{"content_id":"9irr9ff11n","slug":"claude-cookbooks-api-examples-guide","locale":"es","schema_type":"TechArticle","category":"tutorial","category_name":"Tutorial","title":"Claude Libros de recetas: Claude Material oficial de GitHub para seguir rápidamente ejemplos prácticos de la API","summary":"Claude Cookbooks es un repositorio de ejemplos en GitHub gestionado por Anthropic, que permite aprender a programar patrones prácticos como la clasificación, el resumen, RAG, chatbots y procesamiento de documentos e imágenes utilizando la API de Claude. Si te resulta difícil empezar solo con la documentación oficial, copiar los ejemplos de los cuadernos y adaptarlos a proyectos pequeños es un buen punto de partida.","author":{"name":"Equipo editorial de Injoys","url":"https://injoys.com/ko/about"},"key_points":["Claude Cookbooks es una recopilación oficial de ejemplos que ayuda a los usuarios de la API de Claude a comprender rápidamente los patrones de desarrollo reales.","Los ejemplos principales abordan tareas que se utilizan con frecuencia en la práctica profesional, como la clasificación de textos, la síntesis, RAG, los chatbots de atención al cliente, la consulta de datos basada en el lenguaje natural y el procesamiento de imágenes, gráficos y archivos PDF.","La mayor parte del material está en formato Jupyter Notebook, que incluye explicaciones y código ejecutable, por lo que resulta ideal para realizar experimentos paso a paso.","Lo más seguro es preparar la clave API, el entorno de ejecución de Python, la gestión de costes y los principios de seguridad de los datos, y empezar a ejecutar pequeños ejemplos.","Los ejemplos de los libros de recetas resultan más útiles cuando se adaptan —los datos de entrada, las indicaciones, el tratamiento de errores y los criterios de evaluación— a los objetivos del proyecto, en lugar de copiarlos tal cual."],"content_markdown":"## ¿Qué son los «Claude Cookbooks»?\n\nLos «Claude Cookbooks» son un repositorio de ejemplos de la API de Claude que Anthropic gestiona en GitHub. Tal y como su nombre indica, al igual que un «libro de recetas», se trata de un recurso que recopila fragmentos de código y guías paso a paso que sirven de referencia a la hora de implementar funciones específicas.\n\nAunque la documentación oficial de la API es muy útil para comprender los conceptos y las especificaciones, a quienes se inician en el desarrollo les puede quedar la duda: «¿Y cómo lo aplico en mi código?». Claude Cookbooks reduce esta brecha. Muestra ejemplos prácticos de tareas que suelen surgir en servicios reales, como la clasificación de texto, el resumen, RAG, los chatbots y el procesamiento de documentos.\n\nSegún los datos proporcionados por los administradores, este repositorio es un proyecto muy popular que ha recibido decenas de miles de estrellas en GitHub y puede servir como punto de partida práctico para desarrolladores y planificadores que deseen experimentar con la API de Claude.\n\n## Definiciones clave\n\n| Término | Significado | Función en Claude Cookbooks |\n|---|---|---|\n| API de Claude | API para invocar el modelo Claude de Anthropic en una aplicación | Interfaz principal a la que recurre el código de ejemplo |\n| Cookbook | Recopilación de documentos y código centrados en ejemplos para resolver problemas específicos | Método de aprendizaje mediante la copia y modificación de ejemplos por función |\n| Jupyter Notebook | Formato de documento interactivo que permite gestionar explicaciones, código y resultados de ejecución en un solo archivo | Ideal para ejecutar los ejemplos línea a línea y comprobar los resultados |\n| RAG | Retrieval-Augmented Generation: método que busca información en fuentes externas para utilizarla en las respuestas del modelo | Se utiliza en sistemas de respuesta basados en documentos internos, bases de conocimiento y preguntas frecuentes |\n| Base de datos vectorial | Repositorio que almacena documentos como vectores semánticos y realiza búsquedas en función de la similitud | Se utiliza para implementar RAG conectándose a servicios externos como Pinecone |\n\n## ¿Qué problemas se pueden resolver?\n\n⁣El valor de INJX12⁣ Cookbooks radica en que va más allá de «cómo invocar un modelo» y muestra «cómo integrar el modelo en flujos de trabajo reales». Los temas de los ejemplos están relacionados con los siguientes escenarios de aplicación.\n\n### 1. Clasificación y enrutamiento de texto\n\nSe puede utilizar para clasificar consultas de clientes, reseñas, documentos y correos electrónicos en categorías predefinidas. Por ejemplo, en un sistema de atención al cliente, se puede dividir el contenido de las consultas en «reembolsos», «envíos», «soporte técnico» y «problemas con la cuenta», y reenviarlas automáticamente al equipo responsable.\n\nA la hora de aplicarlo en la práctica, hay que tener en cuenta lo siguiente:\n\n- ¿Se han definido claramente los criterios de clasificación?\n- ¿Se permiten resultados seguros, como «Otros» o «Necesita verificación», para entradas ambiguas?\n- ¿Los resultados del modelo están siempre en un formato fácil de leer para los sistemas posteriores, como JSON, etiquetas o puntuaciones?\n- ¿Se ha medido la tasa de clasificación errónea con datos reales?\n\n### 2. Resumen y extracción de información\n\nTambién resulta adecuado para extraer el contenido esencial de documentos largos, actas de reuniones, artículos o registros de conversaciones con clientes. No se limita a un simple resumen, sino que puede ampliarse a tareas de estructuración como las siguientes:\n\n- Extracción de argumentos clave\n- Creación de listas de tareas pendientes\n- Separación de riesgos y decisiones\n- Extracción de campos del documento, como fechas, importes o personas responsables\n- Resumen de los puntos en común y las diferencias entre varios documentos\n\nAl utilizar ejemplos de resumen, es más fiable especificar claramente «el público objetivo, la extensión, los elementos que deben incluirse y los que deben excluirse» en lugar de limitarse a pedir «resúmelo brevemente».\n\n### 3. Preguntas y respuestas basadas en RAG\n\nRAG es un patrón en el que el modelo no responde basándose únicamente en su propio conocimiento, sino que busca la información relevante en los documentos proporcionados por el usuario o en datos externos antes de dar una respuesta. Es especialmente importante para servicios en los que las respuestas deben basarse en manuales internos de la empresa, documentación de productos, documentos normativos o bases de conocimiento.\n\nEl flujo habitual de RAG es el siguiente:\n\n1. Se divide el documento en fragmentos pequeños.\n2. Se almacenan los fragmentos en un formato de incrustación o que permita su búsqueda.\n3. Se buscan fragmentos de documentos relacionados con la pregunta del usuario.\n4. Se introducen los resultados de la búsqueda en el prompt de Claude como material de referencia.\n5. Claude responde basándose en dicha información.\n6. Se muestran junto con la respuesta las fuentes utilizadas, las limitaciones y la incertidumbre.\n\nRAG no elimina por completo las alucinaciones. Por lo tanto, es recomendable incluir restricciones como «responde que no sabes lo que no figure en las fuentes proporcionadas» o «muestra el nombre del documento de referencia en cada respuesta» tanto en la indicación como en la lógica de la aplicación.\n\n### 4. Chatbot de atención al cliente\n\n⁣Los ejemplos de los Cookbooks de INJX12⁣ también pueden servir de referencia a la hora de crear un chatbot que responda a las consultas de los clientes. Un chatbot básico debe mantener el contexto de la conversación, consultar documentos de políticas o preguntas frecuentes (FAQ) e identificar la intención del usuario.\n\nUn chatbot orientado a la práctica requiere los siguientes elementos:\n\n- Clasificación de la intención de la pregunta del usuario\n- Restricción de respuestas prohibidas o de alto riesgo en ámbitos legal, médico o financiero\n- Conexión con un agente de atención al cliente cuando sea necesario\n- Almacenamiento del historial de conversaciones y minimización de los datos personales\n- Evaluación de las respuestas del modelo y supervisión de los registros\n\nEl código de ejemplo es solo un punto de partida; para implementarlo en un servicio de atención al cliente real, es necesario diseñar por separado aspectos como la seguridad, la protección de datos personales, la gestión de fallos y el ámbito de responsabilidad.\n\n### 5. Consultas a bases de datos basadas en lenguaje natural\n\nTambién existe un patrón en el que, al formular una pregunta en lenguaje natural —como «Muéstrame los 10 productos con mayor facturación del mes pasado»—, se genera y ejecuta una consulta SQL o de recuperación de datos. Este método permite que incluso quienes no son desarrolladores puedan explorar los datos, pero conlleva un gran riesgo de seguridad.\n\nPara utilizarlo de forma segura, es necesario lo siguiente:\n\n- Utilizar cuentas de solo lectura\n- Permitir el acceso únicamente a las tablas y columnas autorizadas\n- Verificar las consultas generadas antes de ejecutarlas\n- Limitar las consultas masivas\n- Ocultar la información sensible\n- Bloquear los datos a los que el usuario no tiene permiso de acceso\n\nEs peligroso ejecutar directamente en la base de datos operativa el código SQL generado por el modelo. En la fase de prueba, es recomendable utilizar una base de datos de muestra o un entorno de desarrollo aislado.\n\n### 6. Procesamiento de imágenes, gráficos y PDF\n\n⁣Aprovechando las funciones multimodales de INJX12⁣, es posible describir imágenes o gráficos, así como leer y estructurar la información de archivos PDF. Por ejemplo, se pueden extraer las cifras clave de un informe en PDF o hacer que el modelo explique qué tendencia muestra un gráfico.\n\nSin embargo, el procesamiento de material visual tiene sus limitaciones. Pueden producirse errores con letras pequeñas, tablas complejas, baja resolución o imágenes recortadas. Si se trata de una tarea en la que las cifras son importantes, es necesario realizar una verificación cruzada con los datos originales.\n\n## ⁣Lo que hay que preparar antes de empezar con los «Cookbooks» de Claude\n\n### Elementos imprescindibles\n\n| Elemento | Descripción |\n|---|---|\n| Cuenta de Anthropic | Se necesita una cuenta para utilizar la API de Claude. |\n| Clave de API | Se utiliza cuando el código de ejemplo llama a la API de Claude. Se recomienda no exponer la clave directamente en el código. |\n| Entorno de Python | Muchos ejemplos se ejecutan en Python. |\n| Jupyter Notebook o un entorno similar | Debe ser posible abrir archivos de cuaderno y ejecutarlos celda por celda. |\n| Datos de prueba | Es más seguro experimentar primero con datos de muestra en lugar de introducir directamente datos personales reales o documentos confidenciales. |\n\n### Requisitos recomendados\n\n- Conocimientos básicos sobre Git y GitHub\n- Cómo gestionar las variables de entorno\n- Hábito de supervisar los costes y el uso de la API\n- Método de gestión de versiones de los prompts\n- Lista de entradas de prueba y resultados esperados\n- Criterios para el tratamiento de información sensible\n\n## Pasos básicos para seguir el tutorial\n\n⁣Si es la primera vez que te acercas a los Cookbooks de INJX12⁣, en lugar de intentar comprender todo el repositorio de una sola vez, es mejor que elijas un ejemplo y lo ejecutes hasta el final.\n\n### Paso 1: Echar un vistazo a la estructura del repositorio\n\nEn el repositorio de GitHub, comprueba primero los títulos de los ejemplos, los nombres de las carpetas y el archivo README. Busca un ejemplo que se acerque a la funcionalidad que deseas crear. Por ejemplo, si quieres crear un chatbot para buscar documentos internos, los ejemplos relacionados con RAG o con la búsqueda de documentos tendrán prioridad.\n\n### Paso 2: Ejecutar el ejemplo más sencillo\n\nSi eliges desde el principio un ejemplo que incluya una base de datos vectorial, procesamiento de PDF y integración con API externas, te resultará difícil localizar el origen de los errores. Empieza por ejemplos sencillos, como la consulta de mensajes, el resumen o la clasificación, para comprobar que la clave de la API y el entorno de ejecución funcionan correctamente.\n\n### Paso 3: Adaptar los datos de entrada a tu problema\n\nEjecuta primero los datos de ejemplo tal cual y, a continuación, sustitúyelos por pequeños datos de prueba similares a los de tu trabajo. En este momento, es recomendable no incluir datos sensibles, como información real de clientes, números de identificación personal, datos de pago o secretos comerciales.\n\n### Paso 4: Establecer un formato de salida fijo\n\nPara conectarse a un sistema operativo, resulta complicado trabajar si las respuestas del modelo se presentan cada vez únicamente en forma de frases libres. Se requiere un formato que el código posterior pueda procesar, como JSON, etiquetas estándar, puntuaciones o elementos de resumen.\n\nPor ejemplo, en tareas de clasificación resultan útiles las siguientes reglas de salida.\n\n```text\nLa salida se redactará únicamente en formato JSON.\nSolo se utilizarán tres campos: category, confidence y reason.\ncategory debe ser uno de los siguientes: refund, delivery, technical_support, account u other.\n```\n\n### Paso 5: Recopilar casos de fallo\n\nNo basta con fijarse únicamente en las entradas en las que los ejemplos funcionan bien. En un servicio real surgen diversos problemas, como preguntas breves, preguntas ambiguas, indicaciones malintencionadas, errores ortográficos, entradas en varios idiomas o documentos incompletos.\n\nPreparar los siguientes tipos de pruebas resulta útil para evaluar la calidad:\n\n- Entradas con una respuesta correcta clara\n- Entradas con una intención ambigua\n- Entradas para las que no hay respuesta en la documentación de referencia\n- Entradas que el modelo puede adivinar fácilmente\n- Entradas muy largas\n- Entradas que contienen información sensible\n- Entradas que indican que se ignoren las reglas\n\n## Puntos clave según el tipo de ejemplo\n\n| Tipo de ejemplo | Casos de uso adecuados | Aspectos a tener en cuenta |\n|---|---|---|\n| Clasificación | Enrutamiento de consultas, etiquetado de reseñas, clasificación de documentos | Si la definición de las etiquetas no es clara, los resultados pueden ser inconsistentes |\n| Resumen | Actas de reuniones, artículos, informes, resumen de conversaciones con clientes | Es necesario contrastar las cifras y los nombres propios importantes con el texto original |\n| RAG | Búsqueda de documentos internos, preguntas frecuentes sobre productos, respuestas sobre políticas | Si la calidad de la búsqueda es baja, las respuestas del modelo también serán inconsistentes |\n| Chatbot | Atención al cliente, asistente de trabajo, tutor educativo | Se necesitan medidas de seguridad y criterios para la conexión con los agentes |\n| Consulta de datos en lenguaje natural | Exploración de datos para no desarrolladores, generación de informes | Es imprescindible la gestión de permisos y la validación de consultas |\n| Análisis de imágenes y gráficos | Interpretación de informes, explicación de material visual | Existe la posibilidad de errores en letras pequeñas o tablas complejas |\n| Procesamiento de PDF | Análisis de contratos, artículos académicos, manuales e informes | Los resultados varían en función de la estructura de las páginas y la calidad del OCR |\n| Integración con servicios externos | Conexión con bases de datos vectoriales, bases de conocimiento y API de búsqueda | Es necesario diseñar la gestión de claves API y la respuesta ante fallos |\n\n## Criterios para elegir un buen tema de experimento\n\n⁣Al estudiar los Cookbooks de INJX12⁣, es mejor elegir un «problema de trabajo pequeño y verificable» en lugar de una «demostración espectacular».\n\nLas condiciones para un buen primer proyecto son las siguientes:\n\n- La entrada y la salida son claras.\n- Una persona puede determinar fácilmente si ha tenido éxito.\n- No requiere información confidencial.\n- El coste de la API es reducido.\n- Aunque falle, no afecta a los clientes reales ni a los sistemas operativos.\n- Se puede implementar con solo modificar ligeramente el código de ejemplo.\n\nPor ejemplo, los siguientes temas son adecuados como proyectos iniciales:\n\n- Clasificar 20 consultas de clientes en 5 categorías.\n- Extraer únicamente las decisiones y las tareas pendientes de unas actas de reunión extensas.\n- Crear una sección de preguntas y respuestas basada en pruebas a partir de 5 documentos públicos.\n- Crear un chatbot sencillo de atención al cliente basado en las preguntas frecuentes del producto\n- Convertir preguntas en lenguaje natural sobre datos CSV de muestra en consultas SQL\n\n## Lista de comprobación antes de la aplicación práctica\n\n⁣Para convertir los ejemplos de los «Cookbooks» de INJX12⁣ en productos reales o herramientas internas, hay que comprobar los siguientes puntos.\n\n### Lista de comprobación técnica\n\n- ¿Se gestionan las claves API mediante variables de entorno o herramientas de gestión de secretos?\n- ¿Se ha previsto cómo actuar ante fallos en la llamada al modelo, tiempos de espera agotados o limitaciones de velocidad?\n- ¿Se gestionan los límites de longitud de entrada y tamaño de archivo?\n- ¿Existe código para validar el formato de salida?\n- ¿Se almacena información confidencial en los registros?\n- ¿Se dispone de un conjunto de datos de prueba y de criterios de evaluación?\n- ¿Se realizan pruebas de regresión cuando se cambia la versión del modelo o el prompt?\n\n### Lista de comprobación de calidad\n\n- ¿Se comprueba la precisión de las respuestas mediante un muestreo realizado por personas?\n- ¿Existen directrices para reducir las respuestas sin fundamento?\n- ¿Está diseñado para responder «no lo sé» en caso de incertidumbre?\n- ¿Se explican al usuario las limitaciones de las respuestas de la IA?\n- ¿Se identifican los casos en los que es necesaria la revisión de un experto en la materia?\n\n### Lista de comprobación de seguridad y operaciones\n\n- ¿Existe una política de introducción de datos personales y secretos comerciales?\n- ¿Se impide el acceso no autorizado a los datos?\n- ¿Se gestionan de forma aislada las claves de integración con API externas?\n- ¿Existen límites de uso para evitar un aumento desmesurado de los costes?\n- ¿Se han tenido en cuenta los ataques de inyección en las consultas de los usuarios?\n- ¿Existe un flujo alternativo en caso de fallos operativos?\n\n## Diferencias entre los «Cookbooks» de Claude y la documentación oficial\n\n| Categoría | Claude Cookbooks | Anthropic Documentación oficial |\n|---|---|---|\n| Objetivo | Aprender rápidamente patrones de implementación a través de ejemplos | Consultar las especificaciones, conceptos y descripciones de las funciones de la API |\n| Formato | Centrado en código, cuadernos y flujos de trabajo de ejemplo | Centrado en documentos, guías y referencias |\n| Ventajas | Es fácil copiar, ejecutar y modificar | Resulta útil para consultar las últimas funciones y los parámetros exactos |\n| Limitaciones | Los ejemplos no abarcan todos los requisitos operativos | Para los principiantes, el flujo de implementación real puede resultar abstracto |\n| Uso recomendado | Utilizarlo al crear pequeños prototipos | Utilizarlo para verificar el funcionamiento y las limitaciones de la API antes de la implementación final |\n\nLo mejor es utilizar ambos recursos conjuntamente. Por ejemplo, familiarizarse con el flujo mediante los «Cookbooks» y consultar la documentación oficial para verificar los valores de entrada exactos, las opciones del modelo y las restricciones de la API que se está utilizando.\n\n## Ruta de aprendizaje recomendada para principiantes\n\n1. Ejecuta el ejemplo básico de llamada a la API Claude.\n2. Familiarízate con la estructura de las indicaciones y las respuestas mediante el ejemplo de resumen de textos breves.\n3. Practica cómo fijar el formato de salida con el ejemplo de clasificación.\n4. Haz que el sistema responda basándose en documentos externos con el ejemplo de RAG.\n5. Añade contexto conversacional y medidas de seguridad con el ejemplo de chatbot.\n6. Amplía el aprendizaje con ejemplos avanzados según tus necesidades, como imágenes, PDF o consultas a bases de datos.\n7. Crea un conjunto de pruebas y mide la precisión, el coste y el tiempo de respuesta.\n\n## Errores comunes y soluciones\n\n| Error | ¿Por qué es un problema? | Solución |\n|---|---|---|\n| Escribir la clave de la API directamente en el código | Puede quedar expuesta o filtrarse en el repositorio | Utilizar variables de entorno o herramientas de gestión de secretos |\n| Ponerlo en producción directamente basándose solo en los resultados de los ejemplos | Se pueden pasar por alto la gestión de errores, la seguridad y el control de costes | Realizar pruebas exhaustivas en entornos de desarrollo y staging |\n| Redactar las indicaciones de forma demasiado abstracta | La salida no es coherente | Especificar el rol, la entrada, el formato de salida y las restricciones |\n| No evaluar la calidad de la búsqueda en RAG | Se incluyen documentos irrelevantes y la calidad de las respuestas disminuye | Comprobar por separado la precisión y la tasa de recuperación de los resultados de búsqueda |\n| Dar siempre por ciertas las respuestas del modelo | Pueden contener alucinaciones o malentendidos | Añadir indicación de fuentes, lógica de verificación y revisión humana |\n| No establecer límites de costes | Los costes pueden aumentar por ejecuciones repetidas o entradas masivas | Aplicar límites de llamadas, almacenamiento en caché y muestreo |\n\n## Conclusión\n\nClaude Cookbooks es un recurso práctico que permite pasar de la «fase de comprensión de la documentación» de la API de Claude a la «fase de creación práctica». Una de sus ventajas es que permite conocer, a través de ejemplos, los patrones clave de las aplicaciones de IA, como la clasificación, el resumen, RAG, los chatbots, la consulta de datos y el procesamiento de imágenes y PDF.\n\nSin embargo, los Cookbooks no son un sistema operativo completo, sino un punto de partida. Para aplicarlos a un servicio real, es imprescindible añadir elementos operativos como la seguridad de los datos, la verificación de resultados, la gestión de costes, el sistema de evaluación y los permisos de usuario. Al principio, lo más seguro y eficaz es ejecutar un pequeño portátil y adaptar poco a poco los ejemplos a los datos y requisitos de tu propio trabajo.","content_html":"\u003ch2\u003e\n\u003ca href=\"#qu%C3%A9-son-los-claude-cookbooks\" class=\"anchor\" id=\"qué-son-los-claude-cookbooks\"\u003e\u003c/a\u003e¿Qué son los «Claude Cookbooks»?\u003c/h2\u003e\n\u003cp\u003eLos «Claude Cookbooks» son un repositorio de ejemplos de la API de Claude que Anthropic gestiona en GitHub. Tal y como su nombre indica, al igual que un «libro de recetas», se trata de un recurso que recopila fragmentos de código y guías paso a paso que sirven de referencia a la hora de implementar funciones específicas.\u003c/p\u003e\n\u003cp\u003eAunque la documentación oficial de la API es muy útil para comprender los conceptos y las especificaciones, a quienes se inician en el desarrollo les puede quedar la duda: «¿Y cómo lo aplico en mi código?». Claude Cookbooks reduce esta brecha. Muestra ejemplos prácticos de tareas que suelen surgir en servicios reales, como la clasificación de texto, el resumen, RAG, los chatbots y el procesamiento de documentos.\u003c/p\u003e\n\u003cp\u003eSegún los datos proporcionados por los administradores, este repositorio es un proyecto muy popular que ha recibido decenas de miles de estrellas en GitHub y puede servir como punto de partida práctico para desarrolladores y planificadores que deseen experimentar con la API de Claude.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#definiciones-clave\" class=\"anchor\" id=\"definiciones-clave\"\u003e\u003c/a\u003eDefiniciones clave\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTérmino\u003c/th\u003e\n\u003cth\u003eSignificado\u003c/th\u003e\n\u003cth\u003eFunción en Claude Cookbooks\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Término\"\u003eAPI de Claude\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eAPI para invocar el modelo Claude de Anthropic en una aplicación\u003c/td\u003e\n\u003ctd data-label=\"Función en Claude Cookbooks\"\u003eInterfaz principal a la que recurre el código de ejemplo\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Término\"\u003eCookbook\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eRecopilación de documentos y código centrados en ejemplos para resolver problemas específicos\u003c/td\u003e\n\u003ctd data-label=\"Función en Claude Cookbooks\"\u003eMétodo de aprendizaje mediante la copia y modificación de ejemplos por función\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Término\"\u003eJupyter Notebook\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eFormato de documento interactivo que permite gestionar explicaciones, código y resultados de ejecución en un solo archivo\u003c/td\u003e\n\u003ctd data-label=\"Función en Claude Cookbooks\"\u003eIdeal para ejecutar los ejemplos línea a línea y comprobar los resultados\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Término\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eRetrieval-Augmented Generation: método que busca información en fuentes externas para utilizarla en las respuestas del modelo\u003c/td\u003e\n\u003ctd data-label=\"Función en Claude Cookbooks\"\u003eSe utiliza en sistemas de respuesta basados en documentos internos, bases de conocimiento y preguntas frecuentes\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Término\"\u003eBase de datos vectorial\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eRepositorio que almacena documentos como vectores semánticos y realiza búsquedas en función de la similitud\u003c/td\u003e\n\u003ctd data-label=\"Función en Claude Cookbooks\"\u003eSe utiliza para implementar RAG conectándose a servicios externos como Pinecone\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#qu%C3%A9-problemas-se-pueden-resolver\" class=\"anchor\" id=\"qué-problemas-se-pueden-resolver\"\u003e\u003c/a\u003e¿Qué problemas se pueden resolver?\u003c/h2\u003e\n\u003cp\u003e⁣El valor de INJX12⁣ Cookbooks radica en que va más allá de «cómo invocar un modelo» y muestra «cómo integrar el modelo en flujos de trabajo reales». Los temas de los ejemplos están relacionados con los siguientes escenarios de aplicación.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-clasificaci%C3%B3n-y-enrutamiento-de-texto\" class=\"anchor\" id=\"1-clasificación-y-enrutamiento-de-texto\"\u003e\u003c/a\u003e1. Clasificación y enrutamiento de texto\u003c/h3\u003e\n\u003cp\u003eSe puede utilizar para clasificar consultas de clientes, reseñas, documentos y correos electrónicos en categorías predefinidas. Por ejemplo, en un sistema de atención al cliente, se puede dividir el contenido de las consultas en «reembolsos», «envíos», «soporte técnico» y «problemas con la cuenta», y reenviarlas automáticamente al equipo responsable.\u003c/p\u003e\n\u003cp\u003eA la hora de aplicarlo en la práctica, hay que tener en cuenta lo siguiente:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e¿Se han definido claramente los criterios de clasificación?\u003c/li\u003e\n\u003cli\u003e¿Se permiten resultados seguros, como «Otros» o «Necesita verificación», para entradas ambiguas?\u003c/li\u003e\n\u003cli\u003e¿Los resultados del modelo están siempre en un formato fácil de leer para los sistemas posteriores, como JSON, etiquetas o puntuaciones?\u003c/li\u003e\n\u003cli\u003e¿Se ha medido la tasa de clasificación errónea con datos reales?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-resumen-y-extracci%C3%B3n-de-informaci%C3%B3n\" class=\"anchor\" id=\"2-resumen-y-extracción-de-información\"\u003e\u003c/a\u003e2. Resumen y extracción de información\u003c/h3\u003e\n\u003cp\u003eTambién resulta adecuado para extraer el contenido esencial de documentos largos, actas de reuniones, artículos o registros de conversaciones con clientes. No se limita a un simple resumen, sino que puede ampliarse a tareas de estructuración como las siguientes:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eExtracción de argumentos clave\u003c/li\u003e\n\u003cli\u003eCreación de listas de tareas pendientes\u003c/li\u003e\n\u003cli\u003eSeparación de riesgos y decisiones\u003c/li\u003e\n\u003cli\u003eExtracción de campos del documento, como fechas, importes o personas responsables\u003c/li\u003e\n\u003cli\u003eResumen de los puntos en común y las diferencias entre varios documentos\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAl utilizar ejemplos de resumen, es más fiable especificar claramente «el público objetivo, la extensión, los elementos que deben incluirse y los que deben excluirse» en lugar de limitarse a pedir «resúmelo brevemente».\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-preguntas-y-respuestas-basadas-en-rag\" class=\"anchor\" id=\"3-preguntas-y-respuestas-basadas-en-rag\"\u003e\u003c/a\u003e3. Preguntas y respuestas basadas en RAG\u003c/h3\u003e\n\u003cp\u003eRAG es un patrón en el que el modelo no responde basándose únicamente en su propio conocimiento, sino que busca la información relevante en los documentos proporcionados por el usuario o en datos externos antes de dar una respuesta. Es especialmente importante para servicios en los que las respuestas deben basarse en manuales internos de la empresa, documentación de productos, documentos normativos o bases de conocimiento.\u003c/p\u003e\n\u003cp\u003eEl flujo habitual de RAG es el siguiente:\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eSe divide el documento en fragmentos pequeños.\u003c/li\u003e\n\u003cli\u003eSe almacenan los fragmentos en un formato de incrustación o que permita su búsqueda.\u003c/li\u003e\n\u003cli\u003eSe buscan fragmentos de documentos relacionados con la pregunta del usuario.\u003c/li\u003e\n\u003cli\u003eSe introducen los resultados de la búsqueda en el prompt de Claude como material de referencia.\u003c/li\u003e\n\u003cli\u003eClaude responde basándose en dicha información.\u003c/li\u003e\n\u003cli\u003eSe muestran junto con la respuesta las fuentes utilizadas, las limitaciones y la incertidumbre.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eRAG no elimina por completo las alucinaciones. Por lo tanto, es recomendable incluir restricciones como «responde que no sabes lo que no figure en las fuentes proporcionadas» o «muestra el nombre del documento de referencia en cada respuesta» tanto en la indicación como en la lógica de la aplicación.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-chatbot-de-atenci%C3%B3n-al-cliente\" class=\"anchor\" id=\"4-chatbot-de-atención-al-cliente\"\u003e\u003c/a\u003e4. Chatbot de atención al cliente\u003c/h3\u003e\n\u003cp\u003e⁣Los ejemplos de los Cookbooks de INJX12⁣ también pueden servir de referencia a la hora de crear un chatbot que responda a las consultas de los clientes. Un chatbot básico debe mantener el contexto de la conversación, consultar documentos de políticas o preguntas frecuentes (FAQ) e identificar la intención del usuario.\u003c/p\u003e\n\u003cp\u003eUn chatbot orientado a la práctica requiere los siguientes elementos:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eClasificación de la intención de la pregunta del usuario\u003c/li\u003e\n\u003cli\u003eRestricción de respuestas prohibidas o de alto riesgo en ámbitos legal, médico o financiero\u003c/li\u003e\n\u003cli\u003eConexión con un agente de atención al cliente cuando sea necesario\u003c/li\u003e\n\u003cli\u003eAlmacenamiento del historial de conversaciones y minimización de los datos personales\u003c/li\u003e\n\u003cli\u003eEvaluación de las respuestas del modelo y supervisión de los registros\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eEl código de ejemplo es solo un punto de partida; para implementarlo en un servicio de atención al cliente real, es necesario diseñar por separado aspectos como la seguridad, la protección de datos personales, la gestión de fallos y el ámbito de responsabilidad.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-consultas-a-bases-de-datos-basadas-en-lenguaje-natural\" class=\"anchor\" id=\"5-consultas-a-bases-de-datos-basadas-en-lenguaje-natural\"\u003e\u003c/a\u003e5. Consultas a bases de datos basadas en lenguaje natural\u003c/h3\u003e\n\u003cp\u003eTambién existe un patrón en el que, al formular una pregunta en lenguaje natural —como «Muéstrame los 10 productos con mayor facturación del mes pasado»—, se genera y ejecuta una consulta SQL o de recuperación de datos. Este método permite que incluso quienes no son desarrolladores puedan explorar los datos, pero conlleva un gran riesgo de seguridad.\u003c/p\u003e\n\u003cp\u003ePara utilizarlo de forma segura, es necesario lo siguiente:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eUtilizar cuentas de solo lectura\u003c/li\u003e\n\u003cli\u003ePermitir el acceso únicamente a las tablas y columnas autorizadas\u003c/li\u003e\n\u003cli\u003eVerificar las consultas generadas antes de ejecutarlas\u003c/li\u003e\n\u003cli\u003eLimitar las consultas masivas\u003c/li\u003e\n\u003cli\u003eOcultar la información sensible\u003c/li\u003e\n\u003cli\u003eBloquear los datos a los que el usuario no tiene permiso de acceso\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eEs peligroso ejecutar directamente en la base de datos operativa el código SQL generado por el modelo. En la fase de prueba, es recomendable utilizar una base de datos de muestra o un entorno de desarrollo aislado.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-procesamiento-de-im%C3%A1genes-gr%C3%A1ficos-y-pdf\" class=\"anchor\" id=\"6-procesamiento-de-imágenes-gráficos-y-pdf\"\u003e\u003c/a\u003e6. Procesamiento de imágenes, gráficos y PDF\u003c/h3\u003e\n\u003cp\u003e⁣Aprovechando las funciones multimodales de INJX12⁣, es posible describir imágenes o gráficos, así como leer y estructurar la información de archivos PDF. Por ejemplo, se pueden extraer las cifras clave de un informe en PDF o hacer que el modelo explique qué tendencia muestra un gráfico.\u003c/p\u003e\n\u003cp\u003eSin embargo, el procesamiento de material visual tiene sus limitaciones. Pueden producirse errores con letras pequeñas, tablas complejas, baja resolución o imágenes recortadas. Si se trata de una tarea en la que las cifras son importantes, es necesario realizar una verificación cruzada con los datos originales.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#lo-que-hay-que-preparar-antes-de-empezar-con-los-cookbooks-de-claude\" class=\"anchor\" id=\"lo-que-hay-que-preparar-antes-de-empezar-con-los-cookbooks-de-claude\"\u003e\u003c/a\u003e⁣Lo que hay que preparar antes de empezar con los «Cookbooks» de Claude\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#elementos-imprescindibles\" class=\"anchor\" id=\"elementos-imprescindibles\"\u003e\u003c/a\u003eElementos imprescindibles\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eElemento\u003c/th\u003e\n\u003cth\u003eDescripción\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento\"\u003eCuenta de Anthropic\u003c/td\u003e\n\u003ctd data-label=\"Descripción\"\u003eSe necesita una cuenta para utilizar la API de Claude.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento\"\u003eClave de API\u003c/td\u003e\n\u003ctd data-label=\"Descripción\"\u003eSe utiliza cuando el código de ejemplo llama a la API de Claude. Se recomienda no exponer la clave directamente en el código.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento\"\u003eEntorno de Python\u003c/td\u003e\n\u003ctd data-label=\"Descripción\"\u003eMuchos ejemplos se ejecutan en Python.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento\"\u003eJupyter Notebook o un entorno similar\u003c/td\u003e\n\u003ctd data-label=\"Descripción\"\u003eDebe ser posible abrir archivos de cuaderno y ejecutarlos celda por celda.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento\"\u003eDatos de prueba\u003c/td\u003e\n\u003ctd data-label=\"Descripción\"\u003eEs más seguro experimentar primero con datos de muestra en lugar de introducir directamente datos personales reales o documentos confidenciales.\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch3\u003e\n\u003ca href=\"#requisitos-recomendados\" class=\"anchor\" id=\"requisitos-recomendados\"\u003e\u003c/a\u003eRequisitos recomendados\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eConocimientos básicos sobre Git y GitHub\u003c/li\u003e\n\u003cli\u003eCómo gestionar las variables de entorno\u003c/li\u003e\n\u003cli\u003eHábito de supervisar los costes y el uso de la API\u003c/li\u003e\n\u003cli\u003eMétodo de gestión de versiones de los prompts\u003c/li\u003e\n\u003cli\u003eLista de entradas de prueba y resultados esperados\u003c/li\u003e\n\u003cli\u003eCriterios para el tratamiento de información sensible\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#pasos-b%C3%A1sicos-para-seguir-el-tutorial\" class=\"anchor\" id=\"pasos-básicos-para-seguir-el-tutorial\"\u003e\u003c/a\u003ePasos básicos para seguir el tutorial\u003c/h2\u003e\n\u003cp\u003e⁣Si es la primera vez que te acercas a los Cookbooks de INJX12⁣, en lugar de intentar comprender todo el repositorio de una sola vez, es mejor que elijas un ejemplo y lo ejecutes hasta el final.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#paso-1-echar-un-vistazo-a-la-estructura-del-repositorio\" class=\"anchor\" id=\"paso-1-echar-un-vistazo-a-la-estructura-del-repositorio\"\u003e\u003c/a\u003ePaso 1: Echar un vistazo a la estructura del repositorio\u003c/h3\u003e\n\u003cp\u003eEn el repositorio de GitHub, comprueba primero los títulos de los ejemplos, los nombres de las carpetas y el archivo README. Busca un ejemplo que se acerque a la funcionalidad que deseas crear. Por ejemplo, si quieres crear un chatbot para buscar documentos internos, los ejemplos relacionados con RAG o con la búsqueda de documentos tendrán prioridad.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#paso-2-ejecutar-el-ejemplo-m%C3%A1s-sencillo\" class=\"anchor\" id=\"paso-2-ejecutar-el-ejemplo-más-sencillo\"\u003e\u003c/a\u003ePaso 2: Ejecutar el ejemplo más sencillo\u003c/h3\u003e\n\u003cp\u003eSi eliges desde el principio un ejemplo que incluya una base de datos vectorial, procesamiento de PDF y integración con API externas, te resultará difícil localizar el origen de los errores. Empieza por ejemplos sencillos, como la consulta de mensajes, el resumen o la clasificación, para comprobar que la clave de la API y el entorno de ejecución funcionan correctamente.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#paso-3-adaptar-los-datos-de-entrada-a-tu-problema\" class=\"anchor\" id=\"paso-3-adaptar-los-datos-de-entrada-a-tu-problema\"\u003e\u003c/a\u003ePaso 3: Adaptar los datos de entrada a tu problema\u003c/h3\u003e\n\u003cp\u003eEjecuta primero los datos de ejemplo tal cual y, a continuación, sustitúyelos por pequeños datos de prueba similares a los de tu trabajo. En este momento, es recomendable no incluir datos sensibles, como información real de clientes, números de identificación personal, datos de pago o secretos comerciales.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#paso-4-establecer-un-formato-de-salida-fijo\" class=\"anchor\" id=\"paso-4-establecer-un-formato-de-salida-fijo\"\u003e\u003c/a\u003ePaso 4: Establecer un formato de salida fijo\u003c/h3\u003e\n\u003cp\u003ePara conectarse a un sistema operativo, resulta complicado trabajar si las respuestas del modelo se presentan cada vez únicamente en forma de frases libres. Se requiere un formato que el código posterior pueda procesar, como JSON, etiquetas estándar, puntuaciones o elementos de resumen.\u003c/p\u003e\n\u003cp\u003ePor ejemplo, en tareas de clasificación resultan útiles las siguientes reglas de salida.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eLa salida se redactará únicamente en formato JSON.\n\u003c/span\u003e\u003cspan\u003eSolo se utilizarán tres campos: category, confidence y reason.\n\u003c/span\u003e\u003cspan\u003ecategory debe ser uno de los siguientes: refund, delivery, technical_support, account u other.\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003ch3\u003e\n\u003ca href=\"#paso-5-recopilar-casos-de-fallo\" class=\"anchor\" id=\"paso-5-recopilar-casos-de-fallo\"\u003e\u003c/a\u003ePaso 5: Recopilar casos de fallo\u003c/h3\u003e\n\u003cp\u003eNo basta con fijarse únicamente en las entradas en las que los ejemplos funcionan bien. En un servicio real surgen diversos problemas, como preguntas breves, preguntas ambiguas, indicaciones malintencionadas, errores ortográficos, entradas en varios idiomas o documentos incompletos.\u003c/p\u003e\n\u003cp\u003ePreparar los siguientes tipos de pruebas resulta útil para evaluar la calidad:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEntradas con una respuesta correcta clara\u003c/li\u003e\n\u003cli\u003eEntradas con una intención ambigua\u003c/li\u003e\n\u003cli\u003eEntradas para las que no hay respuesta en la documentación de referencia\u003c/li\u003e\n\u003cli\u003eEntradas que el modelo puede adivinar fácilmente\u003c/li\u003e\n\u003cli\u003eEntradas muy largas\u003c/li\u003e\n\u003cli\u003eEntradas que contienen información sensible\u003c/li\u003e\n\u003cli\u003eEntradas que indican que se ignoren las reglas\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#puntos-clave-seg%C3%BAn-el-tipo-de-ejemplo\" class=\"anchor\" id=\"puntos-clave-según-el-tipo-de-ejemplo\"\u003e\u003c/a\u003ePuntos clave según el tipo de ejemplo\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTipo de ejemplo\u003c/th\u003e\n\u003cth\u003eCasos de uso adecuados\u003c/th\u003e\n\u003cth\u003eAspectos a tener en cuenta\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eClasificación\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eEnrutamiento de consultas, etiquetado de reseñas, clasificación de documentos\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eSi la definición de las etiquetas no es clara, los resultados pueden ser inconsistentes\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eResumen\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eActas de reuniones, artículos, informes, resumen de conversaciones con clientes\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eEs necesario contrastar las cifras y los nombres propios importantes con el texto original\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eBúsqueda de documentos internos, preguntas frecuentes sobre productos, respuestas sobre políticas\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eSi la calidad de la búsqueda es baja, las respuestas del modelo también serán inconsistentes\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eChatbot\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eAtención al cliente, asistente de trabajo, tutor educativo\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eSe necesitan medidas de seguridad y criterios para la conexión con los agentes\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eConsulta de datos en lenguaje natural\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eExploración de datos para no desarrolladores, generación de informes\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eEs imprescindible la gestión de permisos y la validación de consultas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eAnálisis de imágenes y gráficos\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eInterpretación de informes, explicación de material visual\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eExiste la posibilidad de errores en letras pequeñas o tablas complejas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eProcesamiento de PDF\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eAnálisis de contratos, artículos académicos, manuales e informes\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eLos resultados varían en función de la estructura de las páginas y la calidad del OCR\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de ejemplo\"\u003eIntegración con servicios externos\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adecuados\"\u003eConexión con bases de datos vectoriales, bases de conocimiento y API de búsqueda\u003c/td\u003e\n\u003ctd data-label=\"Aspectos a tener en cuenta\"\u003eEs necesario diseñar la gestión de claves API y la respuesta ante fallos\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#criterios-para-elegir-un-buen-tema-de-experimento\" class=\"anchor\" id=\"criterios-para-elegir-un-buen-tema-de-experimento\"\u003e\u003c/a\u003eCriterios para elegir un buen tema de experimento\u003c/h2\u003e\n\u003cp\u003e⁣Al estudiar los Cookbooks de INJX12⁣, es mejor elegir un «problema de trabajo pequeño y verificable» en lugar de una «demostración espectacular».\u003c/p\u003e\n\u003cp\u003eLas condiciones para un buen primer proyecto son las siguientes:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eLa entrada y la salida son claras.\u003c/li\u003e\n\u003cli\u003eUna persona puede determinar fácilmente si ha tenido éxito.\u003c/li\u003e\n\u003cli\u003eNo requiere información confidencial.\u003c/li\u003e\n\u003cli\u003eEl coste de la API es reducido.\u003c/li\u003e\n\u003cli\u003eAunque falle, no afecta a los clientes reales ni a los sistemas operativos.\u003c/li\u003e\n\u003cli\u003eSe puede implementar con solo modificar ligeramente el código de ejemplo.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePor ejemplo, los siguientes temas son adecuados como proyectos iniciales:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eClasificar 20 consultas de clientes en 5 categorías.\u003c/li\u003e\n\u003cli\u003eExtraer únicamente las decisiones y las tareas pendientes de unas actas de reunión extensas.\u003c/li\u003e\n\u003cli\u003eCrear una sección de preguntas y respuestas basada en pruebas a partir de 5 documentos públicos.\u003c/li\u003e\n\u003cli\u003eCrear un chatbot sencillo de atención al cliente basado en las preguntas frecuentes del producto\u003c/li\u003e\n\u003cli\u003eConvertir preguntas en lenguaje natural sobre datos CSV de muestra en consultas SQL\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#lista-de-comprobaci%C3%B3n-antes-de-la-aplicaci%C3%B3n-pr%C3%A1ctica\" class=\"anchor\" id=\"lista-de-comprobación-antes-de-la-aplicación-práctica\"\u003e\u003c/a\u003eLista de comprobación antes de la aplicación práctica\u003c/h2\u003e\n\u003cp\u003e⁣Para convertir los ejemplos de los «Cookbooks» de INJX12⁣ en productos reales o herramientas internas, hay que comprobar los siguientes puntos.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#lista-de-comprobaci%C3%B3n-t%C3%A9cnica\" class=\"anchor\" id=\"lista-de-comprobación-técnica\"\u003e\u003c/a\u003eLista de comprobación técnica\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e¿Se gestionan las claves API mediante variables de entorno o herramientas de gestión de secretos?\u003c/li\u003e\n\u003cli\u003e¿Se ha previsto cómo actuar ante fallos en la llamada al modelo, tiempos de espera agotados o limitaciones de velocidad?\u003c/li\u003e\n\u003cli\u003e¿Se gestionan los límites de longitud de entrada y tamaño de archivo?\u003c/li\u003e\n\u003cli\u003e¿Existe código para validar el formato de salida?\u003c/li\u003e\n\u003cli\u003e¿Se almacena información confidencial en los registros?\u003c/li\u003e\n\u003cli\u003e¿Se dispone de un conjunto de datos de prueba y de criterios de evaluación?\u003c/li\u003e\n\u003cli\u003e¿Se realizan pruebas de regresión cuando se cambia la versión del modelo o el prompt?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#lista-de-comprobaci%C3%B3n-de-calidad\" class=\"anchor\" id=\"lista-de-comprobación-de-calidad\"\u003e\u003c/a\u003eLista de comprobación de calidad\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e¿Se comprueba la precisión de las respuestas mediante un muestreo realizado por personas?\u003c/li\u003e\n\u003cli\u003e¿Existen directrices para reducir las respuestas sin fundamento?\u003c/li\u003e\n\u003cli\u003e¿Está diseñado para responder «no lo sé» en caso de incertidumbre?\u003c/li\u003e\n\u003cli\u003e¿Se explican al usuario las limitaciones de las respuestas de la IA?\u003c/li\u003e\n\u003cli\u003e¿Se identifican los casos en los que es necesaria la revisión de un experto en la materia?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#lista-de-comprobaci%C3%B3n-de-seguridad-y-operaciones\" class=\"anchor\" id=\"lista-de-comprobación-de-seguridad-y-operaciones\"\u003e\u003c/a\u003eLista de comprobación de seguridad y operaciones\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e¿Existe una política de introducción de datos personales y secretos comerciales?\u003c/li\u003e\n\u003cli\u003e¿Se impide el acceso no autorizado a los datos?\u003c/li\u003e\n\u003cli\u003e¿Se gestionan de forma aislada las claves de integración con API externas?\u003c/li\u003e\n\u003cli\u003e¿Existen límites de uso para evitar un aumento desmesurado de los costes?\u003c/li\u003e\n\u003cli\u003e¿Se han tenido en cuenta los ataques de inyección en las consultas de los usuarios?\u003c/li\u003e\n\u003cli\u003e¿Existe un flujo alternativo en caso de fallos operativos?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#diferencias-entre-los-cookbooks-de-claude-y-la-documentaci%C3%B3n-oficial\" class=\"anchor\" id=\"diferencias-entre-los-cookbooks-de-claude-y-la-documentación-oficial\"\u003e\u003c/a\u003eDiferencias entre los «Cookbooks» de Claude y la documentación oficial\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eCategoría\u003c/th\u003e\n\u003cth\u003eClaude Cookbooks\u003c/th\u003e\n\u003cth\u003eAnthropic Documentación oficial\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoría\"\u003eObjetivo\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eAprender rápidamente patrones de implementación a través de ejemplos\u003c/td\u003e\n\u003ctd data-label=\"Anthropic Documentación oficial\"\u003eConsultar las especificaciones, conceptos y descripciones de las funciones de la API\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoría\"\u003eFormato\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eCentrado en código, cuadernos y flujos de trabajo de ejemplo\u003c/td\u003e\n\u003ctd data-label=\"Anthropic Documentación oficial\"\u003eCentrado en documentos, guías y referencias\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoría\"\u003eVentajas\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eEs fácil copiar, ejecutar y modificar\u003c/td\u003e\n\u003ctd data-label=\"Anthropic Documentación oficial\"\u003eResulta útil para consultar las últimas funciones y los parámetros exactos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoría\"\u003eLimitaciones\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eLos ejemplos no abarcan todos los requisitos operativos\u003c/td\u003e\n\u003ctd data-label=\"Anthropic Documentación oficial\"\u003ePara los principiantes, el flujo de implementación real puede resultar abstracto\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoría\"\u003eUso recomendado\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eUtilizarlo al crear pequeños prototipos\u003c/td\u003e\n\u003ctd data-label=\"Anthropic Documentación oficial\"\u003eUtilizarlo para verificar el funcionamiento y las limitaciones de la API antes de la implementación final\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eLo mejor es utilizar ambos recursos conjuntamente. Por ejemplo, familiarizarse con el flujo mediante los «Cookbooks» y consultar la documentación oficial para verificar los valores de entrada exactos, las opciones del modelo y las restricciones de la API que se está utilizando.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#ruta-de-aprendizaje-recomendada-para-principiantes\" class=\"anchor\" id=\"ruta-de-aprendizaje-recomendada-para-principiantes\"\u003e\u003c/a\u003eRuta de aprendizaje recomendada para principiantes\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eEjecuta el ejemplo básico de llamada a la API Claude.\u003c/li\u003e\n\u003cli\u003eFamiliarízate con la estructura de las indicaciones y las respuestas mediante el ejemplo de resumen de textos breves.\u003c/li\u003e\n\u003cli\u003ePractica cómo fijar el formato de salida con el ejemplo de clasificación.\u003c/li\u003e\n\u003cli\u003eHaz que el sistema responda basándose en documentos externos con el ejemplo de RAG.\u003c/li\u003e\n\u003cli\u003eAñade contexto conversacional y medidas de seguridad con el ejemplo de chatbot.\u003c/li\u003e\n\u003cli\u003eAmplía el aprendizaje con ejemplos avanzados según tus necesidades, como imágenes, PDF o consultas a bases de datos.\u003c/li\u003e\n\u003cli\u003eCrea un conjunto de pruebas y mide la precisión, el coste y el tiempo de respuesta.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#errores-comunes-y-soluciones\" class=\"anchor\" id=\"errores-comunes-y-soluciones\"\u003e\u003c/a\u003eErrores comunes y soluciones\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eError\u003c/th\u003e\n\u003cth\u003e¿Por qué es un problema?\u003c/th\u003e\n\u003cth\u003eSolución\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003eEscribir la clave de la API directamente en el código\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003ePuede quedar expuesta o filtrarse en el repositorio\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eUtilizar variables de entorno o herramientas de gestión de secretos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003ePonerlo en producción directamente basándose solo en los resultados de los ejemplos\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003eSe pueden pasar por alto la gestión de errores, la seguridad y el control de costes\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eRealizar pruebas exhaustivas en entornos de desarrollo y staging\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003eRedactar las indicaciones de forma demasiado abstracta\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003eLa salida no es coherente\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eEspecificar el rol, la entrada, el formato de salida y las restricciones\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003eNo evaluar la calidad de la búsqueda en RAG\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003eSe incluyen documentos irrelevantes y la calidad de las respuestas disminuye\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eComprobar por separado la precisión y la tasa de recuperación de los resultados de búsqueda\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003eDar siempre por ciertas las respuestas del modelo\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003ePueden contener alucinaciones o malentendidos\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eAñadir indicación de fuentes, lógica de verificación y revisión humana\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Error\"\u003eNo establecer límites de costes\u003c/td\u003e\n\u003ctd data-label=\"¿Por qué es un problema?\"\u003eLos costes pueden aumentar por ejecuciones repetidas o entradas masivas\u003c/td\u003e\n\u003ctd data-label=\"Solución\"\u003eAplicar límites de llamadas, almacenamiento en caché y muestreo\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#conclusi%C3%B3n\" class=\"anchor\" id=\"conclusión\"\u003e\u003c/a\u003eConclusión\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks es un recurso práctico que permite pasar de la «fase de comprensión de la documentación» de la API de Claude a la «fase de creación práctica». Una de sus ventajas es que permite conocer, a través de ejemplos, los patrones clave de las aplicaciones de IA, como la clasificación, el resumen, RAG, los chatbots, la consulta de datos y el procesamiento de imágenes y PDF.\u003c/p\u003e\n\u003cp\u003eSin embargo, los Cookbooks no son un sistema operativo completo, sino un punto de partida. Para aplicarlos a un servicio real, es imprescindible añadir elementos operativos como la seguridad de los datos, la verificación de resultados, la gestión de costes, el sistema de evaluación y los permisos de usuario. Al principio, lo más seguro y eficaz es ejecutar un pequeño portátil y adaptar poco a poco los ejemplos a los datos y requisitos de tu propio trabajo.\u003c/p\u003e\n","tags":["Claude API","Anthropic","Desarrollo de IA","RAG","Jupyter Notebook"],"faqs":[{"question":"⁣¿Qué es INJX12⁣ Cookbooks?","answer":"Claude Cookbooks es una recopilación de ejemplos de la API de Claude que Anthropic gestiona en GitHub. Permite aprender, mediante código y explicaciones, patrones que se utilizan con frecuencia en aplicaciones reales, como la clasificación de texto, el resumen, RAG, los chatbots, la consulta de datos y el procesamiento de imágenes y PDF."},{"question":"⁣¿Qué se necesita para utilizar INJX12⁣ Cookbooks?","answer":"Básicamente, necesitarás una cuenta Anthropic, una clave API Claude, un entorno de ejecución de Python y una herramienta para abrir Jupyter Notebook. Para probar los ejemplos de forma segura, te recomendamos que utilices primero datos de muestra, en lugar de información personal real o datos confidenciales."},{"question":"⁣¿Pueden utilizar los libros de recetas INJX12⁣ incluso los principiantes?","answer":"Si conoces los conceptos básicos de Python y las llamadas a API, incluso los principiantes pueden seguir estos pasos. Dado que la mayoría de los ejemplos se presentan en formato de cuaderno, con explicaciones y código, lo más adecuado es empezar por los ejemplos más sencillos y probarlos cambiando los valores de entrada y las indicaciones."},{"question":"¿En qué casos resulta útil el ejemplo de RAG?","answer":"Los ejemplos de RAG resultan útiles para sistemas que deben responder basándose en material específico, como documentos internos de la empresa, manuales de productos, preguntas frecuentes o documentos normativos. Aunque es posible configurar el modelo para que responda consultando los documentos buscados, para obtener resultados fiables es necesario gestionar conjuntamente la calidad de la búsqueda y la indicación de las fuentes."},{"question":"Claude ¿Puedo aplicar tal cual los ejemplos de los libros de recetas al servicio operativo?","answer":"No es recomendable utilizarlo tal cual en un servicio operativo. Los ejemplos son un punto de partida para el aprendizaje y la creación de prototipos, por lo que, antes de su aplicación real, es necesario añadir medidas de seguridad para las claves API, gestión de errores, validación de resultados, protección de datos personales, limitación de costes, gestión de permisos y evaluación de la calidad."},{"question":"⁣¿Cómo se pueden utilizar conjuntamente los libros de recetas de INJX12⁣ y la documentación oficial de INJX8⁣?⁣","answer":"⁣Los libros de recetas de INJX12⁣ son ideales para familiarizarse con el flujo de implementación y los patrones prácticos, mientras que ⁣la documentación oficial de INJX8⁣ resulta muy útil para consultar los parámetros de la API, los formatos de solicitud, el funcionamiento de los modelos y las restricciones. Lo más eficaz es ejecutar primero los ejemplos de los Cookbooks y, a continuación, verificar la configuración detallada en la documentación oficial."},{"question":"Claude ¿Cuál es el aspecto más importante a la hora de crear un chatbot con Cookbooks?","answer":"A la hora de crear un chatbot, no solo es importante la calidad de la conversación, sino también las medidas de seguridad. Hay que diseñar un flujo en el que, ante preguntas que no pueda responder, diga «no lo sé», se restrinjan las solicitudes delicadas y, en caso necesario, se derive la consulta a un agente humano o a un procedimiento específico."},{"question":"¿Es seguro el ejemplo de consulta a la base de datos mediante lenguaje natural?","answer":"Las consultas a bases de datos en lenguaje natural son prácticas, pero entrañan riesgos de seguridad. No se deben ejecutar directamente en la base de datos operativa las consultas generadas por el modelo, sino que es necesario aplicar permisos de solo lectura, restricciones en las tablas autorizadas, validación de consultas, límites a las consultas masivas y enmascaramiento de la información sensible."},{"question":"¿Qué hay que tener en cuenta al utilizar ejemplos de procesamiento de imágenes o archivos PDF?","answer":"En el procesamiento de imágenes y archivos PDF, los resultados pueden variar en función de la resolución, la estructura de las tablas, el tamaño de la letra y la calidad del escaneo. En particular, en el caso de información en la que la precisión es fundamental, como cifras o condiciones contractuales, se recomienda verificarla cotejándola con el documento original o mediante herramientas de extracción independientes."}],"sources":[{"url":"https://github.com/anthropics/claude-cookbooks","title":"Anthropic Claude Repositorio de GitHub de Cookbooks","type":"source"},{"url":"https://docs.anthropic.com/en/api/getting-started","title":"⁣Introducción a la API de INJX8⁣","type":"source"},{"url":"https://docs.anthropic.com/en/api/messages","title":"Anthropic Referencia de la API de mensajes","type":"source"},{"url":"https://docs.jupyter.org/en/latest/","title":"Documentación de Jupyter","type":"source"},{"url":"https://docs.pinecone.io/","title":"Documentación de Pinecone","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}}},{"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}}}],"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"],"url":"https://injoys.com/es/articles/claude-cookbooks-api-examples-guide"}