Claude Opus 4 con Claude Code: guía con proyecto demo

Claude Opus 4 es el modelo de IA más potente y avanzado de Anthropic hasta la fecha, y marca un nuevo estándar en programación, razonamiento y tareas de larga duración. Encabeza los benchmarks del sector con un 72,5% en SWE-bench y un 43,2% en Terminal-bench. 

Diseñado para un rendimiento sostenido, Claude Opus 4 puede encargarse de forma autónoma de tareas complejas y prolongadas de programación, manteniendo el foco y ofreciendo resultados sobresalientes. Incorpora mejor criterio de código y compatibilidad con 32K tokens de salida.

En este tutorial, pondremos a prueba las capacidades de Claude Opus 4 evaluando su habilidad para crear y testear bases de código complejas. Para conocer la última versión de Claude, echa un vistazo a nuestra guía de Claude Opus 4.6.

Empezaremos configurando la CLI de Claude Code en Windows 11 usando Windows Subsystem for Linux. Después, pediremos a Claude Opus 4 que construya un proyecto completo de machine learning de extremo a extremo con múltiples archivos. Tras crear el proyecto, le pediremos al modelo que pruebe su funcionalidad y lo suba a GitHub.

Claude Code es una herramienta CLI (interfaz de línea de comandos) que permite a Claude Opus 4 interactuar con el repositorio local usando la API de Anthropic. Actúa como un asistente con IA para programar, depurar y ejecutar tareas directamente desde el terminal.

Imagen del autor

Configurar Claude Code en Windows

Para configurar Claude Code en Windows, tendrás que habilitar Windows Subsystem for Linux (WSL), instalar Node.js y npm, y vincular tu cuenta de Anthropic.

A continuación tienes una guía paso a paso para empezar.

1. Instalar WSL

Para empezar, habilita WSL abriendo PowerShell como administrador y ejecutando el comando wsl --install. Esto instalará Ubuntu por defecto y puede requerir reiniciar el sistema. 

Tras el reinicio, una ventana de terminal te pedirá que definas un nombre de usuario y una contraseña para tu distribución Linux. Luego podrás acceder al subsistema Linux escribiendo wsl en PowerShell o abriendo la app de Ubuntu.

2. Instalar Node.js y npm

Abre el terminal de Ubuntu e instala Node.js y npm.

sudo apt update
sudo apt install nodejs npm

La versión por defecto de Node.js instalada vía apt puede estar desactualizada. Para instalar la versión más reciente, usa Node Version Manager (nvm):

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Verifica las versiones actualizadas:

node --version
npm --version
v18.20.8
10.8.2

3. Crear una cuenta de Anthropic

Para usar Claude Code, necesitas una cuenta de la API de Anthropic:

1. Crea una cuenta en la Anthropic Console.
2. Añade al menos 30 $ en créditos a tu cuenta con tarjeta de crédito o débito. Ten en cuenta que Claude Opus 4 es un modelo premium y los costes pueden variar según la complejidad de tu proyecto.

4. Instalar Claude Code

Una vez configurados Node.js y npm, puedes instalar Claude Code globalmente:

npm install -g @anthropic-ai/claude-code

Tras la instalación, inicia Claude Code escribiendo:

claude

La herramienta te pedirá que configures la interfaz:

5. Configurar Claude Code

Al iniciar Claude Code por primera vez, tendrás que autenticarlo con tu cuenta de Anthropic:

1. Selecciona la opción para conectarte a Anthropic Console.
2. Se abrirá una ventana del navegador para que inicies sesión en tu cuenta de Anthropic.
3. Copia el código de autenticación generado en la consola y pégalo en el terminal de Claude Code.

Una vez autenticado, Claude Code estará listo para usar.

Para una guía más completa de las funciones de Claude Code y su uso práctico, consulta nuestra guía de Claude Code con ejemplos.

Recorrido por el proyecto con Claude Opus 4

Vamos a ponernos manos a la obra y a crear desde cero un proyecto de machine learning con Claude Opus 4.

Los pasos incluyen la planificación, la construcción de la estructura de carpetas, la creación y prueba del modelo y, por último, subir los cambios a GitHub. Claude Opus 4 actuará como asistente principal durante todo el proceso, automatizando tareas y ofreciendo orientación.

1. Configurar Claude Code con Opus 4

Para empezar, abre el terminal de Ubuntu, crea un nuevo directorio de proyecto e inicializa Git para el control de versiones.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

A continuación, inicia Claude Code con el modelo Claude Opus 4 ejecutando el siguiente comando:

claude --model claude-opus-4-20250514

Esto iniciará Claude Code en tu directorio de proyecto con Claude Opus 4 como modelo base.

2. Planificación del proyecto

El primer paso es crear un plan de proyecto. Pediremos a Claude Opus 4 que genere un README detallado que describa los objetivos y la estructura del proyecto.

Prompt: “Crea un archivo README para un proyecto de machine learning que procese datos de yfinance, entrene el modelo, lo evalúe y lo sirva en producción.”

Claude pedirá permiso para crear el archivo. Puedes aprobar cada acción manualmente o habilitar la autonomía total para que cree y edite archivos sin más avisos.

Claude Opus 4 ha generado un README.md detallado con la descripción del proyecto, objetivos y pasos de implementación.

3. Construir el proyecto de machine learning

Usando el README como guía, pediremos a Claude que cree la estructura de carpetas, los archivos y la base de código inicial.

Prompt: “Ahora, crea las carpetas y archivos y construye el proyecto desde cero. Usa el README como guía.”

Claude Opus 4 crea una lista de tareas estructurada y construye el proyecto automáticamente. 

Puedes abrir el proyecto en tu editor de código para verificar la estructura y el contenido. 

Al finalizar, Claude proporciona un resumen e instrucciones de inicio rápido para entrenar el modelo y probar la API.

4. Probar la API del modelo

En lugar de probar el código manualmente, pediremos a Claude Opus 4 que se encargue del proceso de testing.

Prompt: “Por favor, comprueba que todo funciona perfectamente. Intenta usar UV como gestor de paquetes.”

Claude intentó ejecutar el script de procesamiento de datos, falló y después solucionó el problema.

Finalmente, probó con éxito todos los scripts de Python, incluidos los endpoints de la API:

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

El modelo no probó el endpoint /predict, así que tuve que pedirle que lo hiciera.

Prompt: “Por favor, prueba el endpoint /predict.”

Como resultado, compiló una lista de pruebas y sus resultados en distintos escenarios.

Para estar seguro, probé manualmente el endpoint /predict con el siguiente comando curl:

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Salida:

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. Subir los cambios a GitHub

Ahora que el proyecto está completo, haremos commit de los cambios y los subiremos a un repositorio público de GitHub.

Prompt: “Crea un repositorio público en GitHub y sube todos los cambios.”

Claude proporcionó una guía paso a paso para subir el código manualmente a GitHub.

No queremos trabajo manual, así que pediremos a Claude que use GitHub CLI para crear nuevos repositorios y subir los archivos.

Prompt: “Utiliza GitHub CLI para subir el proyecto.”

Como resultado, el proyecto se subió correctamente a GitHub y está disponible públicamente en: https://github.com/kingabzpro/stock-ml-predictor

​​El repositorio de GitHub creado por Claude Code con el modelo Opus 4.

6. Finalizar el proyecto

Tras completar todos los pasos, puedes salir de Claude Code con Ctrl+C. Claude mostrará un resumen de la sesión, con el coste total, la duración y el uso de tokens.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Parece que el nuevo modelo Opus 4 es bastante caro y el coste de uso de su API puede crecer rápido. Aquí tienes un desglose de precios:

Para evaluar la relación coste-eficacia y ver comparativas de benchmarks, lee nuestro análisis de Claude 3.7 Sonnet con ideas sobre modelos alternativos de Claude.

Opinión del autor

Usar Claude Code en mi proyecto local fue una experiencia amena y reveladora. Aprendí mucho sobre sus capacidades y limitaciones. 

Este es mi resumen de pros y contras al usarlo con Claude Opus 4:

Pros:

• Claude Opus 4 destaca al usar herramientas como listas de tareas, ejecutar código y completar encargos con eficiencia. Es el mejor flujo agentic que he visto.
• Detecta rápidamente problemas en el código y propone soluciones precisas, ahorrando tiempo en el desarrollo.
• Aunque no tengas experiencia programando, puedes usar Claude Opus 4 para generar, construir y desplegar aplicaciones describiendo lo que necesitas.

Contras:

• Claude Opus 4 puede consumir muchos tokens incluso en peticiones sencillas, lo que lo hace menos eficiente para tareas pequeñas.
• Aunque es muy potente, el coste de uso de Claude Opus 4 puede ser prohibitivo. Hay alternativas más asequibles que ofrecen resultados similares. 
• A pesar de ser excelente programando, le cuesta mejorar la gramática y corregir faltas ortográficas, lo que limita su utilidad en tareas no técnicas.

Quienes busquen una entrada más económica pueden considerar versiones anteriores como Claude 3.5 Sonnet, que sigue ofreciendo un rendimiento sólido para muchas tareas.

Conclusión

Claude Opus 4, junto con la CLI de Claude Code, supone un salto importante en el desarrollo de software asistido por IA. Este tutorial ha demostrado de lo que es capaz el modelo: crear, probar y desplegar un proyecto completo de machine learning. Su capacidad para mantener el foco en tareas largas, adaptarse a distintos escenarios y depurar código con inteligencia marca un nuevo listón para los agentes de IA en ingeniería de software.

Eso sí, tanto poder tiene un coste notable. Aunque Claude Opus 4 ofrece un rendimiento y unos flujos agentic inigualables, su precio lo hace más adecuado para proyectos complejos y de alto impacto que para el día a día.

En definitiva, Claude Opus 4 no es solo una herramienta: es un compañero de desarrollo. Tanto si estás creando MVPs, automatizando flujos de trabajo o explorando la programación asistida por IA, ofrece un adelanto muy prometedor del futuro de la ingeniería de software. 

Si quieres llevar tus habilidades al siguiente nivel y aprender a construir sistemas inteligentes desde cero, echa un vistazo a nuestro itinerario de aprendizaje Developing AI Applications, un programa de formación estructurado para ayudarte a crear herramientas con IA de alto impacto. También puedes leer nuestro artículo sobre los nuevos modelos Claude 4, Sonnet 4 y Opus 4.