oscuridad».
Mecanismo antidesgaste (ANTI_DISTILLATION): cuando se activa, inserta definiciones de herramientas engañosas en las solicitudes, lo que impide que los competidores utilicen el tráfico de la API para entrenar sus propios modelos.
Autenticación nativa: Aprovecha la autenticación a nivel de hardware de la capa Bun/Zig, bloqueando los intentos de terceros de manipular o suplantar a los clientes oficiales.
El camino por delante: KAIROS y el asistente «siempre activo»
Las señales de funciones filtradas apuntan a capacidades de próxima generación, en particular el modo KAIROS. Esto se refiere a un agente en segundo plano que se ejecuta de forma continua y que admite suscripciones a webhooks de GitHub y la programación de tareas basada en Cron. Esto marca un cambio de la IA como herramienta bajo demanda a un socio colaborativo 24/7 capaz de realizar observaciones autónomas y acciones proactivas.
Conclusión: código filtrado, una base sin igual
Aunque Anthropic ha retirado rápidamente la versión afectada y ha emitido un aviso DMCA, los conocimientos arquitectónicos de Claude Code ya han encendido la comunidad de desarrolladores. Para el sector, esta filtración puede representar el primer modelo de «buenas prácticas» a gran escala y validado en producción para el diseño de agentes. Para Anthropic, encontrar el equilibrio entre la transparencia y la seguridad será un reto fundamental en su camino hacia una posible salida a bolsa en 2026.
Artículo relacionado
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr
Google prueba el agente Remy AI para Gemini a medida que el enfoque se desplaza hacia el control del usuario
Según Business Insider, Google está probando Remy, un nuevo agente personal de IA para Gemini. Esta herramienta tiene como objetivo ejecutar tareas en nombre de los usuarios, optimizando tanto los flujos de trabajo profesionales como las rutinas diar
Cómo corregir las Core Web Vitals para mejorar el posicionamiento SEO
Simplificar los comentarios de las tarjetas de calificación con herramientas de IAIntroducciónHerramientas de IA para generar comentarios de tarjetas de calificaciónMagic SchoolAlmanac AIChat GPTUso de Magic School para generar comentarios de t
Recomendaciones de temas especiales relacionados
comentario (1)
0/500

En el mundo de la IA, un simple error de empaquetado ha provocado un «efecto mariposa», convirtiéndose en lo que hoy se considera un ejemplo magistral de arquitectura técnica.
Los informes indican que un descuido en la configuración de la herramienta de compilación Bun provocó la filtración accidental de 1.900 archivos TypeScript —con un total de 512.000 líneas de código fuente— del agente de IA de programación de Anthropic, Claude Code. Este incidente ofreció una visión sin precedentes de los fundamentos técnicos de un agente de primer nivel y reveló la sofisticada lógica que subyace a las estrategias de seguridad de la información y desarrollo de productos de Anthropic.
Arquitectura de cinco capas: mucho más que una simple interfaz
El código expuesto revela un sistema altamente complejo y listo para la producción, meticulosamente organizado en cinco capas distintas:
Capa de puntos de entrada: estandariza las entradas procedentes de las interfaces CLI, de escritorio y SDK, garantizando la coherencia en todos los puntos de acceso.
Capa de tiempo de ejecución: en su núcleo se encuentra el bucle TAOR (Think-Act-Observe-Repeat), que rige el ritmo operativo fundamental del agente.
Capa del motor: es el cerebro del sistema, responsable de ensamblar dinámicamente las indicaciones. Dependiendo de la tarea, puede inyectar cientos de fragmentos de indicaciones, y solo las reglas de seguridad consumen hasta 5677 tokens.
Capa de herramientas y límites: Cuenta con aproximadamente 40 herramientas independientes, cada una con un aislamiento de permisos rigurosamente aplicado.
Capa de infraestructura: gestiona el almacenamiento en caché de indicaciones y los sistemas de control remoto, incluyendo un «interruptor de apagado» funcional para la desactivación remota.
Diseño biomimético: memoria en capas y un mecanismo de «sueño REM»
El sistema de memoria
Memoria de tres niveles: compuesta por memoria semántica a largo plazo (impulsada por la recuperación RAG), memoria episódica (para secuencias de diálogo) y memoria de trabajo (para el contexto inmediato). El principio rector es «recuperar bajo demanda, nunca sobrecargar».
Mecanismo de «sueño automático»: un proceso de «sueño» en segundo plano dentro de la capa de infraestructura. Cada 24 horas o tras cinco sesiones, se activa un subagente para consolidar recuerdos, filtrar el ruido y cristalizar conceptos vagos en conocimiento concreto.
La tríada de control de la información: modo sigiloso y antidesglosamiento
El código fuente expone múltiples capas defensivas, lo que pone de relieve el riguroso enfoque de Anthropic respecto al control de la información:
Modo sigiloso: se activa automáticamente cuando se opera fuera de los repositorios internos, eliminando todos los identificadores de IA para permitir «contribuciones en la oscuridad».
Mecanismo antidesgaste (ANTI_DISTILLATION): cuando se activa, inserta definiciones de herramientas engañosas en las solicitudes, lo que impide que los competidores utilicen el tráfico de la API para entrenar sus propios modelos.
Autenticación nativa: Aprovecha la autenticación a nivel de hardware de la capa Bun/Zig, bloqueando los intentos de terceros de manipular o suplantar a los clientes oficiales.
El camino por delante: KAIROS y el asistente «siempre activo»
Las señales de funciones filtradas apuntan a capacidades de próxima generación, en particular el modo KAIROS. Esto se refiere a un agente en segundo plano que se ejecuta de forma continua y que admite suscripciones a webhooks de GitHub y la programación de tareas basada en Cron. Esto marca un cambio de la IA como herramienta bajo demanda a un socio colaborativo 24/7 capaz de realizar observaciones autónomas y acciones proactivas.
Conclusión: código filtrado, una base sin igual
Aunque Anthropic ha retirado rápidamente la versión afectada y ha emitido un aviso DMCA, los conocimientos arquitectónicos de Claude Code ya han encendido la comunidad de desarrolladores. Para el sector, esta filtración puede representar el primer modelo de «buenas prácticas» a gran escala y validado en producción para el diseño de agentes. Para Anthropic, encontrar el equilibrio entre la transparencia y la seguridad será un reto fundamental en su camino hacia una posible salida a bolsa en 2026.
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr
Cómo corregir las Core Web Vitals para mejorar el posicionamiento SEO
Simplificar los comentarios de las tarjetas de calificación con herramientas de IAIntroducciónHerramientas de IA para generar comentarios de tarjetas de calificaciónMagic SchoolAlmanac AIChat GPTUso de Magic School para generar comentarios de t











