Antes de la skill, un fichero de trucos
Claude conectado por MCP a Higgsfield, un agregador de modelos de imagen y vídeo. Pides dos packshots del mismo producto y salen dos etiquetas distintas. Cómo meter un control de calidad e iterar hasta tener tu propia skill.
Un amigo lleva un par de semanas usando Claude y me pidió una llamada para “hacerlo ordenado”. Quería que Claude, conectado a Higgsfield (un generador de imágenes), le sacara dos fotos de un producto desde dos ángulos, a partir de fotos reales. En cada foto salió un producto distinto.
Higgsfield es un agregador: reúne en un solo sitio modelos de imagen y vídeo de varios fabricantes, y tiene un MCP para que Claude lo maneje. Con eso, Claude puede elegir el modelo, lanzar la generación y recoger el resultado sin que tú abras la web. Es una combinación muy útil para un equipo de marketing, y es también donde más se nota la falta de un control de calidad.
Lo cuento con un encargo de marca, porque el fallo es el mismo y es el que más veo en equipos de marketing: dos packshots de un producto para una campaña, de frente y en tres cuartos, a partir de fotos del envase. La marca, Olmo, es inventada. El proceso es el que le expliqué a él; pasa el ratón o toca cada paso.
Pasa el ratón o toca un paso para ver qué ocurre en él.
Las imágenes que siguen son recreaciones de la pantalla con ese ejemplo. No hice capturas durante la llamada.
Un conector es un diccionario de funciones
Le pedí que abriera Higgsfield a pelo, sin Claude. Un cuadro de texto y una fila de controles: modelo, proporción, calidad, resolución, cuántas imágenes. Cada control es un parámetro, y el botón de generar es una función que los recoge. El primero de la fila es el que más pesa: al ser un agregador, el mismo cuadro de texto sirve para modelos distintos (en la captura, GPT Image 2, de OpenAI), y cada uno resuelve el mismo prompt a su manera.
Un MCP es un conector que le da a Claude acceso a una herramienta para que haga cosas en ella, y no solo hable. Por dentro es un fichero que alguien ha escrito para decirle: existe una función de generar, admite un texto, un modelo, una calidad, una proporción. Claude lee tu petición y rellena esos campos. Lo vimos en directo en la ventana de permisos:
A mi amigo le habían dicho que “con los conectores pierdes el control”. No lo pierdes: lo delegas. Si no dices qué calidad quieres, Claude elige una. Con herramientas de cientos de parámetros eso ayuda; otras veces decide algo que tú no habrías decidido.
Hay un matiz que casi nadie mira: el conector no siempre trae todas las funciones de la herramienta. Higgsfield tiene un modo de retoque (inpainting) para corregir solo un trozo de la foto. Si el conector no lo expone, cuando le pides a Claude que arregle el logo vuelve a tirar la foto entera, y con ella cambian la etiqueta, el color y la luz. Yo con Higgsfield uso su API, que expone más funciones que el conector. Lo sé porque le pedí a Claude que comparase la documentación de la herramienta con las funciones que tenía y me dijera cuáles le faltaban, y esa pregunta la puede hacer cualquiera sin saber programar.
Preguntar antes de dejarle hacer
El encargo va dictado por voz, que deja salir más contexto que escribiendo, con las dos fotos de referencia adjuntas y cuatro condiciones que valen para cualquier encargo:
Pedirle que razone la elección del modelo cambia el resultado más de lo que parece. Sin esa pregunta tiende a lanzar lo primero que encaja; con ella compara, y a veces se corrige solo.
El becario que te trae lo que le dio el proveedor
Los dos borradores llegan en un par de minutos y son bonitos. Cada uno con su propia etiqueta.
El modelo que eligió Claude dentro de Higgsfield genera la imagen siguiendo sus instrucciones, y es Claude quien te la entrega. Lo que falta es que Claude pase un control de calidad antes de enseñarte nada. Es como con un becario: si lo mandas a por algo y el proveedor le da una chapuza, quieres que la revise y la devuelva antes de traértela.
Con un agregador esto importa más que con una sola herramienta. Cada modelo falla a su manera (uno escribe mal el texto de la etiqueta, otro cambia los colores, otro inventa detalles del envase), y quien elige el modelo es Claude. Sin control de calidad, cada fallo lo descubres tú y lo corriges tú, vuelta a vuelta. Con él, Claude revisa, vuelve a pedir, y a ti te llega la versión que ya ha pasado.
Aquí la regla cabe en una línea: si se piden varias tomas del mismo producto, tiene que ser el mismo producto en todas (etiqueta, logo, colores de marca), y si no lo es, se vuelve a pedir. Tarda un poco más y llega mejor a la primera. Para una marca hay una segunda regla que conviene apuntar desde el primer día: el logo no se genera, se compone encima con el archivo real.
Del fichero a la skill
Mi amigo salió de la llamada queriendo crearse skills (instrucciones empaquetadas que Claude carga solo cuando la conversación las necesita): una de piel perfecta para retratos, otra de iluminación de estudio. Le frené un paso. Antes de una skill va un fichero en la carpeta del proyecto, donde al acabar cada sesión le pides a Claude que apunte qué ha funcionado y qué no.
Dentro de tres meses no te vas a acordar de cómo lo resolviste, y Claude tampoco. El fichero crece por iteración. La primera sesión deja una regla escrita deprisa. En la segunda y la tercera, esa regla se confirma, se corrige o se afina: qué modelo funcionó mejor con etiquetas con texto, qué comprobar exactamente, qué hacer cuando falla. Cuando una regla ha aguantado varios encargos, pasa a la skill con la redacción exacta que funcionó:
---
name: packshots-de-marca
description: Packshots de producto con Higgsfield. Usar cuando se pidan
fotos de un envase para campaña, web o marketplace.
---
1. Antes de generar, di qué modelo vas a usar y por qué. Para etiquetas
con texto, empieza por el que mejor resultado dio en aprendizajes.md.
2. Primero un borrador en baja calidad. Alta solo con visto bueno.
3. El logo se compone encima con el archivo real de /marca.
4. Control de calidad antes de entregar: en todas las tomas, misma
etiqueta, mismo logo, mismos colores de marca. Si una falla, corrige
la zona con retoque (inpaint) y vuelve a comprobar.
5. Al cerrar, añade a aprendizajes.md lo que funcionó y lo que falló.
Normalmente empiezas con una skill grande (Higgsfield, calidad, piel, luz, todo junto) y un día pesa tanto que hay que partirla.
El fichero, además, no ocupa sitio en la cabeza de la IA. Si le dejas escrito “antes de generar imágenes, lee este documento”, solo lo abre cuando le toca, como quien va a la estantería a por el manual de After Effects y lo vuelve a dejar.
Por eso me cuesta la memoria automática de ChatGPT, que era lo que le gustaba a su otro amigo. Yo quiero saber exactamente qué tiene mi IA en memoria y qué va a consultar, y eso solo lo sé si lo he escrito yo. Por lo mismo casi nunca me bajo skills de terceros. Una skill es un texto, como una receta: son cuatro huevos y tú querías dos. Si te bajas una que se llama “piel perfecta” y funciona, bien, pero ábrela y léela antes de fiarte.
Qué me llevo
Cuatro preguntas que ahora le haría a cualquier herramienta conectada, antes de pedirle nada:
- ¿Qué funciones tienes de esta herramienta y cuáles te faltan?
- ¿Qué modelo o qué opción vas a usar y por qué?
- ¿Qué vas a comprobar antes de enseñarme el resultado?
- Al acabar: ¿qué hemos aprendido hoy que deba quedar apuntado?
La primera te dice qué tendrás que hacer a mano. La cuarta es la que va llenando
el aprendizajes.md.