---
title: "Claude Cookbooks: Materi GitHub resmi untuk cepat mengikuti contoh praktis Claude API"
locale: id
category: tutorial
category_name: "Tutorial"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/claude-cookbooks-api-examples-guide
published_at: 2026-07-19T22:54:40+09:00
---

# Claude Cookbooks: Materi GitHub resmi untuk cepat mengikuti contoh praktis Claude API

> 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.

## 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.

## Apa itu Claude Cookbooks

Claude 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.

Dokumentasi 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.

Berdasarkan 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.

## Definisi utama

| Istilah | Makna | Peran dalam Claude Cookbooks |
|---|---|---|
| Claude API | API untuk memanggil model Claude milik Anthropic dari aplikasi | Antarmuka inti yang dipanggil oleh kode contoh |
| Cookbook | Kumpulan dokumen dan kode berbasis contoh untuk menyelesaikan masalah tertentu | Cara belajar dengan menyalin dan memodifikasi sampel per fungsi |
| 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 |
| 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 |
| 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 |

## Masalah apa yang dapat diselesaikan

Nilai 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.

### 1. Klasifikasi teks dan routing

Ini 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.

Hal yang perlu diperiksa saat menerapkannya dalam praktik adalah sebagai berikut.

- Apakah kriteria klasifikasi telah didefinisikan dengan jelas
- Apakah output yang aman seperti “lainnya” atau “perlu diperiksa” diizinkan untuk input yang ambigu
- Apakah output model selalu dalam format yang mudah dibaca oleh sistem lanjutan, seperti JSON, label, atau skor
- Apakah tingkat salah klasifikasi telah diukur dengan data nyata

### 2. Ringkasan dan ekstraksi informasi

Ini 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.

- Ekstraksi klaim utama
- Pembuatan daftar hal yang harus dilakukan
- Pemisahan risiko dan keputusan
- Ekstraksi field seperti tanggal, jumlah uang, dan penanggung jawab dari dokumen
- Penyusunan persamaan dan perbedaan dari beberapa dokumen

Saat 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”.

### 3. Tanya jawab berbasis RAG

RAG 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.

Alur RAG yang umum adalah sebagai berikut.

1. Membagi dokumen menjadi unit-unit kecil.
2. Menyimpan setiap potongan dalam bentuk embedding atau bentuk yang dapat dicari.
3. Mencari potongan dokumen yang terkait dengan pertanyaan pengguna.
4. Memasukkan hasil pencarian ke dalam prompt Claude sebagai materi dasar.
5. Claude menjawab berdasarkan dasar tersebut.
6. Menampilkan juga dasar yang digunakan dalam jawaban, batasan, dan ketidakpastian.

RAG 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.

### 4. Chatbot layanan pelanggan

Contoh 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.

Chatbot untuk praktik membutuhkan elemen berikut.

- Klasifikasi maksud pertanyaan pengguna
- Pembatasan jawaban terlarang atau jawaban berisiko tinggi secara hukum, medis, atau finansial
- Koneksi ke agen manusia jika diperlukan
- Penyimpanan riwayat percakapan dan minimalisasi informasi pribadi
- Evaluasi jawaban model dan pemantauan log

Kode contoh hanyalah titik awal, dan untuk memasukkannya ke layanan pelanggan nyata, keamanan, privasi, respons gangguan, dan ruang lingkup tanggung jawab harus dirancang secara terpisah.

### 5. Query database berbasis bahasa alami

Ada 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.

Agar dapat digunakan dengan aman, hal berikut diperlukan.

- Menggunakan akun hanya-baca
- Mengakses hanya tabel dan kolom yang diizinkan
- Memvalidasi query yang dihasilkan sebelum dijalankan
- Membatasi pengambilan data dalam jumlah besar
- Melakukan masking informasi sensitif
- Memblokir data yang tidak berhak dilihat pengguna

Menjalankan SQL yang dibuat model langsung pada database operasional adalah hal yang berbahaya. Pada tahap contoh, sebaiknya gunakan database sampel atau lingkungan pengembangan yang terisolasi.

### 6. Pemrosesan gambar, chart, dan PDF

Dengan 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.

Namun, 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.

## Hal yang perlu disiapkan sebelum memulai Claude Cookbooks

### Persiapan wajib

| Persiapan | Penjelasan |
|---|---|
| Akun Anthropic | Diperlukan akun untuk menggunakan Claude API. |
| Kunci API | Digunakan saat kode contoh memanggil Claude API. Sebaiknya kunci tidak diekspos langsung di dalam kode. |
| Lingkungan Python | Banyak contoh dijalankan berbasis Python. |
| Jupyter Notebook atau lingkungan serupa | Harus dapat membuka file notebook dan menjalankannya per sel. |
| Data untuk pengujian | Lebih aman bereksperimen terlebih dahulu dengan data sampel daripada langsung memasukkan informasi pribadi nyata atau dokumen sensitif. |

### Persiapan yang disarankan

- Dasar penggunaan Git dan GitHub
- Cara mengelola variabel lingkungan
- Kebiasaan memantau biaya dan penggunaan API
- Cara mengelola versi prompt
- Daftar input pengujian dan output yang diharapkan
- Standar penanganan informasi sensitif

## Urutan dasar untuk mencoba

Jika baru pertama kali mengenal Claude Cookbooks, lebih baik memilih satu contoh dan menjalankannya sampai selesai daripada mencoba memahami seluruh repositori sekaligus.

### Langkah 1: Meninjau struktur repositori

Di 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.

### Langkah 2: Menjalankan contoh terkecil terlebih dahulu

Jika 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.

### Langkah 3: Mengganti data input dengan masalah Anda sendiri

Setelah 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.

### Langkah 4: Mengunci format output

Agar 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.

Misalnya, dalam pekerjaan klasifikasi, aturan output seperti berikut berguna.

```text
Output hanya ditulis dalam JSON.
Gunakan hanya tiga field: category, confidence, reason.
category harus salah satu dari refund, delivery, technical_support, account, other.
```

### Langkah 5: Mengumpulkan kasus gagal

Tidak 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.

Menyiapkan jenis pengujian berikut akan membantu evaluasi kualitas.

- Input dengan jawaban yang jelas
- Input dengan maksud yang ambigu
- Input yang jawabannya tidak ada di dokumen dasar
- Input yang mudah membuat model menebak
- Input yang sangat panjang
- Input yang berisi informasi sensitif
- Input yang menginstruksikan untuk mengabaikan aturan

## Poin pemanfaatan berdasarkan jenis contoh

| Jenis contoh | Kasus penggunaan yang cocok | Hal yang perlu diperhatikan |
|---|---|---|
| Klasifikasi | Routing pertanyaan, tagging ulasan, klasifikasi dokumen | Jika definisi label tidak jelas, hasil dapat tidak stabil |
| Ringkasan | Ringkasan notulen rapat, artikel, laporan, percakapan pelanggan | Angka penting dan nama orang perlu dibandingkan dengan teks asli |
| RAG | Pencarian dokumen internal, FAQ produk, jawaban kebijakan | Jika kualitas pencarian rendah, jawaban model juga tidak stabil |
| Chatbot | Layanan pelanggan, asisten kerja, tutor pendidikan | Diperlukan pengaman dan kriteria koneksi ke agen manusia |
| Query data bahasa alami | Eksplorasi data oleh non-developer, pembuatan laporan | Manajemen izin dan validasi query bersifat wajib |
| Analisis gambar·chart | Interpretasi laporan, penjelasan materi visual | Tulisan kecil atau tabel kompleks berpotensi menimbulkan error |
| Pemrosesan PDF | Analisis kontrak, makalah, manual, laporan | Hasil berbeda tergantung struktur halaman dan kualitas OCR |
| Integrasi layanan eksternal | Koneksi ke DB vektor, basis pengetahuan, API pencarian | Manajemen kunci API dan respons gangguan harus dirancang |

## Kriteria memilih topik eksperimen yang baik

Saat mempelajari Claude Cookbooks, lebih baik memilih “masalah kerja yang kecil dan dapat diverifikasi” daripada “demo yang keren”.

Syarat proyek pertama yang baik adalah sebagai berikut.

- Input dan output jelas.
- Keberhasilan dapat dinilai dengan mudah oleh manusia.
- Tidak memerlukan informasi sensitif.
- Biaya API kecil.
- Jika gagal, tidak memengaruhi pelanggan nyata atau sistem operasional.
- Dapat diimplementasikan hanya dengan sedikit mengubah kode contoh.

Misalnya, topik berikut cocok sebagai proyek awal.

- Mengklasifikasikan 20 pertanyaan pelanggan ke dalam 5 kategori
- Mengekstrak hanya keputusan dan hal yang harus dilakukan dari notulen rapat panjang
- Memasukkan 5 dokumen publik dan membuat Q&A berbasis dasar
- Membuat chatbot layanan pelanggan sederhana berdasarkan FAQ produk
- Mengubah pertanyaan bahasa alami terhadap data CSV sampel menjadi SQL

## Checklist sebelum penerapan praktik

Untuk mengubah contoh Claude Cookbooks menjadi produk nyata atau alat internal, periksa item berikut.

### Checklist teknis

- Apakah kunci API dikelola dengan variabel lingkungan atau alat manajemen rahasia
- Apakah sudah siap menghadapi kegagalan pemanggilan model, timeout, dan pembatasan kecepatan
- Apakah batas panjang input dan ukuran file ditangani
- Apakah ada kode yang memvalidasi format output
- Apakah informasi sensitif tidak disimpan dalam log
- Apakah ada dataset pengujian dan kriteria evaluasi
- Apakah regresi diuji saat versi model atau prompt berubah

### Checklist kualitas

- Apakah akurasi jawaban diperiksa melalui sampling oleh manusia
- Apakah ada pedoman untuk mengurangi jawaban tanpa dasar
- Apakah dirancang agar mengatakan tidak tahu saat tidak pasti
- Apakah batasan jawaban AI dijelaskan kepada pengguna
- Apakah kasus yang memerlukan tinjauan pakar domain dibedakan

### Checklist keamanan·operasional

- Apakah ada kebijakan input untuk informasi pribadi dan rahasia bisnis
- Apakah akses ke data tanpa izin dicegah
- Apakah kunci integrasi API eksternal dikelola secara terpisah
- Apakah ada batas penggunaan untuk mencegah lonjakan biaya
- Apakah serangan injeksi prompt pengguna dipertimbangkan
- Apakah ada alur alternatif saat terjadi gangguan operasional

## Perbedaan Claude Cookbooks dan dokumentasi resmi

| Kategori | Claude Cookbooks | Dokumentasi resmi Anthropic |
|---|---|---|
| Tujuan | Mempelajari pola implementasi dengan cepat melalui contoh | Memeriksa spesifikasi API, konsep, dan penjelasan fungsi |
| Format | Berpusat pada kode, notebook, dan alur kerja sampel | Berpusat pada dokumen, panduan, dan referensi |
| Kelebihan | Mudah disalin, dijalankan, dan dimodifikasi | Menguntungkan untuk memeriksa fungsi terbaru dan parameter yang akurat |
| Keterbatasan | Contoh tidak mencakup semua kebutuhan operasional | Bagi pemula, alur implementasi nyata dapat terasa abstrak |
| Cara penggunaan yang disarankan | Digunakan saat membuat prototipe kecil | Digunakan saat memverifikasi perilaku dan batasan API sebelum implementasi akhir |

Cara 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.

## Rute belajar yang disarankan untuk pemula

1. Jalankan contoh pemanggilan dasar Claude API.
2. Pelajari struktur prompt dan respons melalui contoh ringkasan teks pendek.
3. Berlatih mengunci format output melalui contoh klasifikasi.
4. Buat model menjawab berdasarkan dokumen eksternal melalui contoh RAG.
5. Tambahkan konteks percakapan dan pengaman melalui contoh chatbot.
6. Perluas ke contoh lanjutan yang dibutuhkan seperti gambar, PDF, dan query database.
7. Buat set pengujian dan ukur akurasi, biaya, serta waktu respons.

## Kesalahan umum dan cara mengatasinya

| Kesalahan | Mengapa menjadi masalah | Cara mengatasinya |
|---|---|---|
| Menuliskan kunci API langsung di kode | Dapat terekspos atau bocor di repositori | Gunakan variabel lingkungan atau alat manajemen rahasia |
| 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 |
| Menulis prompt terlalu abstrak | Output menjadi tidak konsisten | Jelaskan peran, input, format output, dan larangan |
| Tidak mengevaluasi kualitas pencarian dalam RAG | Dokumen yang tidak relevan masuk sehingga kualitas jawaban menurun | Periksa presisi dan recall hasil pencarian secara terpisah |
| Selalu menganggap jawaban model sebagai fakta | Halusinasi atau kesalahpahaman dapat tercampur | Tambahkan penandaan dasar, logika verifikasi, dan tinjauan manusia |
| Tidak menetapkan batas biaya | Biaya dapat meningkat karena eksekusi berulang atau input massal | Terapkan batas jumlah panggilan, caching, dan sampling |

## Kesimpulan

Claude 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.

Namun, 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.

## FAQ

### Apa itu Claude Cookbooks?
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.

### Apa yang diperlukan untuk menggunakan Claude Cookbooks?
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.

### Apakah Claude Cookbooks dapat digunakan oleh pemula?
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.

### Dalam kasus apa contoh RAG berguna?
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.

### Bolehkah contoh Claude Cookbooks langsung dipasang pada layanan operasional?
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.

### Bagaimana sebaiknya Claude Cookbooks dan dokumentasi resmi Anthropic digunakan bersama?
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.

### Apa hal terpenting saat membuat chatbot dengan Claude Cookbooks?
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.

### Apakah contoh kueri database dengan bahasa alami aman?
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.

### Apa yang perlu diperhatikan saat menggunakan contoh pemrosesan gambar atau PDF?
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

- [Repositori GitHub Anthropic Claude Cookbooks](https://github.com/anthropics/claude-cookbooks)
- [Memulai Anthropic API](https://docs.anthropic.com/en/api/getting-started)
- [Referensi Anthropic Messages API](https://docs.anthropic.com/en/api/messages)
- [Dokumentasi Jupyter](https://docs.jupyter.org/en/latest/)
- [Dokumentasi Pinecone](https://docs.pinecone.io/)

## Images

![Laptop dengan editor kode, buku resep terbuka, otak AI, serta ikon dokumen, chat, file, dan basis data](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIyNywicHVyIjoiYmxvYl9pZCJ9fQ==--3ca306095526f2389751e0dcf66e7ee3d2ac373e/ai-6427b734.webp)
![Antarmuka kode dan kartu data mengalir melalui API cloud pusat ke berbagai fitur](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIzMywicHVyIjoiYmxvYl9pZCJ9fQ==--9b39561d755d91d179630b86135f6cb98802fb15/ai-4269afa5.webp)