---
title: "Claude Cookbooks: Offizielle GitHub-Ressource für einen schnellen Einstieg in Praxisbeispiele mit Claude API"
locale: de
category: tutorial
category_name: "Tutorial"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/claude-cookbooks-api-examples-guide
published_at: 2026-07-19T22:54:40+09:00
---

# Claude Cookbooks: Offizielle GitHub-Ressource für einen schnellen Einstieg in Praxisbeispiele mit Claude API

> 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.

## 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.

## Was sind Claude Cookbooks?

Claude 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.

Die 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.

Nach 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.

## Zentrale Begriffe

| Begriff | Bedeutung | Rolle in Claude Cookbooks |
|---|---|---|
| Claude API | API zum Aufrufen der Claude-Modelle von Anthropic in Anwendungen | Zentrale Schnittstelle, die vom Beispielcode aufgerufen wird |
| Cookbook | Sammlung beispielorientierter Dokumente und Codes zur Lösung eines bestimmten Problems | Lernmethode, bei der funktionsbezogene Beispiele kopiert und angepasst werden |
| 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 |
| 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 |
| 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 |

## Welche Probleme lassen sich damit lösen?

Der 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.

### 1. Textklassifizierung und Routing

Es 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.

Bei der praktischen Anwendung sollten folgende Punkte geprüft werden:

- Sind die Klassifizierungskriterien klar definiert?
- Sind für mehrdeutige Eingaben sichere Ausgaben wie „Sonstiges“ oder „Prüfung erforderlich“ zulässig?
- Liegt die Modellausgabe stets in einem für nachgelagerte Systeme leicht lesbaren Format wie JSON, Label oder Punktzahl vor?
- Wurde die Fehlklassifizierungsrate anhand realer Daten gemessen?

### 2. Zusammenfassung und Informationsextraktion

Claude 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:

- Zentrale Aussagen extrahieren
- Aufgabenlisten erstellen
- Risiken und Entscheidungen voneinander trennen
- Felder wie Datum, Betrag und zuständige Person aus Dokumenten extrahieren
- Gemeinsamkeiten und Unterschiede mehrerer Dokumente zusammenstellen

Bei der Verwendung von Zusammenfassungsbeispielen ist es zuverlässiger, „Zielgruppe, Länge, aufzunehmende Punkte und auszuschließende Punkte“ klar anzugeben, statt lediglich „Fasse es kurz zusammen“ zu schreiben.

### 3. RAG-basierte Fragebeantwortung

RAG 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.

Ein typischer RAG-Ablauf sieht folgendermaßen aus:

1. Dokumente werden in kleine Einheiten aufgeteilt.
2. Jedes Fragment wird eingebettet oder in einer durchsuchbaren Form gespeichert.
3. Es werden Dokumentfragmente gesucht, die für die Frage des Benutzers relevant sind.
4. Die Suchergebnisse werden als Quellenmaterial in den Claude-Prompt eingefügt.
5. Claude antwortet auf Grundlage dieses Quellenmaterials.
6. Die verwendeten Quellen, Einschränkungen und Unsicherheiten werden zusammen mit der Antwort angegeben.

RAG 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.

### 4. Chatbot für den Kundenservice

Die 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.

Ein praxisorientierter Chatbot benötigt folgende Elemente:

- Klassifizierung der Absicht hinter der Benutzerfrage
- Einschränkung verbotener Antworten oder rechtlich, medizinisch beziehungsweise finanziell hochriskanter Antworten
- Bei Bedarf Weiterleitung an einen Servicemitarbeiter
- Speicherung des Gesprächsverlaufs und Minimierung personenbezogener Daten
- Bewertung der Modellantworten und Protokollüberwachung

Der Beispielcode ist lediglich ein Ausgangspunkt. Für den Einsatz im tatsächlichen Kundenservice müssen Sicherheit, Datenschutz, Störungsmanagement und Verantwortungsbereiche separat konzipiert werden.

### 5. Datenbankabfragen in natürlicher Sprache

Es 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.

Für eine sichere Verwendung sind folgende Maßnahmen erforderlich:

- Verwendung eines schreibgeschützten Kontos
- Zugriff nur auf erlaubte Tabellen und Spalten
- Prüfung der generierten Abfrage vor der Ausführung
- Begrenzung umfangreicher Abfragen
- Maskierung sensibler Informationen
- Sperrung von Daten, für die der Benutzer keine Zugriffsberechtigung besitzt

Vom Modell generiertes SQL unverändert in einer Produktionsdatenbank auszuführen, ist riskant. In der Beispielphase empfiehlt es sich, eine Beispieldatenbank oder eine isolierte Entwicklungsumgebung zu verwenden.

### 6. Verarbeitung von Bildern, Diagrammen und PDF-Dateien

Mithilfe 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.

Die 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.

## Vorbereitungen vor dem Einstieg in Claude Cookbooks

### Erforderliche Voraussetzungen

| Voraussetzung | Beschreibung |
|---|---|
| Anthropic-Konto | Für die Nutzung der Claude API ist ein Konto erforderlich. |
| API-Schlüssel | Wird vom Beispielcode beim Aufruf der Claude API verwendet. Der Schlüssel sollte nicht direkt im Code offengelegt werden. |
| Python-Umgebung | Viele Beispiele werden auf Basis von Python ausgeführt. |
| Jupyter Notebook oder eine vergleichbare Umgebung | Notebook-Dateien müssen geöffnet und zellenweise ausgeführt werden können. |
| Testdaten | Es ist sicherer, zunächst mit Beispieldaten zu experimentieren, statt sofort reale personenbezogene Daten oder sensible Dokumente einzugeben. |

### Empfohlene Voraussetzungen

- Grundkenntnisse im Umgang mit Git und GitHub
- Verfahren zur Verwaltung von Umgebungsvariablen
- Gewohnheit, API-Kosten und Nutzung zu überwachen
- Verfahren zur Versionsverwaltung von Prompts
- Liste mit Testeingaben und erwarteten Ausgaben
- Richtlinien für den Umgang mit sensiblen Informationen

## Grundlegende Schritte zum Nachmachen

Wenn 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.

### Schritt 1: Struktur des Repositorys überblicken

Prüfen 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.

### Schritt 2: Mit dem kleinsten Beispiel beginnen

Wenn 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.

### Schritt 3: Eingabedaten an das eigene Problem anpassen

Führen 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.

### Schritt 4: Ausgabeformat festlegen

Bei 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.

Für Klassifizierungsaufgaben sind beispielsweise folgende Ausgaberegeln nützlich:

```text
Die Ausgabe darf nur als JSON verfasst werden.
Es dürfen nur die drei Felder category, confidence und reason verwendet werden.
category muss einen der Werte refund, delivery, technical_support, account oder other haben.
```

### Schritt 5: Fehlerfälle sammeln

Es 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.

Tests der folgenden Arten helfen bei der Qualitätsbewertung:

- Eingaben mit eindeutiger richtiger Antwort
- Eingaben mit mehrdeutiger Absicht
- Eingaben, deren Antwort nicht im Quelldokument enthalten ist
- Eingaben, bei denen das Modell leicht zu Vermutungen neigt
- Sehr lange Eingaben
- Eingaben mit sensiblen Informationen
- Eingaben mit der Anweisung, Regeln zu ignorieren

## Nutzungshinweise nach Beispieltyp

| Beispieltyp | Geeignete Anwendungsfälle | Zu beachten |
|---|---|---|
| Klassifizierung | Routing von Anfragen, Tagging von Rezensionen, Dokumentklassifizierung | Bei unklaren Label-Definitionen können die Ergebnisse schwanken |
| Zusammenfassung | Zusammenfassung von Sitzungsprotokollen, Artikeln, Berichten und Kundengesprächen | Wichtige Zahlen und Personennamen müssen mit dem Originaltext abgeglichen werden |
| RAG | Suche in internen Dokumenten, Produkt-FAQs, Antworten zu Richtlinien | Bei schlechter Suchqualität schwanken auch die Modellantworten |
| Chatbot | Kundenservice, Arbeitsassistent, Lerntutor | Schutzmaßnahmen und Kriterien für die Weiterleitung an Servicemitarbeiter sind erforderlich |
| Datenabfragen in natürlicher Sprache | Datenexploration für Nichtentwickler, Berichtserstellung | Berechtigungsverwaltung und Abfrageprüfung sind unerlässlich |
| Bild- und Diagrammanalyse | Interpretation von Berichten, Beschreibung visueller Materialien | Bei kleiner Schrift oder komplexen Tabellen können Fehler auftreten |
| PDF-Verarbeitung | Analyse von Verträgen, wissenschaftlichen Arbeiten, Handbüchern und Berichten | Ergebnisse variieren je nach Seitenstruktur und OCR-Qualität |
| Anbindung externer Dienste | Verbindung mit Vektor-DB, Wissensdatenbank und Such-API | Verwaltung von API-Schlüsseln und Störungsmanagement müssen konzipiert werden |

## Kriterien für die Auswahl eines guten Experimentierthemas

Beim Lernen mit Claude Cookbooks empfiehlt es sich, statt einer „beeindruckenden Demo“ ein „kleines, überprüfbares Arbeitsproblem“ auszuwählen.

Ein gutes erstes Projekt erfüllt folgende Bedingungen:

- Eingabe und Ausgabe sind klar definiert.
- Menschen können leicht beurteilen, ob es erfolgreich ist.
- Es werden keine sensiblen Informationen benötigt.
- Die API-Kosten sind gering.
- Ein Fehlschlag wirkt sich weder auf reale Kunden noch auf Produktivsysteme aus.
- Die Umsetzung ist bereits mit kleinen Änderungen am Beispielcode möglich.

Folgende Themen eignen sich beispielsweise als Einstiegsprojekte:

- 20 Kundenanfragen in 5 Kategorien einteilen
- Aus einem langen Sitzungsprotokoll nur Entscheidungen und Aufgaben extrahieren
- 5 öffentliche Dokumente eingeben und ein quellenbasiertes Q&A erstellen
- Auf Grundlage von Produkt-FAQs einen einfachen Chatbot für den Kundenservice erstellen
- Fragen in natürlicher Sprache zu CSV-Beispieldaten in SQL umwandeln

## Checkliste vor dem praktischen Einsatz

Um ein Beispiel aus Claude Cookbooks in ein reales Produkt oder internes Werkzeug zu überführen, müssen folgende Punkte geprüft werden.

### Technische Checkliste

- Wird der API-Schlüssel mithilfe von Umgebungsvariablen oder einem Secret-Management-Tool verwaltet?
- Wurden Vorkehrungen für fehlgeschlagene Modellaufrufe, Zeitüberschreitungen und Ratenbegrenzungen getroffen?
- Werden Begrenzungen der Eingabelänge und Dateigröße berücksichtigt?
- Ist Code zur Validierung des Ausgabeformats vorhanden?
- Wird verhindert, dass sensible Informationen in Protokollen gespeichert werden?
- Sind ein Testdatensatz und Bewertungskriterien vorhanden?
- Werden bei Änderungen der Modellversion oder des Prompts Regressionstests durchgeführt?

### Qualitätscheckliste

- Wird die Antwortgenauigkeit durch menschliche Stichproben geprüft?
- Gibt es Anweisungen zur Reduzierung unbelegter Antworten?
- Ist das System so konzipiert, dass es bei Unsicherheit angibt, etwas nicht zu wissen?
- Werden Benutzer über die Grenzen von AI-Antworten informiert?
- Wird unterschieden, in welchen Fällen eine Prüfung durch Fachexperten erforderlich ist?

### Checkliste für Sicherheit und Betrieb

- Gibt es Richtlinien zur Eingabe personenbezogener Daten und von Geschäftsgeheimnissen?
- Wird unberechtigter Datenzugriff verhindert?
- Werden Schlüssel für die Anbindung externer APIs getrennt verwaltet?
- Gibt es Nutzungsbegrenzungen, um einen sprunghaften Kostenanstieg zu verhindern?
- Wurden Prompt-Injection-Angriffe durch Benutzer berücksichtigt?
- Gibt es bei Betriebsstörungen einen alternativen Ablauf?

## Unterschied zwischen Claude Cookbooks und der offiziellen Dokumentation

| Kategorie | Claude Cookbooks | Offizielle Dokumentation von Anthropic |
|---|---|---|
| Zweck | Implementierungsmuster anhand von Beispielen schnell erlernen | API-Spezifikationen, Konzepte und Funktionsbeschreibungen nachschlagen |
| Format | Schwerpunkt auf Code, Notebooks und Beispiel-Workflows | Schwerpunkt auf Dokumentation, Leitfäden und Referenzen |
| Vorteil | Einfach zu kopieren, auszuführen und anzupassen | Gut geeignet, um aktuelle Funktionen und genaue Parameter zu prüfen |
| Einschränkung | Beispiele decken nicht alle betrieblichen Anforderungen ab | Für Anfänger kann der reale Implementierungsablauf abstrakt wirken |
| Empfohlene Nutzung | Beim Erstellen kleiner Prototypen verwenden | Vor der endgültigen Implementierung das API-Verhalten und die Einschränkungen prüfen |

Am 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.

## Empfohlener Lernpfad für Anfänger

1. Führen Sie ein Beispiel für einen grundlegenden Aufruf der Claude API aus.
2. Lernen Sie anhand eines Beispiels zur Zusammenfassung kurzer Texte die Struktur von Prompts und Antworten kennen.
3. Üben Sie anhand eines Klassifizierungsbeispiels, das Ausgabeformat festzulegen.
4. Lassen Sie das Modell anhand eines RAG-Beispiels auf Grundlage externer Dokumente antworten.
5. Ergänzen Sie mithilfe eines Chatbot-Beispiels Gesprächskontext und Schutzmaßnahmen.
6. Erweitern Sie das Projekt je nach Bedarf um fortgeschrittene Beispiele für Bilder, PDF-Dateien und Datenbankabfragen.
7. Erstellen Sie einen Testsatz und messen Sie Genauigkeit, Kosten und Antwortzeit.

## Häufige Fehler und Lösungen

| Fehler | Warum ist das problematisch? | Lösung |
|---|---|---|
| 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 |
| 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 |
| Der Prompt ist zu abstrakt formuliert | Die Ausgabe ist nicht konsistent | Rolle, Eingabe, Ausgabeformat und Verbote ausdrücklich festlegen |
| Die Suchqualität von RAG wird nicht bewertet | Irrelevante Dokumente werden einbezogen und senken die Qualität der Antworten | Präzision und Trefferquote der Suchergebnisse separat prüfen |
| Modellantworten werden immer als Tatsachen betrachtet | Sie können Halluzinationen oder Missverständnisse enthalten | Quellenangaben, Validierungslogik und menschliche Prüfung ergänzen |
| Es werden keine Kostengrenzen festgelegt | Wiederholte Ausführungen oder umfangreiche Eingaben können die Kosten erhöhen | Begrenzung der Aufrufmenge, Caching und Sampling anwenden |

## Fazit

Claude 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.

Cookbooks 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.

## FAQ

### Was sind die Claude Cookbooks?
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.

### Was wird benötigt, um die Claude Cookbooks zu verwenden?
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.

### Können auch Anfänger die Claude Cookbooks verwenden?
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.

### In welchen Fällen sind RAG-Beispiele nützlich?
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.

### Können Beispiele aus den Claude Cookbooks unverändert in einen Produktivdienst integriert werden?
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.

### Wie lassen sich die Claude Cookbooks und die offizielle Dokumentation von Anthropic sinnvoll gemeinsam nutzen?
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.

### Was ist beim Erstellen eines Chatbots mit den Claude Cookbooks am wichtigsten?
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.

### Sind Beispiele für Datenbankabfragen in natürlicher Sprache sicher?
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.

### Was ist bei der Verwendung von Beispielen zur Verarbeitung von Bildern oder PDF-Dateien zu beachten?
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

- [GitHub-Repository der Anthropic Claude Cookbooks](https://github.com/anthropics/claude-cookbooks)
- [Erste Schritte mit der Anthropic API](https://docs.anthropic.com/en/api/getting-started)
- [Referenz zur Anthropic Messages API](https://docs.anthropic.com/en/api/messages)
- [Jupyter-Dokumentation](https://docs.jupyter.org/en/latest/)
- [Pinecone-Dokumentation](https://docs.pinecone.io/)

## Images

![Illustration eines Entwicklungsbeispiels, in dem ein Code-Editor, ein Kochbuch und ein AI-Gehirn mit Dokumenten und Datenbanken verbunden sind](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIyNywicHVyIjoiYmxvYl9pZCJ9fQ==--3ca306095526f2389751e0dcf66e7ee3d2ac373e/ai-6427b734.webp)
![Illustration, in der eine Codeansicht und Datenkarten über eine zentrale Cloud-API mit verschiedenen Funktionen verbunden sind](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIzMywicHVyIjoiYmxvYl9pZCJ9fQ==--9b39561d755d91d179630b86135f6cb98802fb15/ai-4269afa5.webp)