{"content_id":"9irr9ff11n","slug":"claude-cookbooks-api-examples-guide","locale":"de","schema_type":"TechArticle","category":"tutorial","category_name":"Tutorial","title":"Claude Cookbooks: Offizielle GitHub-Ressource für einen schnellen Einstieg in Praxisbeispiele mit Claude API","summary":"Claude Cookbooks ist ein von Anthropic betriebenes GitHub-Repository mit Beispielen, in dem sich praxisnahe Muster wie Klassifizierung, Zusammenfassung, RAG, Chatbots sowie die Verarbeitung von Dokumenten und Bildern mit Claude API anhand von Code erlernen lassen. Wenn der Einstieg allein mit der offiziellen Dokumentation schwerfällt, eignet es sich als Ausgangspunkt, um Notebook-Beispiele zu kopieren und an kleinere Projekte anzupassen.","sponsorship_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Claude Cookbooks ist eine offizielle Beispielsammlung, die Nutzern von Claude API hilft, reale Entwicklungsmuster schnell zu verstehen.","Die wichtigsten Beispiele behandeln häufige Aufgaben aus der Praxis, darunter Textklassifizierung, Zusammenfassung, RAG, Chatbots für den Kundensupport, Datenabfragen in natürlicher Sprache sowie die Verarbeitung von Bildern, Diagrammen und PDF-Dateien.","Die meisten Materialien liegen als Jupyter Notebooks mit Erläuterungen und ausführbarem Code vor und eignen sich daher für schrittweise Experimente.","Sicher ist es, zunächst API-Schlüssel, Python-Laufzeitumgebung, Kostenkontrolle und Grundsätze zur Datensicherheit vorzubereiten und dann mit kleinen Beispielen zu beginnen.","Die Beispiele aus Cookbooks sind besonders wertvoll, wenn Eingabedaten, Prompts, Fehlerbehandlung und Bewertungskriterien an den Zweck des jeweiligen Projekts angepasst werden, statt sie unverändert zu kopieren."],"content_markdown":"## Was sind Claude Cookbooks?\n\nClaude Cookbooks ist ein von Anthropic auf GitHub betriebenes Repository mit Beispielen für die Claude API. Wie der Name „Kochbuch“ bereits andeutet, handelt es sich um eine Sammlung von Codeausschnitten und Schritt-für-Schritt-Anleitungen, die bei der Implementierung bestimmter Funktionen als Referenz dienen können.\n\nDie offizielle API-Dokumentation eignet sich gut dazu, Konzepte und Spezifikationen nachzuschlagen. Für Menschen, die gerade erst mit der Entwicklung beginnen, kann jedoch eine Lücke bleiben: „Wie verwende ich das nun in meinem eigenen Code?“ Claude Cookbooks hilft, diese Lücke zu schließen. Häufige Aufgaben aus realen Diensten wie Textklassifizierung, Zusammenfassung, RAG, Chatbots und Dokumentverarbeitung werden anhand ausführbarer Beispiele gezeigt.\n\nNach Angaben des Betreibers ist dieses Repository ein beliebtes Projekt mit Zehntausenden Sternen auf GitHub und kann für Entwickler und Planer, die mit der Claude API experimentieren möchten, ein praktischer Ausgangspunkt sein.\n\n## Zentrale Begriffe\n\n| Begriff | Bedeutung | Rolle in Claude Cookbooks |\n|---|---|---|\n| Claude API | API zum Aufrufen der Claude-Modelle von Anthropic in Anwendungen | Zentrale Schnittstelle, die vom Beispielcode aufgerufen wird |\n| Cookbook | Sammlung beispielorientierter Dokumente und Codes zur Lösung eines bestimmten Problems | Lernmethode, bei der funktionsbezogene Beispiele kopiert und angepasst werden |\n| Jupyter Notebook | Interaktives Dokumentformat, in dem Erklärungen, Code und Ausführungsergebnisse in einer Datei behandelt werden können | Gut geeignet, um Beispiele Zeile für Zeile auszuführen und die Ergebnisse zu prüfen |\n| RAG | Retrieval-Augmented Generation, ein Verfahren, bei dem externe Materialien durchsucht und für Modellantworten verwendet werden | Wird für Antwortsysteme auf Grundlage interner Dokumente, Wissensdatenbanken und FAQs verwendet |\n| Vektordatenbank | Speicher, der Dokumente als bedeutungsbasierte Vektoren ablegt und anhand ihrer Ähnlichkeit durchsucht | Wird zur Implementierung von RAG in Verbindung mit externen Diensten wie Pinecone verwendet |\n\n## Welche Probleme lassen sich damit lösen?\n\nDer Wert von Claude Cookbooks liegt darin, nicht nur zu zeigen, „wie ein Modell aufgerufen wird“, sondern auch, „wie ein Modell in reale Arbeitsabläufe integriert wird“. Die Themen der Beispiele stehen mit den folgenden Anwendungsszenarien in Verbindung.\n\n### 1. Textklassifizierung und Routing\n\nEs kann dazu verwendet werden, Kundenanfragen, Rezensionen, Dokumente und E-Mails in festgelegte Kategorien einzuordnen. In einem Kundendienstsystem könnten Anfragen beispielsweise in „Rückerstattung“, „Lieferung“, „technischer Support“ und „Kontoproblem“ unterteilt und automatisch an das zuständige Team weitergeleitet werden.\n\nBei der praktischen Anwendung sollten folgende Punkte geprüft werden:\n\n- Sind die Klassifizierungskriterien klar definiert?\n- Sind für mehrdeutige Eingaben sichere Ausgaben wie „Sonstiges“ oder „Prüfung erforderlich“ zulässig?\n- Liegt die Modellausgabe stets in einem für nachgelagerte Systeme leicht lesbaren Format wie JSON, Label oder Punktzahl vor?\n- Wurde die Fehlklassifizierungsrate anhand realer Daten gemessen?\n\n### 2. Zusammenfassung und Informationsextraktion\n\nClaude Cookbooks eignet sich auch dafür, aus langen Dokumenten, Sitzungsprotokollen, Artikeln und Aufzeichnungen von Kundengesprächen die wichtigsten Inhalte zu extrahieren. Über einfache Zusammenfassungen hinaus lässt sich dies auf folgende strukturierte Aufgaben erweitern:\n\n- Zentrale Aussagen extrahieren\n- Aufgabenlisten erstellen\n- Risiken und Entscheidungen voneinander trennen\n- Felder wie Datum, Betrag und zuständige Person aus Dokumenten extrahieren\n- Gemeinsamkeiten und Unterschiede mehrerer Dokumente zusammenstellen\n\nBei der Verwendung von Zusammenfassungsbeispielen ist es zuverlässiger, „Zielgruppe, Länge, aufzunehmende Punkte und auszuschließende Punkte“ klar anzugeben, statt lediglich „Fasse es kurz zusammen“ zu schreiben.\n\n### 3. RAG-basierte Fragebeantwortung\n\nRAG ist ein Muster, bei dem das Modell nicht nur auf Grundlage seines eigenen Wissens antwortet, sondern zunächst relevante Inhalte in vom Benutzer bereitgestellten Dokumenten oder externen Daten sucht und anschließend eine Antwort erstellt. Dies ist besonders wichtig für Dienste, die ihre Antworten auf interne Unternehmenshandbücher, Produktdokumentationen, Richtliniendokumente oder Wissensdatenbanken stützen müssen.\n\nEin typischer RAG-Ablauf sieht folgendermaßen aus:\n\n1. Dokumente werden in kleine Einheiten aufgeteilt.\n2. Jedes Fragment wird eingebettet oder in einer durchsuchbaren Form gespeichert.\n3. Es werden Dokumentfragmente gesucht, die für die Frage des Benutzers relevant sind.\n4. Die Suchergebnisse werden als Quellenmaterial in den Claude-Prompt eingefügt.\n5. Claude antwortet auf Grundlage dieses Quellenmaterials.\n6. Die verwendeten Quellen, Einschränkungen und Unsicherheiten werden zusammen mit der Antwort angegeben.\n\nRAG beseitigt Halluzinationen nicht vollständig. Daher empfiehlt es sich, Einschränkungen wie „Antworte, dass du es nicht weißt, wenn die bereitgestellten Quellen keine entsprechenden Informationen enthalten“ und „Gib bei jeder Antwort den Namen des Quelldokuments an“ sowohl in den Prompt als auch in die Anwendungslogik aufzunehmen.\n\n### 4. Chatbot für den Kundenservice\n\nDie Beispiele von Claude Cookbooks können auch beim Aufbau eines Chatbots zur Beantwortung von Kundenanfragen als Referenz dienen. Ein grundlegender Chatbot muss den Gesprächskontext beibehalten, Richtliniendokumente oder FAQs heranziehen und die Absicht des Benutzers erkennen.\n\nEin praxisorientierter Chatbot benötigt folgende Elemente:\n\n- Klassifizierung der Absicht hinter der Benutzerfrage\n- Einschränkung verbotener Antworten oder rechtlich, medizinisch beziehungsweise finanziell hochriskanter Antworten\n- Bei Bedarf Weiterleitung an einen Servicemitarbeiter\n- Speicherung des Gesprächsverlaufs und Minimierung personenbezogener Daten\n- Bewertung der Modellantworten und Protokollüberwachung\n\nDer Beispielcode ist lediglich ein Ausgangspunkt. Für den Einsatz im tatsächlichen Kundenservice müssen Sicherheit, Datenschutz, Störungsmanagement und Verantwortungsbereiche separat konzipiert werden.\n\n### 5. Datenbankabfragen in natürlicher Sprache\n\nEs gibt auch ein Muster, bei dem eine Frage in natürlicher Sprache wie „Zeige mir die 10 umsatzstärksten Produkte des letzten Monats“ in SQL oder eine Datenabfrage umgewandelt und ausgeführt wird. Dadurch können auch Nichtentwickler Daten untersuchen, allerdings birgt dieser Ansatz erhebliche Sicherheitsrisiken.\n\nFür eine sichere Verwendung sind folgende Maßnahmen erforderlich:\n\n- Verwendung eines schreibgeschützten Kontos\n- Zugriff nur auf erlaubte Tabellen und Spalten\n- Prüfung der generierten Abfrage vor der Ausführung\n- Begrenzung umfangreicher Abfragen\n- Maskierung sensibler Informationen\n- Sperrung von Daten, für die der Benutzer keine Zugriffsberechtigung besitzt\n\nVom Modell generiertes SQL unverändert in einer Produktionsdatenbank auszuführen, ist riskant. In der Beispielphase empfiehlt es sich, eine Beispieldatenbank oder eine isolierte Entwicklungsumgebung zu verwenden.\n\n### 6. Verarbeitung von Bildern, Diagrammen und PDF-Dateien\n\nMithilfe der multimodalen Funktionen von Claude lassen sich auch Bilder und Diagramme beschreiben sowie Informationen aus PDF-Dateien auslesen und strukturieren. So können beispielsweise wichtige Kennzahlen aus einem PDF-Bericht extrahiert oder die in einem Diagramm dargestellten Trends erläutert werden.\n\nDie Verarbeitung visueller Materialien hat jedoch Grenzen. Bei kleiner Schrift, komplexen Tabellen, niedriger Auflösung oder abgeschnittenen Bildern können Fehler auftreten. Bei Aufgaben, für die Zahlen besonders wichtig sind, sollten die Ergebnisse mit den Originaldaten abgeglichen werden.\n\n## Vorbereitungen vor dem Einstieg in Claude Cookbooks\n\n### Erforderliche Voraussetzungen\n\n| Voraussetzung | Beschreibung |\n|---|---|\n| Anthropic-Konto | Für die Nutzung der Claude API ist ein Konto erforderlich. |\n| API-Schlüssel | Wird vom Beispielcode beim Aufruf der Claude API verwendet. Der Schlüssel sollte nicht direkt im Code offengelegt werden. |\n| Python-Umgebung | Viele Beispiele werden auf Basis von Python ausgeführt. |\n| Jupyter Notebook oder eine vergleichbare Umgebung | Notebook-Dateien müssen geöffnet und zellenweise ausgeführt werden können. |\n| Testdaten | Es ist sicherer, zunächst mit Beispieldaten zu experimentieren, statt sofort reale personenbezogene Daten oder sensible Dokumente einzugeben. |\n\n### Empfohlene Voraussetzungen\n\n- Grundkenntnisse im Umgang mit Git und GitHub\n- Verfahren zur Verwaltung von Umgebungsvariablen\n- Gewohnheit, API-Kosten und Nutzung zu überwachen\n- Verfahren zur Versionsverwaltung von Prompts\n- Liste mit Testeingaben und erwarteten Ausgaben\n- Richtlinien für den Umgang mit sensiblen Informationen\n\n## Grundlegende Schritte zum Nachmachen\n\nWenn Sie Claude Cookbooks zum ersten Mal verwenden, ist es besser, ein einzelnes Beispiel auszuwählen und vollständig auszuführen, statt das gesamte Repository auf einmal verstehen zu wollen.\n\n### Schritt 1: Struktur des Repositorys überblicken\n\nPrüfen Sie im GitHub-Repository zunächst die Titel der Beispiele, die Ordnernamen und die README-Datei. Suchen Sie nach einem Beispiel, das der gewünschten Funktion möglichst nahekommt. Wenn Sie beispielsweise einen Chatbot zur Suche in internen Dokumenten erstellen möchten, haben Beispiele zu RAG oder zur Dokumentensuche Priorität.\n\n### Schritt 2: Mit dem kleinsten Beispiel beginnen\n\nWenn Sie gleich zu Beginn ein Beispiel auswählen, das eine Vektordatenbank, PDF-Verarbeitung und die Anbindung externer APIs zugleich umfasst, lässt sich die Ursache von Fehlern nur schwer ermitteln. Prüfen Sie zunächst anhand von Beispielen wie einem einfachen Nachrichtenaufruf, einer Zusammenfassung oder einer Klassifizierung, ob der API-Schlüssel und die Ausführungsumgebung ordnungsgemäß funktionieren.\n\n### Schritt 3: Eingabedaten an das eigene Problem anpassen\n\nFühren Sie zunächst die Beispieleingabe unverändert aus und ersetzen Sie sie danach durch eine kleine Testeingabe, die den Daten Ihrer eigenen Arbeit ähnelt. Dabei sollten sensible Daten wie reale Kundeninformationen, Personenregisternummern, Zahlungsinformationen oder Geschäftsgeheimnisse nicht eingegeben werden.\n\n### Schritt 4: Ausgabeformat festlegen\n\nBei der Anbindung an ein Produktivsystem ist es schwierig, Modellantworten zu verarbeiten, wenn sie jedes Mal nur aus frei formulierten Sätzen bestehen. Fordern Sie eine Form an, die vom nachgelagerten Code verarbeitet werden kann, etwa JSON, Standard-Labels, Punktzahlen oder Zusammenfassungspunkte.\n\nFür Klassifizierungsaufgaben sind beispielsweise folgende Ausgaberegeln nützlich:\n\n```text\nDie Ausgabe darf nur als JSON verfasst werden.\nEs dürfen nur die drei Felder category, confidence und reason verwendet werden.\ncategory muss einen der Werte refund, delivery, technical_support, account oder other haben.\n```\n\n### Schritt 5: Fehlerfälle sammeln\n\nEs reicht nicht aus, sich nur Eingaben anzusehen, bei denen das Beispiel gut funktioniert. In realen Diensten treten vielfältige Probleme auf, darunter kurze Fragen, mehrdeutige Fragen, bösartige Prompts, Tippfehler, mehrsprachige Eingaben und fehlende Dokumente.\n\nTests der folgenden Arten helfen bei der Qualitätsbewertung:\n\n- Eingaben mit eindeutiger richtiger Antwort\n- Eingaben mit mehrdeutiger Absicht\n- Eingaben, deren Antwort nicht im Quelldokument enthalten ist\n- Eingaben, bei denen das Modell leicht zu Vermutungen neigt\n- Sehr lange Eingaben\n- Eingaben mit sensiblen Informationen\n- Eingaben mit der Anweisung, Regeln zu ignorieren\n\n## Nutzungshinweise nach Beispieltyp\n\n| Beispieltyp | Geeignete Anwendungsfälle | Zu beachten |\n|---|---|---|\n| Klassifizierung | Routing von Anfragen, Tagging von Rezensionen, Dokumentklassifizierung | Bei unklaren Label-Definitionen können die Ergebnisse schwanken |\n| Zusammenfassung | Zusammenfassung von Sitzungsprotokollen, Artikeln, Berichten und Kundengesprächen | Wichtige Zahlen und Personennamen müssen mit dem Originaltext abgeglichen werden |\n| RAG | Suche in internen Dokumenten, Produkt-FAQs, Antworten zu Richtlinien | Bei schlechter Suchqualität schwanken auch die Modellantworten |\n| Chatbot | Kundenservice, Arbeitsassistent, Lerntutor | Schutzmaßnahmen und Kriterien für die Weiterleitung an Servicemitarbeiter sind erforderlich |\n| Datenabfragen in natürlicher Sprache | Datenexploration für Nichtentwickler, Berichtserstellung | Berechtigungsverwaltung und Abfrageprüfung sind unerlässlich |\n| Bild- und Diagrammanalyse | Interpretation von Berichten, Beschreibung visueller Materialien | Bei kleiner Schrift oder komplexen Tabellen können Fehler auftreten |\n| PDF-Verarbeitung | Analyse von Verträgen, wissenschaftlichen Arbeiten, Handbüchern und Berichten | Ergebnisse variieren je nach Seitenstruktur und OCR-Qualität |\n| Anbindung externer Dienste | Verbindung mit Vektor-DB, Wissensdatenbank und Such-API | Verwaltung von API-Schlüsseln und Störungsmanagement müssen konzipiert werden |\n\n## Kriterien für die Auswahl eines guten Experimentierthemas\n\nBeim Lernen mit Claude Cookbooks empfiehlt es sich, statt einer „beeindruckenden Demo“ ein „kleines, überprüfbares Arbeitsproblem“ auszuwählen.\n\nEin gutes erstes Projekt erfüllt folgende Bedingungen:\n\n- Eingabe und Ausgabe sind klar definiert.\n- Menschen können leicht beurteilen, ob es erfolgreich ist.\n- Es werden keine sensiblen Informationen benötigt.\n- Die API-Kosten sind gering.\n- Ein Fehlschlag wirkt sich weder auf reale Kunden noch auf Produktivsysteme aus.\n- Die Umsetzung ist bereits mit kleinen Änderungen am Beispielcode möglich.\n\nFolgende Themen eignen sich beispielsweise als Einstiegsprojekte:\n\n- 20 Kundenanfragen in 5 Kategorien einteilen\n- Aus einem langen Sitzungsprotokoll nur Entscheidungen und Aufgaben extrahieren\n- 5 öffentliche Dokumente eingeben und ein quellenbasiertes Q\u0026A erstellen\n- Auf Grundlage von Produkt-FAQs einen einfachen Chatbot für den Kundenservice erstellen\n- Fragen in natürlicher Sprache zu CSV-Beispieldaten in SQL umwandeln\n\n## Checkliste vor dem praktischen Einsatz\n\nUm ein Beispiel aus Claude Cookbooks in ein reales Produkt oder internes Werkzeug zu überführen, müssen folgende Punkte geprüft werden.\n\n### Technische Checkliste\n\n- Wird der API-Schlüssel mithilfe von Umgebungsvariablen oder einem Secret-Management-Tool verwaltet?\n- Wurden Vorkehrungen für fehlgeschlagene Modellaufrufe, Zeitüberschreitungen und Ratenbegrenzungen getroffen?\n- Werden Begrenzungen der Eingabelänge und Dateigröße berücksichtigt?\n- Ist Code zur Validierung des Ausgabeformats vorhanden?\n- Wird verhindert, dass sensible Informationen in Protokollen gespeichert werden?\n- Sind ein Testdatensatz und Bewertungskriterien vorhanden?\n- Werden bei Änderungen der Modellversion oder des Prompts Regressionstests durchgeführt?\n\n### Qualitätscheckliste\n\n- Wird die Antwortgenauigkeit durch menschliche Stichproben geprüft?\n- Gibt es Anweisungen zur Reduzierung unbelegter Antworten?\n- Ist das System so konzipiert, dass es bei Unsicherheit angibt, etwas nicht zu wissen?\n- Werden Benutzer über die Grenzen von AI-Antworten informiert?\n- Wird unterschieden, in welchen Fällen eine Prüfung durch Fachexperten erforderlich ist?\n\n### Checkliste für Sicherheit und Betrieb\n\n- Gibt es Richtlinien zur Eingabe personenbezogener Daten und von Geschäftsgeheimnissen?\n- Wird unberechtigter Datenzugriff verhindert?\n- Werden Schlüssel für die Anbindung externer APIs getrennt verwaltet?\n- Gibt es Nutzungsbegrenzungen, um einen sprunghaften Kostenanstieg zu verhindern?\n- Wurden Prompt-Injection-Angriffe durch Benutzer berücksichtigt?\n- Gibt es bei Betriebsstörungen einen alternativen Ablauf?\n\n## Unterschied zwischen Claude Cookbooks und der offiziellen Dokumentation\n\n| Kategorie | Claude Cookbooks | Offizielle Dokumentation von Anthropic |\n|---|---|---|\n| Zweck | Implementierungsmuster anhand von Beispielen schnell erlernen | API-Spezifikationen, Konzepte und Funktionsbeschreibungen nachschlagen |\n| Format | Schwerpunkt auf Code, Notebooks und Beispiel-Workflows | Schwerpunkt auf Dokumentation, Leitfäden und Referenzen |\n| Vorteil | Einfach zu kopieren, auszuführen und anzupassen | Gut geeignet, um aktuelle Funktionen und genaue Parameter zu prüfen |\n| Einschränkung | Beispiele decken nicht alle betrieblichen Anforderungen ab | Für Anfänger kann der reale Implementierungsablauf abstrakt wirken |\n| Empfohlene Nutzung | Beim Erstellen kleiner Prototypen verwenden | Vor der endgültigen Implementierung das API-Verhalten und die Einschränkungen prüfen |\n\nAm besten werden beide Materialien gemeinsam verwendet. Mit Cookbooks lässt sich der Ablauf erlernen, während in der offiziellen Dokumentation die genauen Eingabewerte, Modelloptionen und Einschränkungen der verwendeten API geprüft werden.\n\n## Empfohlener Lernpfad für Anfänger\n\n1. Führen Sie ein Beispiel für einen grundlegenden Aufruf der Claude API aus.\n2. Lernen Sie anhand eines Beispiels zur Zusammenfassung kurzer Texte die Struktur von Prompts und Antworten kennen.\n3. Üben Sie anhand eines Klassifizierungsbeispiels, das Ausgabeformat festzulegen.\n4. Lassen Sie das Modell anhand eines RAG-Beispiels auf Grundlage externer Dokumente antworten.\n5. Ergänzen Sie mithilfe eines Chatbot-Beispiels Gesprächskontext und Schutzmaßnahmen.\n6. Erweitern Sie das Projekt je nach Bedarf um fortgeschrittene Beispiele für Bilder, PDF-Dateien und Datenbankabfragen.\n7. Erstellen Sie einen Testsatz und messen Sie Genauigkeit, Kosten und Antwortzeit.\n\n## Häufige Fehler und Lösungen\n\n| Fehler | Warum ist das problematisch? | Lösung |\n|---|---|---|\n| Der API-Schlüssel wird direkt in den Code geschrieben | Er kann im Repository offengelegt werden oder nach außen gelangen | Umgebungsvariablen oder ein Secret-Management-Tool verwenden |\n| Das Beispiel wird allein aufgrund der Ergebnisse sofort in den Produktivbetrieb übernommen | Fehlerbehandlung, Sicherheit und Kostenmanagement können fehlen | Ausreichend in Entwicklungs- und Staging-Umgebungen testen |\n| Der Prompt ist zu abstrakt formuliert | Die Ausgabe ist nicht konsistent | Rolle, Eingabe, Ausgabeformat und Verbote ausdrücklich festlegen |\n| Die Suchqualität von RAG wird nicht bewertet | Irrelevante Dokumente werden einbezogen und senken die Qualität der Antworten | Präzision und Trefferquote der Suchergebnisse separat prüfen |\n| Modellantworten werden immer als Tatsachen betrachtet | Sie können Halluzinationen oder Missverständnisse enthalten | Quellenangaben, Validierungslogik und menschliche Prüfung ergänzen |\n| Es werden keine Kostengrenzen festgelegt | Wiederholte Ausführungen oder umfangreiche Eingaben können die Kosten erhöhen | Begrenzung der Aufrufmenge, Caching und Sampling anwenden |\n\n## Fazit\n\nClaude Cookbooks ist ein praxisorientiertes Material, das den Übergang von der Phase, in der die Claude API „anhand von Dokumentation verstanden“ wird, zu der Phase ermöglicht, in der man „selbst etwas damit erstellt“. Ein Vorteil besteht darin, dass sich zentrale Muster von AI-Anwendungen wie Klassifizierung, Zusammenfassung, RAG, Chatbots, Datenabfragen sowie Bild- und PDF-Verarbeitung anhand von Beispielen nachvollziehen lassen.\n\nCookbooks ist jedoch kein fertiges Produktivsystem, sondern ein Ausgangspunkt. Für den Einsatz in realen Diensten müssen betriebliche Elemente wie Datensicherheit, Ausgabevalidierung, Kostenmanagement, Bewertungssysteme und Benutzerberechtigungen unbedingt ergänzt werden. Am sichersten und effektivsten ist es, zunächst ein kleines Notebook auszuführen und das Beispiel anschließend schrittweise an die eigenen Arbeitsdaten und Anforderungen anzupassen.","content_html":"\u003ch2\u003e\n\u003ca href=\"#was-sind-claude-cookbooks\" class=\"anchor\" id=\"was-sind-claude-cookbooks\"\u003e\u003c/a\u003eWas sind Claude Cookbooks?\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks ist ein von Anthropic auf GitHub betriebenes Repository mit Beispielen für die Claude API. Wie der Name „Kochbuch“ bereits andeutet, handelt es sich um eine Sammlung von Codeausschnitten und Schritt-für-Schritt-Anleitungen, die bei der Implementierung bestimmter Funktionen als Referenz dienen können.\u003c/p\u003e\n\u003cp\u003eDie offizielle API-Dokumentation eignet sich gut dazu, Konzepte und Spezifikationen nachzuschlagen. Für Menschen, die gerade erst mit der Entwicklung beginnen, kann jedoch eine Lücke bleiben: „Wie verwende ich das nun in meinem eigenen Code?“ Claude Cookbooks hilft, diese Lücke zu schließen. Häufige Aufgaben aus realen Diensten wie Textklassifizierung, Zusammenfassung, RAG, Chatbots und Dokumentverarbeitung werden anhand ausführbarer Beispiele gezeigt.\u003c/p\u003e\n\u003cp\u003eNach Angaben des Betreibers ist dieses Repository ein beliebtes Projekt mit Zehntausenden Sternen auf GitHub und kann für Entwickler und Planer, die mit der Claude API experimentieren möchten, ein praktischer Ausgangspunkt sein.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#zentrale-begriffe\" class=\"anchor\" id=\"zentrale-begriffe\"\u003e\u003c/a\u003eZentrale Begriffe\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBegriff\u003c/th\u003e\n\u003cth\u003eBedeutung\u003c/th\u003e\n\u003cth\u003eRolle in Claude Cookbooks\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Begriff\"\u003eClaude API\u003c/td\u003e\n\u003ctd data-label=\"Bedeutung\"\u003eAPI zum Aufrufen der Claude-Modelle von Anthropic in Anwendungen\u003c/td\u003e\n\u003ctd data-label=\"Rolle in Claude Cookbooks\"\u003eZentrale Schnittstelle, die vom Beispielcode aufgerufen wird\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Begriff\"\u003eCookbook\u003c/td\u003e\n\u003ctd data-label=\"Bedeutung\"\u003eSammlung beispielorientierter Dokumente und Codes zur Lösung eines bestimmten Problems\u003c/td\u003e\n\u003ctd data-label=\"Rolle in Claude Cookbooks\"\u003eLernmethode, bei der funktionsbezogene Beispiele kopiert und angepasst werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Begriff\"\u003eJupyter Notebook\u003c/td\u003e\n\u003ctd data-label=\"Bedeutung\"\u003eInteraktives Dokumentformat, in dem Erklärungen, Code und Ausführungsergebnisse in einer Datei behandelt werden können\u003c/td\u003e\n\u003ctd data-label=\"Rolle in Claude Cookbooks\"\u003eGut geeignet, um Beispiele Zeile für Zeile auszuführen und die Ergebnisse zu prüfen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Begriff\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Bedeutung\"\u003eRetrieval-Augmented Generation, ein Verfahren, bei dem externe Materialien durchsucht und für Modellantworten verwendet werden\u003c/td\u003e\n\u003ctd data-label=\"Rolle in Claude Cookbooks\"\u003eWird für Antwortsysteme auf Grundlage interner Dokumente, Wissensdatenbanken und FAQs verwendet\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Begriff\"\u003eVektordatenbank\u003c/td\u003e\n\u003ctd data-label=\"Bedeutung\"\u003eSpeicher, der Dokumente als bedeutungsbasierte Vektoren ablegt und anhand ihrer Ähnlichkeit durchsucht\u003c/td\u003e\n\u003ctd data-label=\"Rolle in Claude Cookbooks\"\u003eWird zur Implementierung von RAG in Verbindung mit externen Diensten wie Pinecone verwendet\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#welche-probleme-lassen-sich-damit-l%C3%B6sen\" class=\"anchor\" id=\"welche-probleme-lassen-sich-damit-lösen\"\u003e\u003c/a\u003eWelche Probleme lassen sich damit lösen?\u003c/h2\u003e\n\u003cp\u003eDer Wert von Claude Cookbooks liegt darin, nicht nur zu zeigen, „wie ein Modell aufgerufen wird“, sondern auch, „wie ein Modell in reale Arbeitsabläufe integriert wird“. Die Themen der Beispiele stehen mit den folgenden Anwendungsszenarien in Verbindung.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-textklassifizierung-und-routing\" class=\"anchor\" id=\"1-textklassifizierung-und-routing\"\u003e\u003c/a\u003e1. Textklassifizierung und Routing\u003c/h3\u003e\n\u003cp\u003eEs kann dazu verwendet werden, Kundenanfragen, Rezensionen, Dokumente und E-Mails in festgelegte Kategorien einzuordnen. In einem Kundendienstsystem könnten Anfragen beispielsweise in „Rückerstattung“, „Lieferung“, „technischer Support“ und „Kontoproblem“ unterteilt und automatisch an das zuständige Team weitergeleitet werden.\u003c/p\u003e\n\u003cp\u003eBei der praktischen Anwendung sollten folgende Punkte geprüft werden:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eSind die Klassifizierungskriterien klar definiert?\u003c/li\u003e\n\u003cli\u003eSind für mehrdeutige Eingaben sichere Ausgaben wie „Sonstiges“ oder „Prüfung erforderlich“ zulässig?\u003c/li\u003e\n\u003cli\u003eLiegt die Modellausgabe stets in einem für nachgelagerte Systeme leicht lesbaren Format wie JSON, Label oder Punktzahl vor?\u003c/li\u003e\n\u003cli\u003eWurde die Fehlklassifizierungsrate anhand realer Daten gemessen?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-zusammenfassung-und-informationsextraktion\" class=\"anchor\" id=\"2-zusammenfassung-und-informationsextraktion\"\u003e\u003c/a\u003e2. Zusammenfassung und Informationsextraktion\u003c/h3\u003e\n\u003cp\u003eClaude Cookbooks eignet sich auch dafür, aus langen Dokumenten, Sitzungsprotokollen, Artikeln und Aufzeichnungen von Kundengesprächen die wichtigsten Inhalte zu extrahieren. Über einfache Zusammenfassungen hinaus lässt sich dies auf folgende strukturierte Aufgaben erweitern:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eZentrale Aussagen extrahieren\u003c/li\u003e\n\u003cli\u003eAufgabenlisten erstellen\u003c/li\u003e\n\u003cli\u003eRisiken und Entscheidungen voneinander trennen\u003c/li\u003e\n\u003cli\u003eFelder wie Datum, Betrag und zuständige Person aus Dokumenten extrahieren\u003c/li\u003e\n\u003cli\u003eGemeinsamkeiten und Unterschiede mehrerer Dokumente zusammenstellen\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eBei der Verwendung von Zusammenfassungsbeispielen ist es zuverlässiger, „Zielgruppe, Länge, aufzunehmende Punkte und auszuschließende Punkte“ klar anzugeben, statt lediglich „Fasse es kurz zusammen“ zu schreiben.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-rag-basierte-fragebeantwortung\" class=\"anchor\" id=\"3-rag-basierte-fragebeantwortung\"\u003e\u003c/a\u003e3. RAG-basierte Fragebeantwortung\u003c/h3\u003e\n\u003cp\u003eRAG ist ein Muster, bei dem das Modell nicht nur auf Grundlage seines eigenen Wissens antwortet, sondern zunächst relevante Inhalte in vom Benutzer bereitgestellten Dokumenten oder externen Daten sucht und anschließend eine Antwort erstellt. Dies ist besonders wichtig für Dienste, die ihre Antworten auf interne Unternehmenshandbücher, Produktdokumentationen, Richtliniendokumente oder Wissensdatenbanken stützen müssen.\u003c/p\u003e\n\u003cp\u003eEin typischer RAG-Ablauf sieht folgendermaßen aus:\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eDokumente werden in kleine Einheiten aufgeteilt.\u003c/li\u003e\n\u003cli\u003eJedes Fragment wird eingebettet oder in einer durchsuchbaren Form gespeichert.\u003c/li\u003e\n\u003cli\u003eEs werden Dokumentfragmente gesucht, die für die Frage des Benutzers relevant sind.\u003c/li\u003e\n\u003cli\u003eDie Suchergebnisse werden als Quellenmaterial in den Claude-Prompt eingefügt.\u003c/li\u003e\n\u003cli\u003eClaude antwortet auf Grundlage dieses Quellenmaterials.\u003c/li\u003e\n\u003cli\u003eDie verwendeten Quellen, Einschränkungen und Unsicherheiten werden zusammen mit der Antwort angegeben.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eRAG beseitigt Halluzinationen nicht vollständig. Daher empfiehlt es sich, Einschränkungen wie „Antworte, dass du es nicht weißt, wenn die bereitgestellten Quellen keine entsprechenden Informationen enthalten“ und „Gib bei jeder Antwort den Namen des Quelldokuments an“ sowohl in den Prompt als auch in die Anwendungslogik aufzunehmen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-chatbot-f%C3%BCr-den-kundenservice\" class=\"anchor\" id=\"4-chatbot-für-den-kundenservice\"\u003e\u003c/a\u003e4. Chatbot für den Kundenservice\u003c/h3\u003e\n\u003cp\u003eDie Beispiele von Claude Cookbooks können auch beim Aufbau eines Chatbots zur Beantwortung von Kundenanfragen als Referenz dienen. Ein grundlegender Chatbot muss den Gesprächskontext beibehalten, Richtliniendokumente oder FAQs heranziehen und die Absicht des Benutzers erkennen.\u003c/p\u003e\n\u003cp\u003eEin praxisorientierter Chatbot benötigt folgende Elemente:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eKlassifizierung der Absicht hinter der Benutzerfrage\u003c/li\u003e\n\u003cli\u003eEinschränkung verbotener Antworten oder rechtlich, medizinisch beziehungsweise finanziell hochriskanter Antworten\u003c/li\u003e\n\u003cli\u003eBei Bedarf Weiterleitung an einen Servicemitarbeiter\u003c/li\u003e\n\u003cli\u003eSpeicherung des Gesprächsverlaufs und Minimierung personenbezogener Daten\u003c/li\u003e\n\u003cli\u003eBewertung der Modellantworten und Protokollüberwachung\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDer Beispielcode ist lediglich ein Ausgangspunkt. Für den Einsatz im tatsächlichen Kundenservice müssen Sicherheit, Datenschutz, Störungsmanagement und Verantwortungsbereiche separat konzipiert werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-datenbankabfragen-in-nat%C3%BCrlicher-sprache\" class=\"anchor\" id=\"5-datenbankabfragen-in-natürlicher-sprache\"\u003e\u003c/a\u003e5. Datenbankabfragen in natürlicher Sprache\u003c/h3\u003e\n\u003cp\u003eEs gibt auch ein Muster, bei dem eine Frage in natürlicher Sprache wie „Zeige mir die 10 umsatzstärksten Produkte des letzten Monats“ in SQL oder eine Datenabfrage umgewandelt und ausgeführt wird. Dadurch können auch Nichtentwickler Daten untersuchen, allerdings birgt dieser Ansatz erhebliche Sicherheitsrisiken.\u003c/p\u003e\n\u003cp\u003eFür eine sichere Verwendung sind folgende Maßnahmen erforderlich:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eVerwendung eines schreibgeschützten Kontos\u003c/li\u003e\n\u003cli\u003eZugriff nur auf erlaubte Tabellen und Spalten\u003c/li\u003e\n\u003cli\u003ePrüfung der generierten Abfrage vor der Ausführung\u003c/li\u003e\n\u003cli\u003eBegrenzung umfangreicher Abfragen\u003c/li\u003e\n\u003cli\u003eMaskierung sensibler Informationen\u003c/li\u003e\n\u003cli\u003eSperrung von Daten, für die der Benutzer keine Zugriffsberechtigung besitzt\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eVom Modell generiertes SQL unverändert in einer Produktionsdatenbank auszuführen, ist riskant. In der Beispielphase empfiehlt es sich, eine Beispieldatenbank oder eine isolierte Entwicklungsumgebung zu verwenden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-verarbeitung-von-bildern-diagrammen-und-pdf-dateien\" class=\"anchor\" id=\"6-verarbeitung-von-bildern-diagrammen-und-pdf-dateien\"\u003e\u003c/a\u003e6. Verarbeitung von Bildern, Diagrammen und PDF-Dateien\u003c/h3\u003e\n\u003cp\u003eMithilfe der multimodalen Funktionen von Claude lassen sich auch Bilder und Diagramme beschreiben sowie Informationen aus PDF-Dateien auslesen und strukturieren. So können beispielsweise wichtige Kennzahlen aus einem PDF-Bericht extrahiert oder die in einem Diagramm dargestellten Trends erläutert werden.\u003c/p\u003e\n\u003cp\u003eDie Verarbeitung visueller Materialien hat jedoch Grenzen. Bei kleiner Schrift, komplexen Tabellen, niedriger Auflösung oder abgeschnittenen Bildern können Fehler auftreten. Bei Aufgaben, für die Zahlen besonders wichtig sind, sollten die Ergebnisse mit den Originaldaten abgeglichen werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#vorbereitungen-vor-dem-einstieg-in-claude-cookbooks\" class=\"anchor\" id=\"vorbereitungen-vor-dem-einstieg-in-claude-cookbooks\"\u003e\u003c/a\u003eVorbereitungen vor dem Einstieg in Claude Cookbooks\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#erforderliche-voraussetzungen\" class=\"anchor\" id=\"erforderliche-voraussetzungen\"\u003e\u003c/a\u003eErforderliche Voraussetzungen\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eVoraussetzung\u003c/th\u003e\n\u003cth\u003eBeschreibung\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Voraussetzung\"\u003eAnthropic-Konto\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eFür die Nutzung der Claude API ist ein Konto erforderlich.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Voraussetzung\"\u003eAPI-Schlüssel\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eWird vom Beispielcode beim Aufruf der Claude API verwendet. Der Schlüssel sollte nicht direkt im Code offengelegt werden.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Voraussetzung\"\u003ePython-Umgebung\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eViele Beispiele werden auf Basis von Python ausgeführt.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Voraussetzung\"\u003eJupyter Notebook oder eine vergleichbare Umgebung\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eNotebook-Dateien müssen geöffnet und zellenweise ausgeführt werden können.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Voraussetzung\"\u003eTestdaten\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eEs ist sicherer, zunächst mit Beispieldaten zu experimentieren, statt sofort reale personenbezogene Daten oder sensible Dokumente einzugeben.\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch3\u003e\n\u003ca href=\"#empfohlene-voraussetzungen\" class=\"anchor\" id=\"empfohlene-voraussetzungen\"\u003e\u003c/a\u003eEmpfohlene Voraussetzungen\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGrundkenntnisse im Umgang mit Git und GitHub\u003c/li\u003e\n\u003cli\u003eVerfahren zur Verwaltung von Umgebungsvariablen\u003c/li\u003e\n\u003cli\u003eGewohnheit, API-Kosten und Nutzung zu überwachen\u003c/li\u003e\n\u003cli\u003eVerfahren zur Versionsverwaltung von Prompts\u003c/li\u003e\n\u003cli\u003eListe mit Testeingaben und erwarteten Ausgaben\u003c/li\u003e\n\u003cli\u003eRichtlinien für den Umgang mit sensiblen Informationen\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#grundlegende-schritte-zum-nachmachen\" class=\"anchor\" id=\"grundlegende-schritte-zum-nachmachen\"\u003e\u003c/a\u003eGrundlegende Schritte zum Nachmachen\u003c/h2\u003e\n\u003cp\u003eWenn Sie Claude Cookbooks zum ersten Mal verwenden, ist es besser, ein einzelnes Beispiel auszuwählen und vollständig auszuführen, statt das gesamte Repository auf einmal verstehen zu wollen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-1-struktur-des-repositorys-%C3%BCberblicken\" class=\"anchor\" id=\"schritt-1-struktur-des-repositorys-überblicken\"\u003e\u003c/a\u003eSchritt 1: Struktur des Repositorys überblicken\u003c/h3\u003e\n\u003cp\u003ePrüfen Sie im GitHub-Repository zunächst die Titel der Beispiele, die Ordnernamen und die README-Datei. Suchen Sie nach einem Beispiel, das der gewünschten Funktion möglichst nahekommt. Wenn Sie beispielsweise einen Chatbot zur Suche in internen Dokumenten erstellen möchten, haben Beispiele zu RAG oder zur Dokumentensuche Priorität.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-2-mit-dem-kleinsten-beispiel-beginnen\" class=\"anchor\" id=\"schritt-2-mit-dem-kleinsten-beispiel-beginnen\"\u003e\u003c/a\u003eSchritt 2: Mit dem kleinsten Beispiel beginnen\u003c/h3\u003e\n\u003cp\u003eWenn Sie gleich zu Beginn ein Beispiel auswählen, das eine Vektordatenbank, PDF-Verarbeitung und die Anbindung externer APIs zugleich umfasst, lässt sich die Ursache von Fehlern nur schwer ermitteln. Prüfen Sie zunächst anhand von Beispielen wie einem einfachen Nachrichtenaufruf, einer Zusammenfassung oder einer Klassifizierung, ob der API-Schlüssel und die Ausführungsumgebung ordnungsgemäß funktionieren.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-3-eingabedaten-an-das-eigene-problem-anpassen\" class=\"anchor\" id=\"schritt-3-eingabedaten-an-das-eigene-problem-anpassen\"\u003e\u003c/a\u003eSchritt 3: Eingabedaten an das eigene Problem anpassen\u003c/h3\u003e\n\u003cp\u003eFühren Sie zunächst die Beispieleingabe unverändert aus und ersetzen Sie sie danach durch eine kleine Testeingabe, die den Daten Ihrer eigenen Arbeit ähnelt. Dabei sollten sensible Daten wie reale Kundeninformationen, Personenregisternummern, Zahlungsinformationen oder Geschäftsgeheimnisse nicht eingegeben werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-4-ausgabeformat-festlegen\" class=\"anchor\" id=\"schritt-4-ausgabeformat-festlegen\"\u003e\u003c/a\u003eSchritt 4: Ausgabeformat festlegen\u003c/h3\u003e\n\u003cp\u003eBei der Anbindung an ein Produktivsystem ist es schwierig, Modellantworten zu verarbeiten, wenn sie jedes Mal nur aus frei formulierten Sätzen bestehen. Fordern Sie eine Form an, die vom nachgelagerten Code verarbeitet werden kann, etwa JSON, Standard-Labels, Punktzahlen oder Zusammenfassungspunkte.\u003c/p\u003e\n\u003cp\u003eFür Klassifizierungsaufgaben sind beispielsweise folgende Ausgaberegeln nützlich:\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eDie Ausgabe darf nur als JSON verfasst werden.\n\u003c/span\u003e\u003cspan\u003eEs dürfen nur die drei Felder category, confidence und reason verwendet werden.\n\u003c/span\u003e\u003cspan\u003ecategory muss einen der Werte refund, delivery, technical_support, account oder other haben.\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-5-fehlerf%C3%A4lle-sammeln\" class=\"anchor\" id=\"schritt-5-fehlerfälle-sammeln\"\u003e\u003c/a\u003eSchritt 5: Fehlerfälle sammeln\u003c/h3\u003e\n\u003cp\u003eEs reicht nicht aus, sich nur Eingaben anzusehen, bei denen das Beispiel gut funktioniert. In realen Diensten treten vielfältige Probleme auf, darunter kurze Fragen, mehrdeutige Fragen, bösartige Prompts, Tippfehler, mehrsprachige Eingaben und fehlende Dokumente.\u003c/p\u003e\n\u003cp\u003eTests der folgenden Arten helfen bei der Qualitätsbewertung:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEingaben mit eindeutiger richtiger Antwort\u003c/li\u003e\n\u003cli\u003eEingaben mit mehrdeutiger Absicht\u003c/li\u003e\n\u003cli\u003eEingaben, deren Antwort nicht im Quelldokument enthalten ist\u003c/li\u003e\n\u003cli\u003eEingaben, bei denen das Modell leicht zu Vermutungen neigt\u003c/li\u003e\n\u003cli\u003eSehr lange Eingaben\u003c/li\u003e\n\u003cli\u003eEingaben mit sensiblen Informationen\u003c/li\u003e\n\u003cli\u003eEingaben mit der Anweisung, Regeln zu ignorieren\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#nutzungshinweise-nach-beispieltyp\" class=\"anchor\" id=\"nutzungshinweise-nach-beispieltyp\"\u003e\u003c/a\u003eNutzungshinweise nach Beispieltyp\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBeispieltyp\u003c/th\u003e\n\u003cth\u003eGeeignete Anwendungsfälle\u003c/th\u003e\n\u003cth\u003eZu beachten\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eKlassifizierung\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eRouting von Anfragen, Tagging von Rezensionen, Dokumentklassifizierung\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eBei unklaren Label-Definitionen können die Ergebnisse schwanken\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eZusammenfassung\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eZusammenfassung von Sitzungsprotokollen, Artikeln, Berichten und Kundengesprächen\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eWichtige Zahlen und Personennamen müssen mit dem Originaltext abgeglichen werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eSuche in internen Dokumenten, Produkt-FAQs, Antworten zu Richtlinien\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eBei schlechter Suchqualität schwanken auch die Modellantworten\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eChatbot\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eKundenservice, Arbeitsassistent, Lerntutor\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eSchutzmaßnahmen und Kriterien für die Weiterleitung an Servicemitarbeiter sind erforderlich\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eDatenabfragen in natürlicher Sprache\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eDatenexploration für Nichtentwickler, Berichtserstellung\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eBerechtigungsverwaltung und Abfrageprüfung sind unerlässlich\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eBild- und Diagrammanalyse\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eInterpretation von Berichten, Beschreibung visueller Materialien\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eBei kleiner Schrift oder komplexen Tabellen können Fehler auftreten\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003ePDF-Verarbeitung\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eAnalyse von Verträgen, wissenschaftlichen Arbeiten, Handbüchern und Berichten\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eErgebnisse variieren je nach Seitenstruktur und OCR-Qualität\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Beispieltyp\"\u003eAnbindung externer Dienste\u003c/td\u003e\n\u003ctd data-label=\"Geeignete Anwendungsfälle\"\u003eVerbindung mit Vektor-DB, Wissensdatenbank und Such-API\u003c/td\u003e\n\u003ctd data-label=\"Zu beachten\"\u003eVerwaltung von API-Schlüsseln und Störungsmanagement müssen konzipiert werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#kriterien-f%C3%BCr-die-auswahl-eines-guten-experimentierthemas\" class=\"anchor\" id=\"kriterien-für-die-auswahl-eines-guten-experimentierthemas\"\u003e\u003c/a\u003eKriterien für die Auswahl eines guten Experimentierthemas\u003c/h2\u003e\n\u003cp\u003eBeim Lernen mit Claude Cookbooks empfiehlt es sich, statt einer „beeindruckenden Demo“ ein „kleines, überprüfbares Arbeitsproblem“ auszuwählen.\u003c/p\u003e\n\u003cp\u003eEin gutes erstes Projekt erfüllt folgende Bedingungen:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEingabe und Ausgabe sind klar definiert.\u003c/li\u003e\n\u003cli\u003eMenschen können leicht beurteilen, ob es erfolgreich ist.\u003c/li\u003e\n\u003cli\u003eEs werden keine sensiblen Informationen benötigt.\u003c/li\u003e\n\u003cli\u003eDie API-Kosten sind gering.\u003c/li\u003e\n\u003cli\u003eEin Fehlschlag wirkt sich weder auf reale Kunden noch auf Produktivsysteme aus.\u003c/li\u003e\n\u003cli\u003eDie Umsetzung ist bereits mit kleinen Änderungen am Beispielcode möglich.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eFolgende Themen eignen sich beispielsweise als Einstiegsprojekte:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e20 Kundenanfragen in 5 Kategorien einteilen\u003c/li\u003e\n\u003cli\u003eAus einem langen Sitzungsprotokoll nur Entscheidungen und Aufgaben extrahieren\u003c/li\u003e\n\u003cli\u003e5 öffentliche Dokumente eingeben und ein quellenbasiertes Q\u0026amp;A erstellen\u003c/li\u003e\n\u003cli\u003eAuf Grundlage von Produkt-FAQs einen einfachen Chatbot für den Kundenservice erstellen\u003c/li\u003e\n\u003cli\u003eFragen in natürlicher Sprache zu CSV-Beispieldaten in SQL umwandeln\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#checkliste-vor-dem-praktischen-einsatz\" class=\"anchor\" id=\"checkliste-vor-dem-praktischen-einsatz\"\u003e\u003c/a\u003eCheckliste vor dem praktischen Einsatz\u003c/h2\u003e\n\u003cp\u003eUm ein Beispiel aus Claude Cookbooks in ein reales Produkt oder internes Werkzeug zu überführen, müssen folgende Punkte geprüft werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#technische-checkliste\" class=\"anchor\" id=\"technische-checkliste\"\u003e\u003c/a\u003eTechnische Checkliste\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eWird der API-Schlüssel mithilfe von Umgebungsvariablen oder einem Secret-Management-Tool verwaltet?\u003c/li\u003e\n\u003cli\u003eWurden Vorkehrungen für fehlgeschlagene Modellaufrufe, Zeitüberschreitungen und Ratenbegrenzungen getroffen?\u003c/li\u003e\n\u003cli\u003eWerden Begrenzungen der Eingabelänge und Dateigröße berücksichtigt?\u003c/li\u003e\n\u003cli\u003eIst Code zur Validierung des Ausgabeformats vorhanden?\u003c/li\u003e\n\u003cli\u003eWird verhindert, dass sensible Informationen in Protokollen gespeichert werden?\u003c/li\u003e\n\u003cli\u003eSind ein Testdatensatz und Bewertungskriterien vorhanden?\u003c/li\u003e\n\u003cli\u003eWerden bei Änderungen der Modellversion oder des Prompts Regressionstests durchgeführt?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#qualit%C3%A4tscheckliste\" class=\"anchor\" id=\"qualitätscheckliste\"\u003e\u003c/a\u003eQualitätscheckliste\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eWird die Antwortgenauigkeit durch menschliche Stichproben geprüft?\u003c/li\u003e\n\u003cli\u003eGibt es Anweisungen zur Reduzierung unbelegter Antworten?\u003c/li\u003e\n\u003cli\u003eIst das System so konzipiert, dass es bei Unsicherheit angibt, etwas nicht zu wissen?\u003c/li\u003e\n\u003cli\u003eWerden Benutzer über die Grenzen von AI-Antworten informiert?\u003c/li\u003e\n\u003cli\u003eWird unterschieden, in welchen Fällen eine Prüfung durch Fachexperten erforderlich ist?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#checkliste-f%C3%BCr-sicherheit-und-betrieb\" class=\"anchor\" id=\"checkliste-für-sicherheit-und-betrieb\"\u003e\u003c/a\u003eCheckliste für Sicherheit und Betrieb\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGibt es Richtlinien zur Eingabe personenbezogener Daten und von Geschäftsgeheimnissen?\u003c/li\u003e\n\u003cli\u003eWird unberechtigter Datenzugriff verhindert?\u003c/li\u003e\n\u003cli\u003eWerden Schlüssel für die Anbindung externer APIs getrennt verwaltet?\u003c/li\u003e\n\u003cli\u003eGibt es Nutzungsbegrenzungen, um einen sprunghaften Kostenanstieg zu verhindern?\u003c/li\u003e\n\u003cli\u003eWurden Prompt-Injection-Angriffe durch Benutzer berücksichtigt?\u003c/li\u003e\n\u003cli\u003eGibt es bei Betriebsstörungen einen alternativen Ablauf?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#unterschied-zwischen-claude-cookbooks-und-der-offiziellen-dokumentation\" class=\"anchor\" id=\"unterschied-zwischen-claude-cookbooks-und-der-offiziellen-dokumentation\"\u003e\u003c/a\u003eUnterschied zwischen Claude Cookbooks und der offiziellen Dokumentation\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategorie\u003c/th\u003e\n\u003cth\u003eClaude Cookbooks\u003c/th\u003e\n\u003cth\u003eOffizielle Dokumentation von Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eZweck\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eImplementierungsmuster anhand von Beispielen schnell erlernen\u003c/td\u003e\n\u003ctd data-label=\"Offizielle Dokumentation von Anthropic\"\u003eAPI-Spezifikationen, Konzepte und Funktionsbeschreibungen nachschlagen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eFormat\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eSchwerpunkt auf Code, Notebooks und Beispiel-Workflows\u003c/td\u003e\n\u003ctd data-label=\"Offizielle Dokumentation von Anthropic\"\u003eSchwerpunkt auf Dokumentation, Leitfäden und Referenzen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eVorteil\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eEinfach zu kopieren, auszuführen und anzupassen\u003c/td\u003e\n\u003ctd data-label=\"Offizielle Dokumentation von Anthropic\"\u003eGut geeignet, um aktuelle Funktionen und genaue Parameter zu prüfen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eEinschränkung\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eBeispiele decken nicht alle betrieblichen Anforderungen ab\u003c/td\u003e\n\u003ctd data-label=\"Offizielle Dokumentation von Anthropic\"\u003eFür Anfänger kann der reale Implementierungsablauf abstrakt wirken\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eEmpfohlene Nutzung\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eBeim Erstellen kleiner Prototypen verwenden\u003c/td\u003e\n\u003ctd data-label=\"Offizielle Dokumentation von Anthropic\"\u003eVor der endgültigen Implementierung das API-Verhalten und die Einschränkungen prüfen\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eAm besten werden beide Materialien gemeinsam verwendet. Mit Cookbooks lässt sich der Ablauf erlernen, während in der offiziellen Dokumentation die genauen Eingabewerte, Modelloptionen und Einschränkungen der verwendeten API geprüft werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#empfohlener-lernpfad-f%C3%BCr-anf%C3%A4nger\" class=\"anchor\" id=\"empfohlener-lernpfad-für-anfänger\"\u003e\u003c/a\u003eEmpfohlener Lernpfad für Anfänger\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eFühren Sie ein Beispiel für einen grundlegenden Aufruf der Claude API aus.\u003c/li\u003e\n\u003cli\u003eLernen Sie anhand eines Beispiels zur Zusammenfassung kurzer Texte die Struktur von Prompts und Antworten kennen.\u003c/li\u003e\n\u003cli\u003eÜben Sie anhand eines Klassifizierungsbeispiels, das Ausgabeformat festzulegen.\u003c/li\u003e\n\u003cli\u003eLassen Sie das Modell anhand eines RAG-Beispiels auf Grundlage externer Dokumente antworten.\u003c/li\u003e\n\u003cli\u003eErgänzen Sie mithilfe eines Chatbot-Beispiels Gesprächskontext und Schutzmaßnahmen.\u003c/li\u003e\n\u003cli\u003eErweitern Sie das Projekt je nach Bedarf um fortgeschrittene Beispiele für Bilder, PDF-Dateien und Datenbankabfragen.\u003c/li\u003e\n\u003cli\u003eErstellen Sie einen Testsatz und messen Sie Genauigkeit, Kosten und Antwortzeit.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#h%C3%A4ufige-fehler-und-l%C3%B6sungen\" class=\"anchor\" id=\"häufige-fehler-und-lösungen\"\u003e\u003c/a\u003eHäufige Fehler und Lösungen\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eFehler\u003c/th\u003e\n\u003cth\u003eWarum ist das problematisch?\u003c/th\u003e\n\u003cth\u003eLösung\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eDer API-Schlüssel wird direkt in den Code geschrieben\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eEr kann im Repository offengelegt werden oder nach außen gelangen\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003eUmgebungsvariablen oder ein Secret-Management-Tool verwenden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eDas Beispiel wird allein aufgrund der Ergebnisse sofort in den Produktivbetrieb übernommen\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eFehlerbehandlung, Sicherheit und Kostenmanagement können fehlen\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003eAusreichend in Entwicklungs- und Staging-Umgebungen testen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eDer Prompt ist zu abstrakt formuliert\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eDie Ausgabe ist nicht konsistent\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003eRolle, Eingabe, Ausgabeformat und Verbote ausdrücklich festlegen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eDie Suchqualität von RAG wird nicht bewertet\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eIrrelevante Dokumente werden einbezogen und senken die Qualität der Antworten\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003ePräzision und Trefferquote der Suchergebnisse separat prüfen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eModellantworten werden immer als Tatsachen betrachtet\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eSie können Halluzinationen oder Missverständnisse enthalten\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003eQuellenangaben, Validierungslogik und menschliche Prüfung ergänzen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Fehler\"\u003eEs werden keine Kostengrenzen festgelegt\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das problematisch?\"\u003eWiederholte Ausführungen oder umfangreiche Eingaben können die Kosten erhöhen\u003c/td\u003e\n\u003ctd data-label=\"Lösung\"\u003eBegrenzung der Aufrufmenge, Caching und Sampling anwenden\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#fazit\" class=\"anchor\" id=\"fazit\"\u003e\u003c/a\u003eFazit\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks ist ein praxisorientiertes Material, das den Übergang von der Phase, in der die Claude API „anhand von Dokumentation verstanden“ wird, zu der Phase ermöglicht, in der man „selbst etwas damit erstellt“. Ein Vorteil besteht darin, dass sich zentrale Muster von AI-Anwendungen wie Klassifizierung, Zusammenfassung, RAG, Chatbots, Datenabfragen sowie Bild- und PDF-Verarbeitung anhand von Beispielen nachvollziehen lassen.\u003c/p\u003e\n\u003cp\u003eCookbooks ist jedoch kein fertiges Produktivsystem, sondern ein Ausgangspunkt. Für den Einsatz in realen Diensten müssen betriebliche Elemente wie Datensicherheit, Ausgabevalidierung, Kostenmanagement, Bewertungssysteme und Benutzerberechtigungen unbedingt ergänzt werden. Am sichersten und effektivsten ist es, zunächst ein kleines Notebook auszuführen und das Beispiel anschließend schrittweise an die eigenen Arbeitsdaten und Anforderungen anzupassen.\u003c/p\u003e\n","tags":["Claude API","Anthropic","KI Entwicklung","RAG","Jupyter Notebook"],"faqs":[{"question":"Was sind die Claude Cookbooks?","answer":"Die Claude Cookbooks sind eine von Anthropic auf GitHub verwaltete Sammlung von Beispielen für die Claude API. Anhand von Code und Erklärungen können Sie häufig in realen Anwendungen verwendete Muster wie Textklassifizierung, Zusammenfassung, RAG, Chatbots, Datenabfragen sowie die Verarbeitung von Bildern und PDF-Dateien erlernen."},{"question":"Was wird benötigt, um die Claude Cookbooks zu verwenden?","answer":"Grundsätzlich benötigen Sie ein Anthropic-Konto, einen Claude API-Schlüssel, eine Python-Laufzeitumgebung und ein Tool, mit dem sich Jupyter Notebooks öffnen lassen. Um die Beispiele sicher zu testen, empfiehlt es sich, zunächst Beispieldaten statt echter personenbezogener oder vertraulicher Daten zu verwenden."},{"question":"Können auch Anfänger die Claude Cookbooks verwenden?","answer":"Wenn Sie mit den Grundkonzepten von Python und API-Aufrufen vertraut sind, können Sie den Beispielen auch als Anfänger folgen. Da die meisten Beispiele im Notebook-Format mit Erklärungen und Code bereitgestellt werden, empfiehlt es sich, zunächst kleine Beispiele auszuführen und dabei die Eingabewerte und Prompts zu verändern."},{"question":"In welchen Fällen sind RAG-Beispiele nützlich?","answer":"RAG-Beispiele sind für Systeme nützlich, die Antworten auf bestimmte Quellen wie interne Unternehmensdokumente, Produkthandbücher, FAQ oder Richtliniendokumente stützen müssen. Das Modell kann so eingerichtet werden, dass es bei seinen Antworten die abgerufenen Dokumente berücksichtigt. Für zuverlässige Ergebnisse müssen jedoch auch die Qualität der Suche und die Angabe von Quellen verwaltet werden."},{"question":"Können Beispiele aus den Claude Cookbooks unverändert in einen Produktivdienst integriert werden?","answer":"Es ist nicht zu empfehlen, sie unverändert in einen Produktivdienst zu integrieren. Da die Beispiele als Ausgangspunkt zum Lernen und für Prototypen gedacht sind, müssen vor dem tatsächlichen Einsatz die Sicherheit von API-Schlüsseln, die Fehlerbehandlung, die Validierung der Ausgaben, der Schutz personenbezogener Daten, Kostenlimits, die Berechtigungsverwaltung und die Qualitätsbewertung ergänzt werden."},{"question":"Wie lassen sich die Claude Cookbooks und die offizielle Dokumentation von Anthropic sinnvoll gemeinsam nutzen?","answer":"Die Claude Cookbooks eignen sich gut, um Implementierungsabläufe und praktische Muster kennenzulernen, während die offizielle Dokumentation von Anthropic hilfreich ist, um API-Parameter, Anfrageformate, das Modellverhalten und Einschränkungen zu überprüfen. Effizient ist es, zunächst ein Beispiel aus den Cookbooks auszuführen und anschließend die Detaileinstellungen anhand der offiziellen Dokumentation zu überprüfen."},{"question":"Was ist beim Erstellen eines Chatbots mit den Claude Cookbooks am wichtigsten?","answer":"Beim Erstellen eines Chatbots sind neben der Qualität der Gespräche auch Schutzmaßnahmen wichtig. Der Chatbot sollte bei Fragen, die er nicht beantworten kann, angeben, dass er die Antwort nicht kennt, sensible Anfragen einschränken und bei Bedarf einen Ablauf vorsehen, der an einen menschlichen Kundenberater oder ein separates Verfahren weiterleitet."},{"question":"Sind Beispiele für Datenbankabfragen in natürlicher Sprache sicher?","answer":"Datenbankabfragen in natürlicher Sprache sind praktisch, bergen jedoch Sicherheitsrisiken. Vom Modell erstellte Abfragen sollten nicht direkt in einer Produktivdatenbank ausgeführt werden. Stattdessen sollten Nur-Lese-Berechtigungen, Beschränkungen auf zulässige Tabellen, die Validierung von Abfragen, Limits für umfangreiche Abfragen und die Maskierung sensibler Daten eingerichtet werden."},{"question":"Was ist bei der Verwendung von Beispielen zur Verarbeitung von Bildern oder PDF-Dateien zu beachten?","answer":"Bei der Verarbeitung von Bildern und PDF-Dateien können die Ergebnisse je nach Auflösung, Tabellenstruktur, Schriftgröße und Scanqualität variieren. Insbesondere Informationen, bei denen Genauigkeit entscheidend ist, etwa Zahlenwerte oder Vertragsbedingungen, sollten anhand des Originaldokuments oder mit einem separaten Extraktionstool gegengeprüft werden."}],"sources":[{"url":"https://github.com/anthropics/claude-cookbooks","title":"GitHub-Repository der Anthropic Claude Cookbooks","type":"source"},{"url":"https://docs.anthropic.com/en/api/getting-started","title":"Erste Schritte mit der Anthropic API","type":"source"},{"url":"https://docs.anthropic.com/en/api/messages","title":"Referenz zur Anthropic Messages API","type":"source"},{"url":"https://docs.jupyter.org/en/latest/","title":"Jupyter-Dokumentation","type":"source"},{"url":"https://docs.pinecone.io/","title":"Pinecone-Dokumentation","type":"source"}],"images":[{"id":228,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIyNywicHVyIjoiYmxvYl9pZCJ9fQ==--3ca306095526f2389751e0dcf66e7ee3d2ac373e/ai-6427b734.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"코드 편집기와 요리책, AI 두뇌가 문서·데이터베이스와 연결된 개발 예제 일러스트","caption":"Claude Cookbooks가 API 예제와 자료를 연결해 실습 흐름을 보여준다.","description":null},"en":{"alt":"Laptop code editor with an open cookbook, AI brain, documents, chat, files, and database icons","caption":"The illustration frames Claude Cookbooks as connected API examples and resources.","description":null},"ja":{"alt":"コードエディタのノートPCと開いた料理本、AIの脳、文書やデータベースのアイコン","caption":"Claude Cookbooksの実践例が資料やデータとつながる様子を示している。","description":null},"es":{"alt":"Portátil con editor de código, recetario abierto, cerebro de IA e iconos de documentos y datos","caption":"La ilustración presenta Claude Cookbooks como ejemplos de API conectados a recursos.","description":null},"id":{"alt":"Laptop dengan editor kode, buku resep terbuka, otak AI, serta ikon dokumen, chat, file, dan basis data","caption":"Ilustrasi ini menggambarkan Claude Cookbooks sebagai contoh API yang terhubung dengan berbagai sumber.","description":null},"pt":{"alt":"Laptop com editor de código, livro de receitas aberto, cérebro de IA e ícones de documentos e dados","caption":"A ilustração mostra o Claude Cookbooks como exemplos de API conectados a recursos.","description":null},"zh-hant":{"alt":"筆電程式碼編輯器、打開的食譜、AI 大腦，以及文件、聊天與資料庫圖示","caption":"這張插圖呈現 Claude Cookbooks 將 API 範例與各種資源串連起來。","description":null},"de":{"alt":"Illustration eines Entwicklungsbeispiels, in dem ein Code-Editor, ein Kochbuch und ein AI-Gehirn mit Dokumenten und Datenbanken verbunden sind","caption":"Claude Cookbooks verbindet API-Beispiele und Materialien und zeigt so den praktischen Ablauf.","description":null}}},{"id":229,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIzMywicHVyIjoiYmxvYl9pZCJ9fQ==--9b39561d755d91d179630b86135f6cb98802fb15/ai-4269afa5.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"코드 화면과 데이터 카드가 중앙 클라우드 API를 거쳐 여러 기능으로 연결되는 일러스트","caption":"Claude API 예제가 코드, 보안, 검색, 문서, 분석, 채팅 흐름으로 시각화되어 있습니다.","description":null},"en":{"alt":"Code interface and data cards flowing through a central cloud API to multiple tools","caption":"The illustration visualizes Claude API workflows for search, documents, analytics, and chat.","description":null},"ja":{"alt":"コード画面とデータカードが中央のクラウドAPIを通って各機能へつながる図","caption":"Claude APIの実用例が検索、文書、分析、チャットの流れとして描かれています。","description":null},"es":{"alt":"Interfaz de código y tarjetas de datos conectadas a herramientas mediante una API en la nube","caption":"La ilustración muestra flujos de la API de Claude para búsqueda, documentos, análisis y chat.","description":null},"id":{"alt":"Antarmuka kode dan kartu data mengalir melalui API cloud pusat ke berbagai fitur","caption":"Ilustrasi ini memvisualisasikan alur Claude API untuk pencarian, dokumen, analitik, dan chat.","description":null},"pt":{"alt":"Interface de código e cartões de dados passando por uma API em nuvem para várias ferramentas","caption":"A ilustração mostra fluxos da API Claude para busca, documentos, análise e chat.","description":null},"zh-hant":{"alt":"程式碼介面與資料卡透過中央雲端 API 連接到多種工具","caption":"插圖呈現 Claude API 在搜尋、文件、分析與聊天中的工作流程。","description":null},"de":{"alt":"Illustration, in der eine Codeansicht und Datenkarten über eine zentrale Cloud-API mit verschiedenen Funktionen verbunden sind","caption":"Claude API-Beispiele werden als Abläufe für Code, Sicherheit, Suche, Dokumente, Analyse und Chat visualisiert.","description":null}}}],"published_at":"2026-07-19T22:54:40+09:00","updated_at":"2026-07-19T22:54:40+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/claude-cookbooks-api-examples-guide"}