Advisor Tool, Opus como asesor y Sonnet como ejecutor en una sola llamada API

Anthropic lanzó la Advisor Strategy el 9 de abril de 2026. No es un modelo nuevo ni una API nueva. Es un tipo de tool que metes en una petición de la Messages API completamente normal. El efecto: tu modelo ejecutor (Sonnet 4.6 o Haiku 4.5) ejecuta la tarea de extremo a extremo, y solo llama a Opus 4.7 cuando choca contra un muro. Todo en una sola llamada API.

Si has estado pensando en construir tú mismo un enrutado multi-modelo, déjalo. Anthropic te lo ha quitado de encima. Aquí está cómo funciona y cuándo te merece la pena.

1. Qué hace la Advisor Strategy

Le das al modelo una petición de la Messages API completamente normal. En los tools añades una entrada advisor. Sonnet o Haiku como ejecutor lee el prompt del usuario y trabaja en él. La descripción del tool está escrita de forma que el propio modelo decide cuándo tendría sentido el advisor. Para el 80 por ciento de las subtareas Sonnet nota que lo tiene controlado y sigue trabajando. En el 20 por ciento donde se pone peliagudo, llama al advisor.

Lo que pasa durante la llamada al advisor es transparente para ti. Anthropic enruta internamente a Opus 4.7, que lee el contexto completo de la conversación, devuelve un consejo corto (típicamente de 400 a 700 tokens de salida), y el ejecutor Sonnet continúa con él. Todo ese ida y vuelta se ve como una llamada a tool normal en tu respuesta API, solo que no tienes que devolver el resultado tú mismo. El servidor mantiene el loop por ti.

2. Requisitos obligatorios

Necesitas tres cosas antes de que esto funcione.

Primero: el header beta anthropic-beta: advisor-tool-2026-03-01. Sin el header la API devuelve un error. En el SDK de Anthropic el header es el parámetro betas=["advisor-tool-2026-03-01"] en la llamada client.beta.messages.create. A fecha de mayo 2026 la beta todavía no es GA, así que al pasar a producción vigila las notas de versión de Anthropic.

Segundo: tienes que usar client.beta.messages.create, no client.messages.create. El tipo de tool beta vive en su propia ruta de endpoint.

Tercero: tu modelo ejecutor tiene que ser Sonnet 4.6 o Haiku 4.5. El tipo de tool advisor solo tiene sentido con un ejecutor más débil y Opus como advisor. Si ejecutas Opus como ejecutor, ya estás pagando precios de Opus de todas formas y no necesitas un advisor.

3. Ejemplo mínimo en Python

import anthropic

client = anthropic.Anthropic()

response = client.beta.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    betas=["advisor-tool-2026-03-01"],
    tools=[
        {
            "type": "advisor_20260301",
            "name": "advisor",
            "model": "claude-opus-4-7",
        }
    ],
    messages=[
        {
            "role": "user",
            "content": "Bau einen Worker-Pool in Go mit graceful shutdown.",
        }
    ],
)

print(response)

El bloque del tool tiene solo tres campos: type está fijo en advisor_20260301, name es tu etiqueta para la llamada al tool (advisor es la convención), model es qué modelo advisor se consulta. Ahora mismo solo tiene sentido claude-opus-4-7. Otros valores están técnicamente permitidos, pero el sentido de la estrategia es la asesoría de Opus.

Para el patrón de conversación multi-turno cuelgas response.content (incluidos eventuales bloques advisor_tool_result) a la lista messages, añades el siguiente mensaje del usuario, y vuelves a llamar a la API. El contexto del advisor se mantiene de forma acumulativa.

4. Cuándo merece la pena el advisor

La regla general: tareas agénticas largas con unos pocos puntos de decisión peliagudos. Generación de código sobre más de 10 archivos, donde solo 2 o 3 puntos necesitan de verdad cerebro de arquitectura. Síntesis de research sobre documentos largos, donde el ejecutor solo necesita una valoración difícil al final. Workflows multi-tool donde el enrutado de tools es casi siempre trivial pero necesita razonamiento profundo en las bifurcaciones.

No merece la pena para peticiones cortas de una sola vez. Si de todas formas solo tienes una llamada de 1 turno, coge Opus directamente o Sonnet directamente, según lo que necesites. Probablemente el advisor no se llame en una llamada de un solo turno, porque Sonnet no encuentra un muro donde lo necesite.

Tampoco merece la pena si tienes problemas de calidad de Sonnet que aparecen en cada sub-paso. Entonces Sonnet es la herramienta equivocada, y ninguna llamada al advisor te salva. Comprueba antes si Sonnet en solitario de verdad no aguanta tu listón de calidad.

5. Modelo de coste y controles de gasto

El truco aquí es que pagas casi precios de Sonnet pero obtienes calidad de Opus para los puntos críticos. El ejecutor produce la mayoría de los tokens de salida (a precios de Sonnet, es decir $3 por millón de salida o $0.75 para Haiku). El advisor produce por consulta típicamente de 400 a 700 tokens de salida (a precios de Opus, $25 por millón de salida).

En la práctica: con una generación de 8000 tokens y tres consultas al advisor hablamos de unos 6500 tokens de Sonnet y 1500 tokens de Opus. Eso son a grandes rasgos 2 céntimos en vez de 20 céntimos. Factor 10 de ahorro con calidad casi de Opus.

A lo que deberías prestar atención: el modelo decide por sí mismo sobre las llamadas al advisor. Si Sonnet se vuelve demasiado cauteloso y llama al advisor en cada sub-paso, eso se come la ventaja de coste. Anthropic lo observó en la beta y aplica un tope implícito (no pude verificar la cifra exacta en la documentación, pero en la práctica rara vez se ven más de 5 llamadas al advisor por generación). Registra tus llamadas en las primeras semanas, mira la frecuencia, y ajusta el prompt del usuario si el ejecutor consulta demasiado a menudo.

6. Tres casos de uso concretos que pegan fuerte

Generación de código con puntos de arquitectura. Le das a Sonnet un encargo de refactoring de 5 archivos. Sonnet hace el grueso del trabajo. En dos puntos que tienen que ver con patrones de concurrencia o diseño de schema, llama a Opus. Resultado: 80 por ciento de los tokens a coste de Sonnet, decisiones de arquitectura críticas con razonamiento de Opus.

Síntesis de documentos long-form. Analizas 30 papers de research, Sonnet hace la lectura y el resumen, Opus se consulta solo para el paso final de síntesis donde hay que resolver contradicciones. En un trabajo de síntesis de 50k tokens eso ahorra alrededor de 35 USD por ejecución.

Bot de soporte al cliente con ruta de escalado. Haiku 4.5 como ejecutor responde a preguntas estándar. En casos peliagudos (política de reembolso, bug de caso límite) consulta a Opus en vez de escalar al soporte humano. Ahorra tiempo humano y entrega mejores respuestas que Haiku en solitario.

7. Lo que la beta no puede hacer

Ahora mismo solo puedes configurar Opus 4.7 como advisor. Si quieres otros modelos especializados (por ejemplo un fine-tune propio) como asesor, aquí no se puede. Constrúyelo en tu propia lógica si lo necesitas.

No ves qué sub-prompt envía el ejecutor al advisor. Eso es enrutado interno de Anthropic. Si necesitas el prompt exacto del advisor para logs de auditoría, ahora mismo eso no está expuesto. Solución alternativa: en tu system prompt, instruye al ejecutor para que antes apunte brevemente por qué hace cada llamada al advisor.

Los setups cross-region con Bedrock o Vertex todavía están en fase piloto en abril 2026. Si ejecutas en AWS/GCP, comprueba antes del rollout si la beta está activa en tu endpoint de región. El self-serve en platform.claude.com funciona en todas partes al momento.

8. Ruta de migración para tu código existente

Si ya tienes hoy un setup multi-modelo (enrutado manual entre Sonnet y Opus), puedes pasarlo a advisor paso a paso.

Paso 1: elige un workflow pequeño donde hoy ejecutas Opus porque Sonnet a veces falla en un punto. Sustituye Opus por Sonnet más el tool advisor. Registra la frecuencia de las llamadas al advisor.

Paso 2: compara la calidad frente a Opus en solitario. Para la mayoría de las cargas advisor-con-Sonnet es un 95 por ciento tan bueno como Opus en solitario, al 10 por ciento del coste. Si la calidad no aguanta, vuelve atrás.

Paso 3: despliega a más workflows. Seguimiento de coste durante 2 a 4 semanas, luego decides si ejecutas advisor-para-todo como patrón estándar o de forma selectiva.

9. Las dos trampas

Formato beta equivocado. El header se llama anthropic-beta: advisor-tool-2026-03-01, no advisor-2026-03-01 ni advisor-tool-2026-04-09. Los headers beta de Anthropic se nombran según el schema del tipo de tool beta, el tipo de tool es advisor_20260301. La fecha en el header es la fecha del schema, no la fecha de lanzamiento.

Endpoint API equivocado. Los tools beta corren a través de client.beta.messages.create, no client.messages.create. Si coges el endpoint equivocado, recibes un error unknown_beta y ninguna función de advisor.

10. Qué viene después

Mi consejo: no pases todos los workflows a la vez. Elige un trabajo de generación de código multi-archivo, déjalo correr de 3 a 5 veces con advisor, compara la calidad de salida con tu baseline actual de solo-Sonnet o solo-Opus. Si la comparación cuadra, despliega a otros workflows.

Si quieres profundizar en la parte de optimización de coste, mira el playbook claude-code-cost-controls-für-daily-driver para el setup más completo de presupuestos de tokens y límites de gasto.

Si trabajas con setups multi-agente y quieres integrar advisor en tu arquitectura CEO-worker, merece la pena el paso a la lección L5-04 sobre patrones multi-agente y L5-05 human-in-the-loop. Advisor es en el fondo un human-in-the-loop automatizado, donde el humano es otro LLM.

Source

Specs verificadas contra la documentación oficial de Anthropic el 2026-05-07:

• platform.claude.com/docs/en/agents-and-tools/tool-use/advisor-tool (schema de tool, header beta, ejemplo en Python, patrón multi-turno)
• platform.claude.com/docs/en/release-notes/overview (beta pública desde el 9 de abril de 2026, descripción del modelo de coste)

Fuentes secundarias consultadas:

• buildfastwithai.com Anthropic Advisor Strategy Guide (2026-04, ejemplos de comparación de coste)
• testingcatalog.com Anthropic Advisor Tool Coverage (2026-04-09, informe de lanzamiento)

Recipes consultadas en la Academy:

• Phase 5 Multi-Agent Workflows
• Lesson L5-05 Human-in-the-Loop (patrón análogo a nivel humano)