{"content_id":"9irr9ff11n","slug":"claude-cookbooks-api-examples-guide","locale":"id","schema_type":"TechArticle","category":"tutorial","category_name":"Tutorial","title":"Claude Cookbooks: Materi GitHub resmi untuk cepat mengikuti contoh praktis Claude API","summary":"Claude Cookbooks adalah repositori contoh GitHub yang dikelola Anthropic, yang memungkinkan Anda mempelajari pola praktis seperti klasifikasi, peringkasan, RAG, chatbot, serta pemrosesan dokumen dan gambar menggunakan Claude API melalui kode. Jika sulit memulai hanya dengan dokumentasi resmi, materi ini cocok sebagai titik awal untuk menyalin contoh notebook lalu menyesuaikannya dengan proyek kecil.","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Claude Cookbooks adalah kumpulan contoh resmi yang membantu pengguna Claude API memahami pola pengembangan nyata dengan cepat.","Contoh utamanya mencakup tugas yang sering digunakan dalam praktik, seperti klasifikasi teks, peringkasan, RAG, chatbot layanan pelanggan, kueri data berbasis bahasa alami, serta pemrosesan gambar, bagan, dan PDF.","Sebagian besar materi berbentuk Jupyter Notebook yang berisi penjelasan dan kode yang dapat dijalankan, sehingga cocok untuk eksperimen langkah demi langkah.","Cara yang aman adalah menyiapkan kunci API, lingkungan eksekusi Python, manajemen biaya, dan prinsip keamanan data, lalu mulai menjalankan contoh kecil terlebih dahulu.","Nilai contoh Cookbooks menjadi lebih besar ketika tidak sekadar disalin apa adanya, tetapi data input, prompt, penanganan kesalahan, dan kriteria evaluasi disesuaikan dengan tujuan proyek."],"content_markdown":"## Apa itu Claude Cookbooks\n\nClaude Cookbooks adalah repositori contoh Claude API yang dikelola oleh Anthropic di GitHub. Sesuai namanya, ini lebih mirip kumpulan materi seperti “buku resep” yang berisi potongan kode dan panduan langkah demi langkah yang dapat dijadikan referensi saat mengimplementasikan fungsi tertentu.\n\nDokumentasi API resmi kuat untuk memeriksa konsep dan spesifikasi, tetapi bagi orang yang baru mulai mengembangkan, masih bisa ada jarak berupa pertanyaan “jadi bagaimana cara memakainya di kode saya?” Claude Cookbooks membantu mengurangi jarak ini. Ia menampilkan tugas yang sering ditemui dalam layanan nyata, seperti klasifikasi teks, ringkasan, RAG, chatbot, dan pemrosesan dokumen, melalui contoh yang dapat dijalankan.\n\nBerdasarkan materi yang disediakan oleh pengelola, repositori ini adalah proyek populer yang menerima puluhan ribu bintang di GitHub, dan dapat menjadi titik awal praktis bagi developer dan perencana yang ingin bereksperimen dengan Claude API.\n\n## Definisi utama\n\n| Istilah | Makna | Peran dalam Claude Cookbooks |\n|---|---|---|\n| Claude API | API untuk memanggil model Claude milik Anthropic dari aplikasi | Antarmuka inti yang dipanggil oleh kode contoh |\n| Cookbook | Kumpulan dokumen dan kode berbasis contoh untuk menyelesaikan masalah tertentu | Cara belajar dengan menyalin dan memodifikasi sampel per fungsi |\n| Jupyter Notebook | Format dokumen interaktif yang dapat menangani penjelasan, kode, dan hasil eksekusi dalam satu file | Cocok untuk menjalankan contoh baris demi baris dan memeriksa hasilnya |\n| RAG | Retrieval-Augmented Generation, metode yang mencari materi eksternal dan memanfaatkannya dalam jawaban model | Digunakan untuk sistem jawaban berbasis dokumen internal, basis pengetahuan, dan FAQ |\n| Database vektor | Penyimpanan yang menyimpan dokumen sebagai vektor berbasis makna dan mencari berdasarkan kemiripan | Digunakan saat mengimplementasikan RAG dengan menghubungkannya ke layanan eksternal seperti Pinecone |\n\n## Masalah apa yang dapat diselesaikan\n\nNilai Claude Cookbooks terletak pada kemampuannya menunjukkan bukan hanya “cara memanggil model”, tetapi juga “cara memasukkan model ke dalam alur kerja nyata”. Topik contoh terhubung dengan skenario penggunaan seperti berikut.\n\n### 1. Klasifikasi teks dan routing\n\nIni dapat digunakan untuk mengklasifikasikan pertanyaan pelanggan, ulasan, dokumen, dan email ke dalam kategori yang telah ditentukan. Misalnya, dalam sistem pusat layanan pelanggan, isi pertanyaan dapat dibagi menjadi “pengembalian dana”, “pengiriman”, “dukungan teknis”, dan “masalah akun”, lalu diteruskan otomatis ke tim yang bertanggung jawab.\n\nHal yang perlu diperiksa saat menerapkannya dalam praktik adalah sebagai berikut.\n\n- Apakah kriteria klasifikasi telah didefinisikan dengan jelas\n- Apakah output yang aman seperti “lainnya” atau “perlu diperiksa” diizinkan untuk input yang ambigu\n- Apakah output model selalu dalam format yang mudah dibaca oleh sistem lanjutan, seperti JSON, label, atau skor\n- Apakah tingkat salah klasifikasi telah diukur dengan data nyata\n\n### 2. Ringkasan dan ekstraksi informasi\n\nIni juga cocok untuk mengambil inti dari dokumen panjang, notulen rapat, artikel, dan riwayat percakapan pelanggan. Selain ringkasan sederhana, ini dapat diperluas ke pekerjaan terstruktur seperti berikut.\n\n- Ekstraksi klaim utama\n- Pembuatan daftar hal yang harus dilakukan\n- Pemisahan risiko dan keputusan\n- Ekstraksi field seperti tanggal, jumlah uang, dan penanggung jawab dari dokumen\n- Penyusunan persamaan dan perbedaan dari beberapa dokumen\n\nSaat menggunakan contoh ringkasan, lebih stabil untuk menuliskan dengan jelas “pembaca sasaran, panjang, item yang harus disertakan, item yang harus dikecualikan” daripada sekadar “ringkas secara singkat”.\n\n### 3. Tanya jawab berbasis RAG\n\nRAG adalah pola yang membuat model tidak menjawab hanya dengan pengetahuan internalnya sendiri, tetapi mencari konten terkait dari dokumen atau data eksternal yang diberikan pengguna lalu menjawab. Ini sangat penting untuk layanan yang harus menjawab berdasarkan manual internal perusahaan, dokumentasi produk, dokumen kebijakan, atau basis pengetahuan.\n\nAlur RAG yang umum adalah sebagai berikut.\n\n1. Membagi dokumen menjadi unit-unit kecil.\n2. Menyimpan setiap potongan dalam bentuk embedding atau bentuk yang dapat dicari.\n3. Mencari potongan dokumen yang terkait dengan pertanyaan pengguna.\n4. Memasukkan hasil pencarian ke dalam prompt Claude sebagai materi dasar.\n5. Claude menjawab berdasarkan dasar tersebut.\n6. Menampilkan juga dasar yang digunakan dalam jawaban, batasan, dan ketidakpastian.\n\nRAG tidak sepenuhnya menghilangkan halusinasi. Karena itu, sebaiknya masukkan batasan seperti “jawab tidak tahu jika konten tidak ada dalam dasar yang diberikan” dan “tampilkan nama dokumen dasar pada setiap jawaban” baik di prompt maupun logika aplikasi.\n\n### 4. Chatbot layanan pelanggan\n\nContoh dalam Claude Cookbooks juga dapat dijadikan referensi saat membuat chatbot yang menjawab pertanyaan pelanggan. Chatbot dasar harus mempertahankan konteks percakapan, merujuk dokumen kebijakan atau FAQ, dan memahami maksud pengguna.\n\nChatbot untuk praktik membutuhkan elemen berikut.\n\n- Klasifikasi maksud pertanyaan pengguna\n- Pembatasan jawaban terlarang atau jawaban berisiko tinggi secara hukum, medis, atau finansial\n- Koneksi ke agen manusia jika diperlukan\n- Penyimpanan riwayat percakapan dan minimalisasi informasi pribadi\n- Evaluasi jawaban model dan pemantauan log\n\nKode contoh hanyalah titik awal, dan untuk memasukkannya ke layanan pelanggan nyata, keamanan, privasi, respons gangguan, dan ruang lingkup tanggung jawab harus dirancang secara terpisah.\n\n### 5. Query database berbasis bahasa alami\n\nAda juga pola yang menghasilkan dan menjalankan SQL atau query pengambilan data ketika ditanya dalam bahasa alami seperti “tampilkan 10 produk dengan penjualan tertinggi bulan lalu”. Cara ini memungkinkan non-developer mengeksplorasi data, tetapi risikonya terhadap keamanan besar.\n\nAgar dapat digunakan dengan aman, hal berikut diperlukan.\n\n- Menggunakan akun hanya-baca\n- Mengakses hanya tabel dan kolom yang diizinkan\n- Memvalidasi query yang dihasilkan sebelum dijalankan\n- Membatasi pengambilan data dalam jumlah besar\n- Melakukan masking informasi sensitif\n- Memblokir data yang tidak berhak dilihat pengguna\n\nMenjalankan SQL yang dibuat model langsung pada database operasional adalah hal yang berbahaya. Pada tahap contoh, sebaiknya gunakan database sampel atau lingkungan pengembangan yang terisolasi.\n\n### 6. Pemrosesan gambar, chart, dan PDF\n\nDengan memanfaatkan fungsi multimodal Claude, dimungkinkan juga untuk menjelaskan gambar atau chart, serta membaca dan menstrukturkan informasi dari PDF. Misalnya, model dapat diminta mengambil angka utama dari PDF laporan, atau menjelaskan tren apa yang ditunjukkan oleh chart.\n\nNamun, pemrosesan materi visual memiliki keterbatasan. Kesalahan dapat terjadi pada tulisan kecil, tabel kompleks, resolusi rendah, atau gambar yang terpotong. Jika angka penting untuk pekerjaan, perlu dilakukan verifikasi silang dengan data asli.\n\n## Hal yang perlu disiapkan sebelum memulai Claude Cookbooks\n\n### Persiapan wajib\n\n| Persiapan | Penjelasan |\n|---|---|\n| Akun Anthropic | Diperlukan akun untuk menggunakan Claude API. |\n| Kunci API | Digunakan saat kode contoh memanggil Claude API. Sebaiknya kunci tidak diekspos langsung di dalam kode. |\n| Lingkungan Python | Banyak contoh dijalankan berbasis Python. |\n| Jupyter Notebook atau lingkungan serupa | Harus dapat membuka file notebook dan menjalankannya per sel. |\n| Data untuk pengujian | Lebih aman bereksperimen terlebih dahulu dengan data sampel daripada langsung memasukkan informasi pribadi nyata atau dokumen sensitif. |\n\n### Persiapan yang disarankan\n\n- Dasar penggunaan Git dan GitHub\n- Cara mengelola variabel lingkungan\n- Kebiasaan memantau biaya dan penggunaan API\n- Cara mengelola versi prompt\n- Daftar input pengujian dan output yang diharapkan\n- Standar penanganan informasi sensitif\n\n## Urutan dasar untuk mencoba\n\nJika baru pertama kali mengenal Claude Cookbooks, lebih baik memilih satu contoh dan menjalankannya sampai selesai daripada mencoba memahami seluruh repositori sekaligus.\n\n### Langkah 1: Meninjau struktur repositori\n\nDi repositori GitHub, periksa terlebih dahulu judul contoh, nama folder, dan README. Cari contoh yang dekat dengan fungsi yang ingin Anda buat. Misalnya, jika ingin membuat chatbot pencarian dokumen internal, contoh terkait RAG atau pencarian dokumen menjadi prioritas.\n\n### Langkah 2: Menjalankan contoh terkecil terlebih dahulu\n\nJika sejak awal memilih contoh yang mencakup database vektor, pemrosesan PDF, dan integrasi API eksternal sekaligus, penyebab error akan sulit ditemukan. Pertama, periksa apakah kunci API dan lingkungan eksekusi berfungsi normal dengan contoh sederhana seperti pemanggilan pesan, ringkasan, atau klasifikasi.\n\n### Langkah 3: Mengganti data input dengan masalah Anda sendiri\n\nSetelah menjalankan input sampel contoh apa adanya, ganti dengan input pengujian kecil yang mirip dengan data pekerjaan Anda. Pada saat ini, sebaiknya jangan memasukkan data sensitif seperti informasi pelanggan nyata, nomor identitas penduduk, informasi pembayaran, atau rahasia bisnis.\n\n### Langkah 4: Mengunci format output\n\nAgar dapat dihubungkan ke sistem praktik, jawaban model yang selalu berupa kalimat bebas akan sulit ditangani. Minta bentuk yang dapat diproses oleh kode lanjutan, seperti JSON, label standar, skor, atau item ringkasan.\n\nMisalnya, dalam pekerjaan klasifikasi, aturan output seperti berikut berguna.\n\n```text\nOutput hanya ditulis dalam JSON.\nGunakan hanya tiga field: category, confidence, reason.\ncategory harus salah satu dari refund, delivery, technical_support, account, other.\n```\n\n### Langkah 5: Mengumpulkan kasus gagal\n\nTidak cukup hanya melihat input yang membuat contoh berjalan dengan baik. Dalam layanan nyata, berbagai masalah muncul, seperti pertanyaan pendek, pertanyaan ambigu, prompt berbahaya, salah ketik, input multibahasa, dan dokumen yang hilang.\n\nMenyiapkan jenis pengujian berikut akan membantu evaluasi kualitas.\n\n- Input dengan jawaban yang jelas\n- Input dengan maksud yang ambigu\n- Input yang jawabannya tidak ada di dokumen dasar\n- Input yang mudah membuat model menebak\n- Input yang sangat panjang\n- Input yang berisi informasi sensitif\n- Input yang menginstruksikan untuk mengabaikan aturan\n\n## Poin pemanfaatan berdasarkan jenis contoh\n\n| Jenis contoh | Kasus penggunaan yang cocok | Hal yang perlu diperhatikan |\n|---|---|---|\n| Klasifikasi | Routing pertanyaan, tagging ulasan, klasifikasi dokumen | Jika definisi label tidak jelas, hasil dapat tidak stabil |\n| Ringkasan | Ringkasan notulen rapat, artikel, laporan, percakapan pelanggan | Angka penting dan nama orang perlu dibandingkan dengan teks asli |\n| RAG | Pencarian dokumen internal, FAQ produk, jawaban kebijakan | Jika kualitas pencarian rendah, jawaban model juga tidak stabil |\n| Chatbot | Layanan pelanggan, asisten kerja, tutor pendidikan | Diperlukan pengaman dan kriteria koneksi ke agen manusia |\n| Query data bahasa alami | Eksplorasi data oleh non-developer, pembuatan laporan | Manajemen izin dan validasi query bersifat wajib |\n| Analisis gambar·chart | Interpretasi laporan, penjelasan materi visual | Tulisan kecil atau tabel kompleks berpotensi menimbulkan error |\n| Pemrosesan PDF | Analisis kontrak, makalah, manual, laporan | Hasil berbeda tergantung struktur halaman dan kualitas OCR |\n| Integrasi layanan eksternal | Koneksi ke DB vektor, basis pengetahuan, API pencarian | Manajemen kunci API dan respons gangguan harus dirancang |\n\n## Kriteria memilih topik eksperimen yang baik\n\nSaat mempelajari Claude Cookbooks, lebih baik memilih “masalah kerja yang kecil dan dapat diverifikasi” daripada “demo yang keren”.\n\nSyarat proyek pertama yang baik adalah sebagai berikut.\n\n- Input dan output jelas.\n- Keberhasilan dapat dinilai dengan mudah oleh manusia.\n- Tidak memerlukan informasi sensitif.\n- Biaya API kecil.\n- Jika gagal, tidak memengaruhi pelanggan nyata atau sistem operasional.\n- Dapat diimplementasikan hanya dengan sedikit mengubah kode contoh.\n\nMisalnya, topik berikut cocok sebagai proyek awal.\n\n- Mengklasifikasikan 20 pertanyaan pelanggan ke dalam 5 kategori\n- Mengekstrak hanya keputusan dan hal yang harus dilakukan dari notulen rapat panjang\n- Memasukkan 5 dokumen publik dan membuat Q\u0026A berbasis dasar\n- Membuat chatbot layanan pelanggan sederhana berdasarkan FAQ produk\n- Mengubah pertanyaan bahasa alami terhadap data CSV sampel menjadi SQL\n\n## Checklist sebelum penerapan praktik\n\nUntuk mengubah contoh Claude Cookbooks menjadi produk nyata atau alat internal, periksa item berikut.\n\n### Checklist teknis\n\n- Apakah kunci API dikelola dengan variabel lingkungan atau alat manajemen rahasia\n- Apakah sudah siap menghadapi kegagalan pemanggilan model, timeout, dan pembatasan kecepatan\n- Apakah batas panjang input dan ukuran file ditangani\n- Apakah ada kode yang memvalidasi format output\n- Apakah informasi sensitif tidak disimpan dalam log\n- Apakah ada dataset pengujian dan kriteria evaluasi\n- Apakah regresi diuji saat versi model atau prompt berubah\n\n### Checklist kualitas\n\n- Apakah akurasi jawaban diperiksa melalui sampling oleh manusia\n- Apakah ada pedoman untuk mengurangi jawaban tanpa dasar\n- Apakah dirancang agar mengatakan tidak tahu saat tidak pasti\n- Apakah batasan jawaban AI dijelaskan kepada pengguna\n- Apakah kasus yang memerlukan tinjauan pakar domain dibedakan\n\n### Checklist keamanan·operasional\n\n- Apakah ada kebijakan input untuk informasi pribadi dan rahasia bisnis\n- Apakah akses ke data tanpa izin dicegah\n- Apakah kunci integrasi API eksternal dikelola secara terpisah\n- Apakah ada batas penggunaan untuk mencegah lonjakan biaya\n- Apakah serangan injeksi prompt pengguna dipertimbangkan\n- Apakah ada alur alternatif saat terjadi gangguan operasional\n\n## Perbedaan Claude Cookbooks dan dokumentasi resmi\n\n| Kategori | Claude Cookbooks | Dokumentasi resmi Anthropic |\n|---|---|---|\n| Tujuan | Mempelajari pola implementasi dengan cepat melalui contoh | Memeriksa spesifikasi API, konsep, dan penjelasan fungsi |\n| Format | Berpusat pada kode, notebook, dan alur kerja sampel | Berpusat pada dokumen, panduan, dan referensi |\n| Kelebihan | Mudah disalin, dijalankan, dan dimodifikasi | Menguntungkan untuk memeriksa fungsi terbaru dan parameter yang akurat |\n| Keterbatasan | Contoh tidak mencakup semua kebutuhan operasional | Bagi pemula, alur implementasi nyata dapat terasa abstrak |\n| Cara penggunaan yang disarankan | Digunakan saat membuat prototipe kecil | Digunakan saat memverifikasi perilaku dan batasan API sebelum implementasi akhir |\n\nCara terbaik adalah menggunakan kedua materi tersebut bersama-sama. Pelajari alurnya dengan Cookbooks, lalu periksa nilai input yang tepat, opsi model, dan batasan API yang digunakan melalui dokumentasi resmi.\n\n## Rute belajar yang disarankan untuk pemula\n\n1. Jalankan contoh pemanggilan dasar Claude API.\n2. Pelajari struktur prompt dan respons melalui contoh ringkasan teks pendek.\n3. Berlatih mengunci format output melalui contoh klasifikasi.\n4. Buat model menjawab berdasarkan dokumen eksternal melalui contoh RAG.\n5. Tambahkan konteks percakapan dan pengaman melalui contoh chatbot.\n6. Perluas ke contoh lanjutan yang dibutuhkan seperti gambar, PDF, dan query database.\n7. Buat set pengujian dan ukur akurasi, biaya, serta waktu respons.\n\n## Kesalahan umum dan cara mengatasinya\n\n| Kesalahan | Mengapa menjadi masalah | Cara mengatasinya |\n|---|---|---|\n| Menuliskan kunci API langsung di kode | Dapat terekspos atau bocor di repositori | Gunakan variabel lingkungan atau alat manajemen rahasia |\n| Langsung memasangnya ke operasional hanya setelah melihat hasil contoh | Penanganan error, keamanan, dan manajemen biaya bisa terlewat | Uji secara memadai di lingkungan pengembangan dan staging |\n| Menulis prompt terlalu abstrak | Output menjadi tidak konsisten | Jelaskan peran, input, format output, dan larangan |\n| Tidak mengevaluasi kualitas pencarian dalam RAG | Dokumen yang tidak relevan masuk sehingga kualitas jawaban menurun | Periksa presisi dan recall hasil pencarian secara terpisah |\n| Selalu menganggap jawaban model sebagai fakta | Halusinasi atau kesalahpahaman dapat tercampur | Tambahkan penandaan dasar, logika verifikasi, dan tinjauan manusia |\n| Tidak menetapkan batas biaya | Biaya dapat meningkat karena eksekusi berulang atau input massal | Terapkan batas jumlah panggilan, caching, dan sampling |\n\n## Kesimpulan\n\nClaude Cookbooks adalah materi praktis yang membantu berpindah dari tahap “memahami Claude API melalui dokumen” ke tahap “membuatnya langsung”. Kelebihannya adalah dapat memeriksa pola inti aplikasi AI melalui contoh, seperti klasifikasi, ringkasan, RAG, chatbot, query data, serta pemrosesan gambar·PDF.\n\nNamun, Cookbooks bukan sistem operasional yang sudah jadi, melainkan titik awal. Untuk menerapkannya pada layanan nyata, elemen operasional seperti keamanan data, validasi output, manajemen biaya, sistem evaluasi, dan izin pengguna harus ditambahkan. Pada awalnya, pendekatan paling aman dan efektif adalah menjalankan satu notebook kecil, lalu secara perlahan mengubah contoh tersebut agar sesuai dengan data pekerjaan dan kebutuhan Anda.","content_html":"\u003ch2\u003e\n\u003ca href=\"#apa-itu-claude-cookbooks\" class=\"anchor\" id=\"apa-itu-claude-cookbooks\"\u003e\u003c/a\u003eApa itu Claude Cookbooks\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks adalah repositori contoh Claude API yang dikelola oleh Anthropic di GitHub. Sesuai namanya, ini lebih mirip kumpulan materi seperti “buku resep” yang berisi potongan kode dan panduan langkah demi langkah yang dapat dijadikan referensi saat mengimplementasikan fungsi tertentu.\u003c/p\u003e\n\u003cp\u003eDokumentasi API resmi kuat untuk memeriksa konsep dan spesifikasi, tetapi bagi orang yang baru mulai mengembangkan, masih bisa ada jarak berupa pertanyaan “jadi bagaimana cara memakainya di kode saya?” Claude Cookbooks membantu mengurangi jarak ini. Ia menampilkan tugas yang sering ditemui dalam layanan nyata, seperti klasifikasi teks, ringkasan, RAG, chatbot, dan pemrosesan dokumen, melalui contoh yang dapat dijalankan.\u003c/p\u003e\n\u003cp\u003eBerdasarkan materi yang disediakan oleh pengelola, repositori ini adalah proyek populer yang menerima puluhan ribu bintang di GitHub, dan dapat menjadi titik awal praktis bagi developer dan perencana yang ingin bereksperimen dengan Claude API.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#definisi-utama\" class=\"anchor\" id=\"definisi-utama\"\u003e\u003c/a\u003eDefinisi utama\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eIstilah\u003c/th\u003e\n\u003cth\u003eMakna\u003c/th\u003e\n\u003cth\u003ePeran dalam Claude Cookbooks\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Istilah\"\u003eClaude API\u003c/td\u003e\n\u003ctd data-label=\"Makna\"\u003eAPI untuk memanggil model Claude milik Anthropic dari aplikasi\u003c/td\u003e\n\u003ctd data-label=\"Peran dalam Claude Cookbooks\"\u003eAntarmuka inti yang dipanggil oleh kode contoh\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Istilah\"\u003eCookbook\u003c/td\u003e\n\u003ctd data-label=\"Makna\"\u003eKumpulan dokumen dan kode berbasis contoh untuk menyelesaikan masalah tertentu\u003c/td\u003e\n\u003ctd data-label=\"Peran dalam Claude Cookbooks\"\u003eCara belajar dengan menyalin dan memodifikasi sampel per fungsi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Istilah\"\u003eJupyter Notebook\u003c/td\u003e\n\u003ctd data-label=\"Makna\"\u003eFormat dokumen interaktif yang dapat menangani penjelasan, kode, dan hasil eksekusi dalam satu file\u003c/td\u003e\n\u003ctd data-label=\"Peran dalam Claude Cookbooks\"\u003eCocok untuk menjalankan contoh baris demi baris dan memeriksa hasilnya\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Istilah\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Makna\"\u003eRetrieval-Augmented Generation, metode yang mencari materi eksternal dan memanfaatkannya dalam jawaban model\u003c/td\u003e\n\u003ctd data-label=\"Peran dalam Claude Cookbooks\"\u003eDigunakan untuk sistem jawaban berbasis dokumen internal, basis pengetahuan, dan FAQ\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Istilah\"\u003eDatabase vektor\u003c/td\u003e\n\u003ctd data-label=\"Makna\"\u003ePenyimpanan yang menyimpan dokumen sebagai vektor berbasis makna dan mencari berdasarkan kemiripan\u003c/td\u003e\n\u003ctd data-label=\"Peran dalam Claude Cookbooks\"\u003eDigunakan saat mengimplementasikan RAG dengan menghubungkannya ke layanan eksternal seperti 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=\"#masalah-apa-yang-dapat-diselesaikan\" class=\"anchor\" id=\"masalah-apa-yang-dapat-diselesaikan\"\u003e\u003c/a\u003eMasalah apa yang dapat diselesaikan\u003c/h2\u003e\n\u003cp\u003eNilai Claude Cookbooks terletak pada kemampuannya menunjukkan bukan hanya “cara memanggil model”, tetapi juga “cara memasukkan model ke dalam alur kerja nyata”. Topik contoh terhubung dengan skenario penggunaan seperti berikut.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-klasifikasi-teks-dan-routing\" class=\"anchor\" id=\"1-klasifikasi-teks-dan-routing\"\u003e\u003c/a\u003e1. Klasifikasi teks dan routing\u003c/h3\u003e\n\u003cp\u003eIni dapat digunakan untuk mengklasifikasikan pertanyaan pelanggan, ulasan, dokumen, dan email ke dalam kategori yang telah ditentukan. Misalnya, dalam sistem pusat layanan pelanggan, isi pertanyaan dapat dibagi menjadi “pengembalian dana”, “pengiriman”, “dukungan teknis”, dan “masalah akun”, lalu diteruskan otomatis ke tim yang bertanggung jawab.\u003c/p\u003e\n\u003cp\u003eHal yang perlu diperiksa saat menerapkannya dalam praktik adalah sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eApakah kriteria klasifikasi telah didefinisikan dengan jelas\u003c/li\u003e\n\u003cli\u003eApakah output yang aman seperti “lainnya” atau “perlu diperiksa” diizinkan untuk input yang ambigu\u003c/li\u003e\n\u003cli\u003eApakah output model selalu dalam format yang mudah dibaca oleh sistem lanjutan, seperti JSON, label, atau skor\u003c/li\u003e\n\u003cli\u003eApakah tingkat salah klasifikasi telah diukur dengan data nyata\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-ringkasan-dan-ekstraksi-informasi\" class=\"anchor\" id=\"2-ringkasan-dan-ekstraksi-informasi\"\u003e\u003c/a\u003e2. Ringkasan dan ekstraksi informasi\u003c/h3\u003e\n\u003cp\u003eIni juga cocok untuk mengambil inti dari dokumen panjang, notulen rapat, artikel, dan riwayat percakapan pelanggan. Selain ringkasan sederhana, ini dapat diperluas ke pekerjaan terstruktur seperti berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEkstraksi klaim utama\u003c/li\u003e\n\u003cli\u003ePembuatan daftar hal yang harus dilakukan\u003c/li\u003e\n\u003cli\u003ePemisahan risiko dan keputusan\u003c/li\u003e\n\u003cli\u003eEkstraksi field seperti tanggal, jumlah uang, dan penanggung jawab dari dokumen\u003c/li\u003e\n\u003cli\u003ePenyusunan persamaan dan perbedaan dari beberapa dokumen\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eSaat menggunakan contoh ringkasan, lebih stabil untuk menuliskan dengan jelas “pembaca sasaran, panjang, item yang harus disertakan, item yang harus dikecualikan” daripada sekadar “ringkas secara singkat”.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-tanya-jawab-berbasis-rag\" class=\"anchor\" id=\"3-tanya-jawab-berbasis-rag\"\u003e\u003c/a\u003e3. Tanya jawab berbasis RAG\u003c/h3\u003e\n\u003cp\u003eRAG adalah pola yang membuat model tidak menjawab hanya dengan pengetahuan internalnya sendiri, tetapi mencari konten terkait dari dokumen atau data eksternal yang diberikan pengguna lalu menjawab. Ini sangat penting untuk layanan yang harus menjawab berdasarkan manual internal perusahaan, dokumentasi produk, dokumen kebijakan, atau basis pengetahuan.\u003c/p\u003e\n\u003cp\u003eAlur RAG yang umum adalah sebagai berikut.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eMembagi dokumen menjadi unit-unit kecil.\u003c/li\u003e\n\u003cli\u003eMenyimpan setiap potongan dalam bentuk embedding atau bentuk yang dapat dicari.\u003c/li\u003e\n\u003cli\u003eMencari potongan dokumen yang terkait dengan pertanyaan pengguna.\u003c/li\u003e\n\u003cli\u003eMemasukkan hasil pencarian ke dalam prompt Claude sebagai materi dasar.\u003c/li\u003e\n\u003cli\u003eClaude menjawab berdasarkan dasar tersebut.\u003c/li\u003e\n\u003cli\u003eMenampilkan juga dasar yang digunakan dalam jawaban, batasan, dan ketidakpastian.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eRAG tidak sepenuhnya menghilangkan halusinasi. Karena itu, sebaiknya masukkan batasan seperti “jawab tidak tahu jika konten tidak ada dalam dasar yang diberikan” dan “tampilkan nama dokumen dasar pada setiap jawaban” baik di prompt maupun logika aplikasi.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-chatbot-layanan-pelanggan\" class=\"anchor\" id=\"4-chatbot-layanan-pelanggan\"\u003e\u003c/a\u003e4. Chatbot layanan pelanggan\u003c/h3\u003e\n\u003cp\u003eContoh dalam Claude Cookbooks juga dapat dijadikan referensi saat membuat chatbot yang menjawab pertanyaan pelanggan. Chatbot dasar harus mempertahankan konteks percakapan, merujuk dokumen kebijakan atau FAQ, dan memahami maksud pengguna.\u003c/p\u003e\n\u003cp\u003eChatbot untuk praktik membutuhkan elemen berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eKlasifikasi maksud pertanyaan pengguna\u003c/li\u003e\n\u003cli\u003ePembatasan jawaban terlarang atau jawaban berisiko tinggi secara hukum, medis, atau finansial\u003c/li\u003e\n\u003cli\u003eKoneksi ke agen manusia jika diperlukan\u003c/li\u003e\n\u003cli\u003ePenyimpanan riwayat percakapan dan minimalisasi informasi pribadi\u003c/li\u003e\n\u003cli\u003eEvaluasi jawaban model dan pemantauan log\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eKode contoh hanyalah titik awal, dan untuk memasukkannya ke layanan pelanggan nyata, keamanan, privasi, respons gangguan, dan ruang lingkup tanggung jawab harus dirancang secara terpisah.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-query-database-berbasis-bahasa-alami\" class=\"anchor\" id=\"5-query-database-berbasis-bahasa-alami\"\u003e\u003c/a\u003e5. Query database berbasis bahasa alami\u003c/h3\u003e\n\u003cp\u003eAda juga pola yang menghasilkan dan menjalankan SQL atau query pengambilan data ketika ditanya dalam bahasa alami seperti “tampilkan 10 produk dengan penjualan tertinggi bulan lalu”. Cara ini memungkinkan non-developer mengeksplorasi data, tetapi risikonya terhadap keamanan besar.\u003c/p\u003e\n\u003cp\u003eAgar dapat digunakan dengan aman, hal berikut diperlukan.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eMenggunakan akun hanya-baca\u003c/li\u003e\n\u003cli\u003eMengakses hanya tabel dan kolom yang diizinkan\u003c/li\u003e\n\u003cli\u003eMemvalidasi query yang dihasilkan sebelum dijalankan\u003c/li\u003e\n\u003cli\u003eMembatasi pengambilan data dalam jumlah besar\u003c/li\u003e\n\u003cli\u003eMelakukan masking informasi sensitif\u003c/li\u003e\n\u003cli\u003eMemblokir data yang tidak berhak dilihat pengguna\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eMenjalankan SQL yang dibuat model langsung pada database operasional adalah hal yang berbahaya. Pada tahap contoh, sebaiknya gunakan database sampel atau lingkungan pengembangan yang terisolasi.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-pemrosesan-gambar-chart-dan-pdf\" class=\"anchor\" id=\"6-pemrosesan-gambar-chart-dan-pdf\"\u003e\u003c/a\u003e6. Pemrosesan gambar, chart, dan PDF\u003c/h3\u003e\n\u003cp\u003eDengan memanfaatkan fungsi multimodal Claude, dimungkinkan juga untuk menjelaskan gambar atau chart, serta membaca dan menstrukturkan informasi dari PDF. Misalnya, model dapat diminta mengambil angka utama dari PDF laporan, atau menjelaskan tren apa yang ditunjukkan oleh chart.\u003c/p\u003e\n\u003cp\u003eNamun, pemrosesan materi visual memiliki keterbatasan. Kesalahan dapat terjadi pada tulisan kecil, tabel kompleks, resolusi rendah, atau gambar yang terpotong. Jika angka penting untuk pekerjaan, perlu dilakukan verifikasi silang dengan data asli.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#hal-yang-perlu-disiapkan-sebelum-memulai-claude-cookbooks\" class=\"anchor\" id=\"hal-yang-perlu-disiapkan-sebelum-memulai-claude-cookbooks\"\u003e\u003c/a\u003eHal yang perlu disiapkan sebelum memulai Claude Cookbooks\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#persiapan-wajib\" class=\"anchor\" id=\"persiapan-wajib\"\u003e\u003c/a\u003ePersiapan wajib\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003ePersiapan\u003c/th\u003e\n\u003cth\u003ePenjelasan\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Persiapan\"\u003eAkun Anthropic\u003c/td\u003e\n\u003ctd data-label=\"Penjelasan\"\u003eDiperlukan akun untuk menggunakan Claude API.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Persiapan\"\u003eKunci API\u003c/td\u003e\n\u003ctd data-label=\"Penjelasan\"\u003eDigunakan saat kode contoh memanggil Claude API. Sebaiknya kunci tidak diekspos langsung di dalam kode.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Persiapan\"\u003eLingkungan Python\u003c/td\u003e\n\u003ctd data-label=\"Penjelasan\"\u003eBanyak contoh dijalankan berbasis Python.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Persiapan\"\u003eJupyter Notebook atau lingkungan serupa\u003c/td\u003e\n\u003ctd data-label=\"Penjelasan\"\u003eHarus dapat membuka file notebook dan menjalankannya per sel.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Persiapan\"\u003eData untuk pengujian\u003c/td\u003e\n\u003ctd data-label=\"Penjelasan\"\u003eLebih aman bereksperimen terlebih dahulu dengan data sampel daripada langsung memasukkan informasi pribadi nyata atau dokumen sensitif.\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch3\u003e\n\u003ca href=\"#persiapan-yang-disarankan\" class=\"anchor\" id=\"persiapan-yang-disarankan\"\u003e\u003c/a\u003ePersiapan yang disarankan\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eDasar penggunaan Git dan GitHub\u003c/li\u003e\n\u003cli\u003eCara mengelola variabel lingkungan\u003c/li\u003e\n\u003cli\u003eKebiasaan memantau biaya dan penggunaan API\u003c/li\u003e\n\u003cli\u003eCara mengelola versi prompt\u003c/li\u003e\n\u003cli\u003eDaftar input pengujian dan output yang diharapkan\u003c/li\u003e\n\u003cli\u003eStandar penanganan informasi sensitif\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#urutan-dasar-untuk-mencoba\" class=\"anchor\" id=\"urutan-dasar-untuk-mencoba\"\u003e\u003c/a\u003eUrutan dasar untuk mencoba\u003c/h2\u003e\n\u003cp\u003eJika baru pertama kali mengenal Claude Cookbooks, lebih baik memilih satu contoh dan menjalankannya sampai selesai daripada mencoba memahami seluruh repositori sekaligus.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#langkah-1-meninjau-struktur-repositori\" class=\"anchor\" id=\"langkah-1-meninjau-struktur-repositori\"\u003e\u003c/a\u003eLangkah 1: Meninjau struktur repositori\u003c/h3\u003e\n\u003cp\u003eDi repositori GitHub, periksa terlebih dahulu judul contoh, nama folder, dan README. Cari contoh yang dekat dengan fungsi yang ingin Anda buat. Misalnya, jika ingin membuat chatbot pencarian dokumen internal, contoh terkait RAG atau pencarian dokumen menjadi prioritas.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#langkah-2-menjalankan-contoh-terkecil-terlebih-dahulu\" class=\"anchor\" id=\"langkah-2-menjalankan-contoh-terkecil-terlebih-dahulu\"\u003e\u003c/a\u003eLangkah 2: Menjalankan contoh terkecil terlebih dahulu\u003c/h3\u003e\n\u003cp\u003eJika sejak awal memilih contoh yang mencakup database vektor, pemrosesan PDF, dan integrasi API eksternal sekaligus, penyebab error akan sulit ditemukan. Pertama, periksa apakah kunci API dan lingkungan eksekusi berfungsi normal dengan contoh sederhana seperti pemanggilan pesan, ringkasan, atau klasifikasi.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#langkah-3-mengganti-data-input-dengan-masalah-anda-sendiri\" class=\"anchor\" id=\"langkah-3-mengganti-data-input-dengan-masalah-anda-sendiri\"\u003e\u003c/a\u003eLangkah 3: Mengganti data input dengan masalah Anda sendiri\u003c/h3\u003e\n\u003cp\u003eSetelah menjalankan input sampel contoh apa adanya, ganti dengan input pengujian kecil yang mirip dengan data pekerjaan Anda. Pada saat ini, sebaiknya jangan memasukkan data sensitif seperti informasi pelanggan nyata, nomor identitas penduduk, informasi pembayaran, atau rahasia bisnis.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#langkah-4-mengunci-format-output\" class=\"anchor\" id=\"langkah-4-mengunci-format-output\"\u003e\u003c/a\u003eLangkah 4: Mengunci format output\u003c/h3\u003e\n\u003cp\u003eAgar dapat dihubungkan ke sistem praktik, jawaban model yang selalu berupa kalimat bebas akan sulit ditangani. Minta bentuk yang dapat diproses oleh kode lanjutan, seperti JSON, label standar, skor, atau item ringkasan.\u003c/p\u003e\n\u003cp\u003eMisalnya, dalam pekerjaan klasifikasi, aturan output seperti berikut berguna.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eOutput hanya ditulis dalam JSON.\n\u003c/span\u003e\u003cspan\u003eGunakan hanya tiga field: category, confidence, reason.\n\u003c/span\u003e\u003cspan\u003ecategory harus salah satu dari refund, delivery, technical_support, account, other.\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003ch3\u003e\n\u003ca href=\"#langkah-5-mengumpulkan-kasus-gagal\" class=\"anchor\" id=\"langkah-5-mengumpulkan-kasus-gagal\"\u003e\u003c/a\u003eLangkah 5: Mengumpulkan kasus gagal\u003c/h3\u003e\n\u003cp\u003eTidak cukup hanya melihat input yang membuat contoh berjalan dengan baik. Dalam layanan nyata, berbagai masalah muncul, seperti pertanyaan pendek, pertanyaan ambigu, prompt berbahaya, salah ketik, input multibahasa, dan dokumen yang hilang.\u003c/p\u003e\n\u003cp\u003eMenyiapkan jenis pengujian berikut akan membantu evaluasi kualitas.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eInput dengan jawaban yang jelas\u003c/li\u003e\n\u003cli\u003eInput dengan maksud yang ambigu\u003c/li\u003e\n\u003cli\u003eInput yang jawabannya tidak ada di dokumen dasar\u003c/li\u003e\n\u003cli\u003eInput yang mudah membuat model menebak\u003c/li\u003e\n\u003cli\u003eInput yang sangat panjang\u003c/li\u003e\n\u003cli\u003eInput yang berisi informasi sensitif\u003c/li\u003e\n\u003cli\u003eInput yang menginstruksikan untuk mengabaikan aturan\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#poin-pemanfaatan-berdasarkan-jenis-contoh\" class=\"anchor\" id=\"poin-pemanfaatan-berdasarkan-jenis-contoh\"\u003e\u003c/a\u003ePoin pemanfaatan berdasarkan jenis contoh\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eJenis contoh\u003c/th\u003e\n\u003cth\u003eKasus penggunaan yang cocok\u003c/th\u003e\n\u003cth\u003eHal yang perlu diperhatikan\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eKlasifikasi\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eRouting pertanyaan, tagging ulasan, klasifikasi dokumen\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eJika definisi label tidak jelas, hasil dapat tidak stabil\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eRingkasan\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eRingkasan notulen rapat, artikel, laporan, percakapan pelanggan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eAngka penting dan nama orang perlu dibandingkan dengan teks asli\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003ePencarian dokumen internal, FAQ produk, jawaban kebijakan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eJika kualitas pencarian rendah, jawaban model juga tidak stabil\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eChatbot\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eLayanan pelanggan, asisten kerja, tutor pendidikan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eDiperlukan pengaman dan kriteria koneksi ke agen manusia\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eQuery data bahasa alami\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eEksplorasi data oleh non-developer, pembuatan laporan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eManajemen izin dan validasi query bersifat wajib\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eAnalisis gambar·chart\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eInterpretasi laporan, penjelasan materi visual\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eTulisan kecil atau tabel kompleks berpotensi menimbulkan error\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003ePemrosesan PDF\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eAnalisis kontrak, makalah, manual, laporan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eHasil berbeda tergantung struktur halaman dan kualitas OCR\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Jenis contoh\"\u003eIntegrasi layanan eksternal\u003c/td\u003e\n\u003ctd data-label=\"Kasus penggunaan yang cocok\"\u003eKoneksi ke DB vektor, basis pengetahuan, API pencarian\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan\"\u003eManajemen kunci API dan respons gangguan harus dirancang\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#kriteria-memilih-topik-eksperimen-yang-baik\" class=\"anchor\" id=\"kriteria-memilih-topik-eksperimen-yang-baik\"\u003e\u003c/a\u003eKriteria memilih topik eksperimen yang baik\u003c/h2\u003e\n\u003cp\u003eSaat mempelajari Claude Cookbooks, lebih baik memilih “masalah kerja yang kecil dan dapat diverifikasi” daripada “demo yang keren”.\u003c/p\u003e\n\u003cp\u003eSyarat proyek pertama yang baik adalah sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eInput dan output jelas.\u003c/li\u003e\n\u003cli\u003eKeberhasilan dapat dinilai dengan mudah oleh manusia.\u003c/li\u003e\n\u003cli\u003eTidak memerlukan informasi sensitif.\u003c/li\u003e\n\u003cli\u003eBiaya API kecil.\u003c/li\u003e\n\u003cli\u003eJika gagal, tidak memengaruhi pelanggan nyata atau sistem operasional.\u003c/li\u003e\n\u003cli\u003eDapat diimplementasikan hanya dengan sedikit mengubah kode contoh.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eMisalnya, topik berikut cocok sebagai proyek awal.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eMengklasifikasikan 20 pertanyaan pelanggan ke dalam 5 kategori\u003c/li\u003e\n\u003cli\u003eMengekstrak hanya keputusan dan hal yang harus dilakukan dari notulen rapat panjang\u003c/li\u003e\n\u003cli\u003eMemasukkan 5 dokumen publik dan membuat Q\u0026amp;A berbasis dasar\u003c/li\u003e\n\u003cli\u003eMembuat chatbot layanan pelanggan sederhana berdasarkan FAQ produk\u003c/li\u003e\n\u003cli\u003eMengubah pertanyaan bahasa alami terhadap data CSV sampel menjadi SQL\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#checklist-sebelum-penerapan-praktik\" class=\"anchor\" id=\"checklist-sebelum-penerapan-praktik\"\u003e\u003c/a\u003eChecklist sebelum penerapan praktik\u003c/h2\u003e\n\u003cp\u003eUntuk mengubah contoh Claude Cookbooks menjadi produk nyata atau alat internal, periksa item berikut.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-teknis\" class=\"anchor\" id=\"checklist-teknis\"\u003e\u003c/a\u003eChecklist teknis\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah kunci API dikelola dengan variabel lingkungan atau alat manajemen rahasia\u003c/li\u003e\n\u003cli\u003eApakah sudah siap menghadapi kegagalan pemanggilan model, timeout, dan pembatasan kecepatan\u003c/li\u003e\n\u003cli\u003eApakah batas panjang input dan ukuran file ditangani\u003c/li\u003e\n\u003cli\u003eApakah ada kode yang memvalidasi format output\u003c/li\u003e\n\u003cli\u003eApakah informasi sensitif tidak disimpan dalam log\u003c/li\u003e\n\u003cli\u003eApakah ada dataset pengujian dan kriteria evaluasi\u003c/li\u003e\n\u003cli\u003eApakah regresi diuji saat versi model atau prompt berubah\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-kualitas\" class=\"anchor\" id=\"checklist-kualitas\"\u003e\u003c/a\u003eChecklist kualitas\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah akurasi jawaban diperiksa melalui sampling oleh manusia\u003c/li\u003e\n\u003cli\u003eApakah ada pedoman untuk mengurangi jawaban tanpa dasar\u003c/li\u003e\n\u003cli\u003eApakah dirancang agar mengatakan tidak tahu saat tidak pasti\u003c/li\u003e\n\u003cli\u003eApakah batasan jawaban AI dijelaskan kepada pengguna\u003c/li\u003e\n\u003cli\u003eApakah kasus yang memerlukan tinjauan pakar domain dibedakan\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-keamananoperasional\" class=\"anchor\" id=\"checklist-keamananoperasional\"\u003e\u003c/a\u003eChecklist keamanan·operasional\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah ada kebijakan input untuk informasi pribadi dan rahasia bisnis\u003c/li\u003e\n\u003cli\u003eApakah akses ke data tanpa izin dicegah\u003c/li\u003e\n\u003cli\u003eApakah kunci integrasi API eksternal dikelola secara terpisah\u003c/li\u003e\n\u003cli\u003eApakah ada batas penggunaan untuk mencegah lonjakan biaya\u003c/li\u003e\n\u003cli\u003eApakah serangan injeksi prompt pengguna dipertimbangkan\u003c/li\u003e\n\u003cli\u003eApakah ada alur alternatif saat terjadi gangguan operasional\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#perbedaan-claude-cookbooks-dan-dokumentasi-resmi\" class=\"anchor\" id=\"perbedaan-claude-cookbooks-dan-dokumentasi-resmi\"\u003e\u003c/a\u003ePerbedaan Claude Cookbooks dan dokumentasi resmi\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategori\u003c/th\u003e\n\u003cth\u003eClaude Cookbooks\u003c/th\u003e\n\u003cth\u003eDokumentasi resmi Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eTujuan\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eMempelajari pola implementasi dengan cepat melalui contoh\u003c/td\u003e\n\u003ctd data-label=\"Dokumentasi resmi Anthropic\"\u003eMemeriksa spesifikasi API, konsep, dan penjelasan fungsi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eFormat\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eBerpusat pada kode, notebook, dan alur kerja sampel\u003c/td\u003e\n\u003ctd data-label=\"Dokumentasi resmi Anthropic\"\u003eBerpusat pada dokumen, panduan, dan referensi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eKelebihan\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eMudah disalin, dijalankan, dan dimodifikasi\u003c/td\u003e\n\u003ctd data-label=\"Dokumentasi resmi Anthropic\"\u003eMenguntungkan untuk memeriksa fungsi terbaru dan parameter yang akurat\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eKeterbatasan\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eContoh tidak mencakup semua kebutuhan operasional\u003c/td\u003e\n\u003ctd data-label=\"Dokumentasi resmi Anthropic\"\u003eBagi pemula, alur implementasi nyata dapat terasa abstrak\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eCara penggunaan yang disarankan\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eDigunakan saat membuat prototipe kecil\u003c/td\u003e\n\u003ctd data-label=\"Dokumentasi resmi Anthropic\"\u003eDigunakan saat memverifikasi perilaku dan batasan API sebelum implementasi akhir\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eCara terbaik adalah menggunakan kedua materi tersebut bersama-sama. Pelajari alurnya dengan Cookbooks, lalu periksa nilai input yang tepat, opsi model, dan batasan API yang digunakan melalui dokumentasi resmi.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#rute-belajar-yang-disarankan-untuk-pemula\" class=\"anchor\" id=\"rute-belajar-yang-disarankan-untuk-pemula\"\u003e\u003c/a\u003eRute belajar yang disarankan untuk pemula\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eJalankan contoh pemanggilan dasar Claude API.\u003c/li\u003e\n\u003cli\u003ePelajari struktur prompt dan respons melalui contoh ringkasan teks pendek.\u003c/li\u003e\n\u003cli\u003eBerlatih mengunci format output melalui contoh klasifikasi.\u003c/li\u003e\n\u003cli\u003eBuat model menjawab berdasarkan dokumen eksternal melalui contoh RAG.\u003c/li\u003e\n\u003cli\u003eTambahkan konteks percakapan dan pengaman melalui contoh chatbot.\u003c/li\u003e\n\u003cli\u003ePerluas ke contoh lanjutan yang dibutuhkan seperti gambar, PDF, dan query database.\u003c/li\u003e\n\u003cli\u003eBuat set pengujian dan ukur akurasi, biaya, serta waktu respons.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#kesalahan-umum-dan-cara-mengatasinya\" class=\"anchor\" id=\"kesalahan-umum-dan-cara-mengatasinya\"\u003e\u003c/a\u003eKesalahan umum dan cara mengatasinya\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKesalahan\u003c/th\u003e\n\u003cth\u003eMengapa menjadi masalah\u003c/th\u003e\n\u003cth\u003eCara mengatasinya\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eMenuliskan kunci API langsung di kode\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003eDapat terekspos atau bocor di repositori\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003eGunakan variabel lingkungan atau alat manajemen rahasia\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eLangsung memasangnya ke operasional hanya setelah melihat hasil contoh\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003ePenanganan error, keamanan, dan manajemen biaya bisa terlewat\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003eUji secara memadai di lingkungan pengembangan dan staging\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eMenulis prompt terlalu abstrak\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003eOutput menjadi tidak konsisten\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003eJelaskan peran, input, format output, dan larangan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eTidak mengevaluasi kualitas pencarian dalam RAG\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003eDokumen yang tidak relevan masuk sehingga kualitas jawaban menurun\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003ePeriksa presisi dan recall hasil pencarian secara terpisah\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eSelalu menganggap jawaban model sebagai fakta\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003eHalusinasi atau kesalahpahaman dapat tercampur\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003eTambahkan penandaan dasar, logika verifikasi, dan tinjauan manusia\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kesalahan\"\u003eTidak menetapkan batas biaya\u003c/td\u003e\n\u003ctd data-label=\"Mengapa menjadi masalah\"\u003eBiaya dapat meningkat karena eksekusi berulang atau input massal\u003c/td\u003e\n\u003ctd data-label=\"Cara mengatasinya\"\u003eTerapkan batas jumlah panggilan, caching, dan sampling\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#kesimpulan\" class=\"anchor\" id=\"kesimpulan\"\u003e\u003c/a\u003eKesimpulan\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks adalah materi praktis yang membantu berpindah dari tahap “memahami Claude API melalui dokumen” ke tahap “membuatnya langsung”. Kelebihannya adalah dapat memeriksa pola inti aplikasi AI melalui contoh, seperti klasifikasi, ringkasan, RAG, chatbot, query data, serta pemrosesan gambar·PDF.\u003c/p\u003e\n\u003cp\u003eNamun, Cookbooks bukan sistem operasional yang sudah jadi, melainkan titik awal. Untuk menerapkannya pada layanan nyata, elemen operasional seperti keamanan data, validasi output, manajemen biaya, sistem evaluasi, dan izin pengguna harus ditambahkan. Pada awalnya, pendekatan paling aman dan efektif adalah menjalankan satu notebook kecil, lalu secara perlahan mengubah contoh tersebut agar sesuai dengan data pekerjaan dan kebutuhan Anda.\u003c/p\u003e\n","tags":["Claude API","Anthropic","Pengembangan AI","RAG","Jupyter Notebook"],"faqs":[{"question":"Apa itu Claude Cookbooks?","answer":"Claude Cookbooks adalah kumpulan contoh Claude API yang dikelola oleh Anthropic di GitHub. Anda dapat mempelajari pola yang sering digunakan dalam aplikasi nyata, seperti klasifikasi teks, peringkasan, RAG, chatbot, kueri data, serta pemrosesan gambar dan PDF, melalui kode dan penjelasan."},{"question":"Apa yang diperlukan untuk menggunakan Claude Cookbooks?","answer":"Pada dasarnya, Anda memerlukan akun Anthropic, kunci Claude API, lingkungan eksekusi Python, dan alat yang dapat membuka Jupyter Notebook. Untuk bereksperimen dengan contoh secara aman, sebaiknya gunakan data sampel terlebih dahulu, bukan data pribadi atau materi rahasia yang sebenarnya."},{"question":"Apakah Claude Cookbooks dapat digunakan oleh pemula?","answer":"Jika memahami konsep dasar Python dan pemanggilan API, pemula juga dapat mencobanya. Karena sebagian besar contoh disediakan dalam format notebook yang menyertakan penjelasan dan kode, cara yang cocok adalah menjalankan contoh kecil terlebih dahulu sambil mengubah nilai input dan prompt."},{"question":"Dalam kasus apa contoh RAG berguna?","answer":"Contoh RAG berguna untuk sistem yang harus menjawab berdasarkan materi tertentu, seperti dokumen internal perusahaan, manual produk, FAQ, atau dokumen kebijakan. Model dapat dibuat untuk menjawab dengan merujuk pada dokumen yang ditemukan, tetapi kualitas pencarian dan penandaan dasar rujukan harus dikelola bersama agar mendapatkan hasil yang stabil."},{"question":"Bolehkah contoh Claude Cookbooks langsung dipasang pada layanan operasional?","answer":"Tidak disarankan untuk langsung memasangnya pada layanan operasional. Contoh adalah titik awal untuk pembelajaran dan prototipe, jadi sebelum penerapan nyata, Anda perlu menambahkan keamanan kunci API, penanganan kesalahan, validasi output, perlindungan data pribadi, pembatasan biaya, manajemen izin, dan evaluasi kualitas."},{"question":"Bagaimana sebaiknya Claude Cookbooks dan dokumentasi resmi Anthropic digunakan bersama?","answer":"Claude Cookbooks baik untuk mempelajari alur implementasi dan pola praktik nyata, sedangkan dokumentasi resmi Anthropic baik untuk memeriksa parameter API, format permintaan, perilaku model, dan batasan. Cara yang efisien adalah menjalankan contoh Cookbooks terlebih dahulu, lalu memverifikasi pengaturan terperinci melalui dokumentasi resmi."},{"question":"Apa hal terpenting saat membuat chatbot dengan Claude Cookbooks?","answer":"Saat membuat chatbot, bukan hanya kualitas percakapan yang penting, tetapi juga pengaman. Anda perlu merancang alur agar chatbot mengatakan tidak tahu untuk pertanyaan yang tidak dapat dijawab, membatasi permintaan sensitif, dan bila perlu mengalihkannya ke konsultan manusia atau prosedur terpisah."},{"question":"Apakah contoh kueri database dengan bahasa alami aman?","answer":"Kueri database dengan bahasa alami memang praktis, tetapi memiliki risiko keamanan. Jangan langsung menjalankan kueri yang dibuat model pada database operasional; terapkan izin hanya-baca, pembatasan tabel yang diizinkan, validasi kueri, pembatasan kueri massal, dan masking informasi sensitif."},{"question":"Apa yang perlu diperhatikan saat menggunakan contoh pemrosesan gambar atau PDF?","answer":"Dalam pemrosesan gambar dan PDF, hasil dapat berbeda tergantung pada resolusi, struktur tabel, ukuran huruf, dan kualitas pemindaian. Terutama untuk informasi yang membutuhkan akurasi, seperti angka atau ketentuan kontrak, sebaiknya lakukan verifikasi silang dengan dokumen asli atau alat ekstraksi terpisah."}],"sources":[{"url":"https://github.com/anthropics/claude-cookbooks","title":"Repositori GitHub Anthropic Claude Cookbooks","type":"source"},{"url":"https://docs.anthropic.com/en/api/getting-started","title":"Memulai Anthropic API","type":"source"},{"url":"https://docs.anthropic.com/en/api/messages","title":"Referensi Anthropic Messages API","type":"source"},{"url":"https://docs.jupyter.org/en/latest/","title":"Dokumentasi Jupyter","type":"source"},{"url":"https://docs.pinecone.io/","title":"Dokumentasi 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/en/articles/claude-cookbooks-api-examples-guide"}