Cómo cambiar de coding agent o modelo sin perder la tarea

Transfiere una tarea entre coding agents y modelos con un handoff estructurado, sin secretos y con una comprobación enfocada.

Al abordar problemas de ingeniería complejos, los desarrolladores suelen cambiar entre coding agents: por ejemplo, pueden empezar a planificar la arquitectura en Claude Code y después intentar un refactor algorítmico o la generación de pruebas en Codex u otro modelo. Sin embargo, volcar el registro completo de una conversación en un agente nuevo llena su contexto de hipótesis obsoletas y desperdicia tokens y tiempo.

Cambiar de modelo solo resulta eficaz si se basa en una tarjeta de handoff formalizada y portable, además de un paso de verificación enfocado; no si se intenta transferir un historial de chat ilimitado.


1. Comparar cambios: modelo, herramienta o proveedor de API

No confundas tres operaciones esencialmente distintas:

DimensiónCambiar el modelo dentro del agentCambiar de herramienta (Claude Code ↔ Codex)Cambiar de proveedor de API
Qué cambiaEl parámetro Model ID de la configuraciónEl cliente CLI, el protocolo y la orquestación de herramientasEl endpoint, la Base URL y la clave de autenticación
Contexto de la tareaSe conserva dentro de la sesión actualReinicio completo de la sesión; requiere un handoff limpioSe conserva en la configuración del entorno local
Protocolo de APIAnthropic u OpenAI (sin cambios)Transición de Anthropic Messages a OpenAI Responses APIConfiguración de la Base URL y del grupo de API keys
Caso recomendadoElevar rápidamente el nivel de razonamientoProbar hipótesis alternativas en un worktree limpioEnrutar a través de gateways locales o dedicados

2. Elegir la herramienta según el escenario

Elige el enfoque adecuado para lo que exige la tarea actual:

  • Opción 1 (Claude Code): recomendada si necesitas explorar una base de código de forma interactiva, realizar un refactor arquitectónico complejo de varios archivos y usar herramientas de shell flexibles.
  • Opción 2 (Codex CLI / Custom Provider): es la mejor opción si necesitas generación de pruebas determinista, ejecución directa sobre la API Responses compatible con OpenAI o una segunda opinión independiente sobre un diff preparado.

3. El protocolo de handoff portable

Para transferir el estado de una tarea de forma fiable y sin ruido en el prompt, redacta una tarjeta de handoff estructurada que contenga solo hechos verificados:

Task Handoff: Database Connection Pool Limits

  • Goal: Enforce max_connections=20 and add a 5s connection acquisition timeout.
  • Current State: Branch perf/db-pool-limits created; modified config/database.go.
  • Verified Progress: Test go test ./config -run TestPoolLimits passes.
  • Unresolved Blocker: Under wrk load, pool exhaustion crashes without returning HTTP 503.
  • Target Check for Next Agent: Implement 503 error handling on pool timeout and verify with a test.
> [!IMPORTANT] > **Cero secretos en el handoff**: nunca incluyas API keys, tokens de autenticación ni el contenido de archivos `.env` en las tarjetas de handoff. Cada herramienta CLI lee sus credenciales desde variables de entorno locales. Consulta las guías de configuración de Claude Code y Codex en los [BetterToken Docs](https://docs.bettertoken.ai/ai-tools/claude-code). ---

4. Cambiar y verificar paso a paso

Sigue este procedimiento de cinco pasos al entregar el trabajo a otro agent:

  1. Paso 1: guardar el estado de Git. Revisa y guarda temporalmente los cambios sin confirmar: git status --short; después, conserva la tarjeta de handoff estructurada.
  2. Paso 2: iniciar una sesión nueva. Arranca el agent secundario en un worktree de Git aislado o en una ventana de terminal limpia.
  3. Paso 3: entregar solo la tarjeta de handoff. Proporciona al nuevo agent el objetivo de la tarea y el paso de verificación, sin el historial de chat anterior.
  4. Paso 4: ejecutar la comprobación enfocada. Exige que el agent ejecute la prueba objetivo e inspeccione los archivos modificados: git diff --check.
  5. Paso 5: decidir según una salida observable. Si el modelo secundario resuelve limpiamente el bloqueo, continúa en esa rama; de lo contrario, vuelve a la sesión principal sin sobrecarga de regresiones.

Este enfoque evita la sobrecarga del prompt y convierte el cambio de modelo en un experimento de ingeniería objetivo y medible.

¿Quieres optimizar tu flujo de trabajo con LLM?

Conecta modelos mediante una API, gestiona claves y controla el gasto en IA.