{"content_id":"9irr9ff11n","slug":"claude-cookbooks-api-examples-guide","locale":"pt","schema_type":"TechArticle","category":"tutorial","category_name":"Tutorial","title":"Claude Cookbooks: material oficial do GitHub para seguir rapidamente exemplos práticos da Claude API","summary":"Claude Cookbooks é um repositório de exemplos no GitHub mantido pela Anthropic, que permite aprender com código padrões práticos como classificação, resumo, RAG, chatbots e processamento de documentos e imagens usando a Claude API. Se for difícil começar apenas com a documentação oficial, ele é adequado como ponto de partida para copiar exemplos em notebook e adaptá-los a pequenos projetos.","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Claude Cookbooks é uma coleção oficial de exemplos que ajuda usuários da Claude API a entender rapidamente padrões reais de desenvolvimento.","Os principais exemplos abordam tarefas usadas com frequência na prática, como classificação de texto, resumo, RAG, chatbots de atendimento ao cliente, consultas de dados baseadas em linguagem natural e processamento de imagens, gráficos e PDFs.","A maior parte dos materiais está em formato Jupyter Notebook, com explicações e código executável, sendo adequada para experimentos passo a passo.","É mais seguro preparar uma chave de API, um ambiente de execução Python, gestão de custos e princípios de segurança de dados antes de executar pequenos exemplos primeiro.","Os exemplos do Cookbooks ganham mais valor quando, em vez de simplesmente copiá-los, você ajusta os dados de entrada, os prompts, o tratamento de erros e os critérios de avaliação aos objetivos do projeto."],"content_markdown":"## O que é Claude Cookbooks\n\nClaude Cookbooks é um repositório de exemplos da Claude API mantido pela Anthropic no GitHub. Como o próprio nome sugere, ele se assemelha a um “livro de receitas”, reunindo trechos de código e guias passo a passo que podem ser consultados ao implementar funcionalidades específicas.\n\nA documentação oficial da API é forte para verificar conceitos e especificações, mas, para quem está começando a desenvolver, pode permanecer a lacuna de “então, como devo usar isso no meu código?”. Claude Cookbooks reduz essa lacuna. Ele mostra, por meio de exemplos executáveis, tarefas frequentemente encontradas em serviços reais, como classificação de texto, resumo, RAG, chatbots e processamento de documentos.\n\nSegundo materiais fornecidos pelo operador, este repositório é um projeto popular que recebeu dezenas de milhares de estrelas no GitHub e pode ser um ponto de partida prático para desenvolvedores e planejadores que desejam experimentar a Claude API.\n\n## Definições principais\n\n| Termo | Significado | Papel em Claude Cookbooks |\n|---|---|---|\n| Claude API | API para chamar os modelos Claude da Anthropic em aplicações | Interface central chamada pelo código de exemplo |\n| Cookbook | Conjunto de documentos e códigos centrados em exemplos para resolver um problema específico | Forma de aprender copiando e modificando exemplos por funcionalidade |\n| Jupyter Notebook | Formato de documento interativo que permite lidar com explicações, código e resultados de execução em um único arquivo | Bom para executar os exemplos linha por linha e verificar os resultados |\n| RAG | Retrieval-Augmented Generation, método que pesquisa materiais externos e os utiliza nas respostas do modelo | Usado em sistemas de resposta baseados em documentos internos, bases de conhecimento e FAQ |\n| Banco de dados vetorial | Repositório que armazena documentos como vetores baseados em significado e pesquisa com base na similaridade | Usado ao implementar RAG conectando-se a serviços externos como Pinecone |\n\n## Quais problemas podem ser resolvidos\n\nO valor de Claude Cookbooks está em mostrar não apenas “como chamar o modelo”, mas também “como inserir o modelo em fluxos de trabalho reais”. Os temas dos exemplos se conectam aos seguintes cenários de uso.\n\n### 1. Classificação e roteamento de texto\n\nPode ser usado para classificar solicitações de clientes, avaliações, documentos e e-mails em categorias definidas. Por exemplo, em um sistema de atendimento ao cliente, é possível dividir o conteúdo das solicitações em “reembolso”, “entrega”, “suporte técnico” e “problema de conta”, encaminhando automaticamente para a equipe responsável.\n\nAo aplicar na prática, os pontos a verificar são os seguintes.\n\n- Os critérios de classificação foram definidos claramente?\n- Saídas seguras como “outros” ou “verificação necessária” são permitidas para entradas ambíguas?\n- A saída do modelo está sempre em um formato fácil de ser lido por sistemas posteriores, como JSON, rótulo ou pontuação?\n- A taxa de classificação incorreta foi medida com dados reais?\n\n### 2. Resumo e extração de informações\n\nTambém é adequado para extrair pontos essenciais de documentos longos, atas de reunião, artigos e registros de conversas com clientes. Além de resumos simples, pode ser expandido para tarefas estruturadas como as seguintes.\n\n- Extração de argumentos principais\n- Geração de lista de tarefas\n- Separação de riscos e decisões\n- Extração de campos como datas, valores e responsáveis de documentos\n- Organização de semelhanças e diferenças entre vários documentos\n\nAo usar exemplos de resumo, é mais estável escrever claramente “público-alvo, tamanho, itens que devem ser incluídos e itens que devem ser excluídos” do que apenas “resuma brevemente”.\n\n### 3. Perguntas e respostas baseadas em RAG\n\nRAG é um padrão em que o modelo não responde apenas com seu próprio conhecimento, mas pesquisa conteúdo relevante em documentos fornecidos pelo usuário ou dados externos e então responde. Ele é especialmente importante em serviços que precisam responder com base em manuais internos da empresa, documentos de produto, documentos de política e bases de conhecimento.\n\nUm fluxo comum de RAG é o seguinte.\n\n1. Dividir os documentos em pequenas unidades.\n2. Incorporar cada trecho ou armazená-lo em uma forma pesquisável.\n3. Pesquisar trechos de documentos relacionados à pergunta do usuário.\n4. Inserir os resultados da pesquisa no prompt do Claude como material de referência.\n5. O Claude responde com base nas evidências.\n6. Exibir junto as evidências usadas na resposta, limitações e incertezas.\n\nRAG não elimina completamente alucinações. Portanto, é recomendável colocar restrições tanto no prompt quanto na lógica da aplicação, como “responda que não sabe se o conteúdo não estiver nas evidências fornecidas” e “exiba o nome do documento de referência em cada resposta”.\n\n### 4. Chatbot de atendimento ao cliente\n\nOs exemplos de Claude Cookbooks também podem ser usados como referência ao criar um chatbot que responde a solicitações de clientes. Um chatbot básico deve manter o contexto da conversa, consultar documentos de política ou FAQ e identificar a intenção do usuário.\n\nUm chatbot prático precisa dos seguintes elementos.\n\n- Classificação da intenção da pergunta do usuário\n- Restrição de respostas proibidas ou respostas de alto risco legais, médicas ou financeiras\n- Encaminhamento para atendente quando necessário\n- Armazenamento do histórico de conversa e minimização de dados pessoais\n- Avaliação das respostas do modelo e monitoramento de logs\n\nO código de exemplo é apenas um ponto de partida; para colocá-lo em um serviço real de atendimento ao cliente, é necessário projetar separadamente segurança, privacidade, resposta a falhas e escopo de responsabilidade.\n\n### 5. Consulta a banco de dados baseada em linguagem natural\n\nTambém existe um padrão em que, ao perguntar em linguagem natural algo como “mostre os 10 produtos com maior faturamento no mês passado”, o sistema gera e executa SQL ou uma consulta de dados. Esse método permite que não desenvolvedores explorem dados, mas traz grandes riscos de segurança.\n\nPara usá-lo com segurança, é necessário o seguinte.\n\n- Uso de conta somente leitura\n- Acesso apenas a tabelas e colunas permitidas\n- Validação da consulta gerada antes da execução\n- Limitação de consultas em massa\n- Mascaramento de informações sensíveis\n- Bloqueio de dados que o usuário não tem permissão para visualizar\n\nExecutar diretamente em um banco de dados de produção o SQL gerado pelo modelo é perigoso. Na etapa de exemplo, é recomendável usar um banco de dados de amostra ou um ambiente de desenvolvimento isolado.\n\n### 6. Processamento de imagens, gráficos e PDF\n\nAo utilizar os recursos multimodais do Claude, também é possível descrever imagens ou gráficos e ler informações de PDF para estruturá-las. Por exemplo, pode-se extrair números principais de um PDF de relatório ou fazer com que o modelo explique quais tendências um gráfico mostra.\n\nNo entanto, há limitações no processamento de materiais visuais. Podem ocorrer erros em letras pequenas, tabelas complexas, baixa resolução e imagens cortadas. Se os números forem importantes para o trabalho, é necessário fazer validação cruzada com os dados originais.\n\n## O que preparar antes de começar com Claude Cookbooks\n\n### Itens essenciais\n\n| Item | Descrição |\n|---|---|\n| Conta Anthropic | É necessária uma conta para usar a Claude API. |\n| Chave de API | Usada quando o código de exemplo chama a Claude API. É recomendável não expor a chave diretamente no código. |\n| Ambiente Python | Muitos exemplos são executados com base em Python. |\n| Jupyter Notebook ou ambiente semelhante | Deve ser possível abrir arquivos de notebook e executá-los célula por célula. |\n| Dados de teste | É mais seguro experimentar primeiro com dados de amostra em vez de inserir imediatamente dados pessoais reais ou documentos sensíveis. |\n\n### Itens recomendados\n\n- Noções básicas de uso de Git e GitHub\n- Método de gerenciamento de variáveis de ambiente\n- Hábito de monitorar custos e uso da API\n- Forma de gerenciamento de versões de prompts\n- Lista de entradas de teste e saídas esperadas\n- Critérios de tratamento de informações sensíveis\n\n## Sequência básica para acompanhar\n\nSe você está conhecendo Claude Cookbooks pela primeira vez, é melhor escolher um exemplo e executá-lo até o fim, em vez de tentar entender todo o repositório de uma só vez.\n\n### Etapa 1: Examinar a estrutura do repositório\n\nNo repositório do GitHub, verifique primeiro os títulos dos exemplos, nomes de pastas e README. Encontre um exemplo próximo da funcionalidade que você deseja criar. Por exemplo, se quiser criar um chatbot de pesquisa de documentos internos da empresa, exemplos relacionados a RAG ou pesquisa de documentos terão prioridade.\n\n### Etapa 2: Executar primeiro o menor exemplo\n\nSe você escolher logo no início um exemplo que inclui banco de dados vetorial, processamento de PDF e integração com API externa, será difícil encontrar a causa dos erros. Primeiro, confirme se a chave de API e o ambiente de execução estão normais com exemplos simples, como chamada de mensagem, resumo e classificação.\n\n### Etapa 3: Trocar os dados de entrada pelo seu problema\n\nDepois de executar a entrada de amostra do exemplo como está, troque-a por uma pequena entrada de teste semelhante aos seus dados de trabalho. Nesse momento, é melhor não inserir dados sensíveis, como informações reais de clientes, número de registro civil, informações de pagamento ou segredos comerciais.\n\n### Etapa 4: Fixar o formato de saída\n\nPara conectar a um sistema prático, é difícil lidar com respostas do modelo se elas saírem sempre apenas como frases livres. Exija uma forma que o código posterior possa processar, como JSON, rótulos padrão, pontuações ou itens de resumo.\n\nPor exemplo, em uma tarefa de classificação, regras de saída como as seguintes são úteis.\n\n```text\n출력은 JSON으로만 작성한다.\n필드는 category, confidence, reason 세 가지만 사용한다.\ncategory는 refund, delivery, technical_support, account, other 중 하나여야 한다.\n```\n\n### Etapa 5: Coletar casos de falha\n\nNão basta olhar apenas entradas em que o exemplo funciona bem. Em serviços reais, surgem diversos problemas, como perguntas curtas, perguntas ambíguas, prompts maliciosos, erros de digitação, entradas multilíngues e documentos ausentes.\n\nPreparar testes dos seguintes tipos ajuda na avaliação de qualidade.\n\n- Entradas com resposta correta clara\n- Entradas com intenção ambígua\n- Entradas cuja resposta não existe nos documentos de referência\n- Entradas fáceis para o modelo inferir por conta própria\n- Entradas muito longas\n- Entradas contendo informações sensíveis\n- Entradas que instruem a ignorar as regras\n\n## Pontos de uso por tipo de exemplo\n\n| Tipo de exemplo | Casos de uso adequados | Pontos de atenção |\n|---|---|---|\n| Classificação | Roteamento de solicitações, marcação de avaliações, classificação de documentos | Se a definição dos rótulos for pouco clara, os resultados podem oscilar |\n| Resumo | Resumo de atas de reunião, artigos, relatórios e conversas com clientes | Números importantes e nomes de pessoas precisam ser comparados com o texto original |\n| RAG | Pesquisa de documentos internos, FAQ de produto, respostas sobre políticas | Se a qualidade da pesquisa for baixa, as respostas do modelo também oscilam |\n| Chatbot | Atendimento ao cliente, assistente de trabalho, tutor educacional | São necessários mecanismos de segurança e critérios de encaminhamento para atendente |\n| Consulta de dados em linguagem natural | Exploração de dados por não desenvolvedores, geração de relatórios | Gerenciamento de permissões e validação de consultas são essenciais |\n| Análise de imagens e gráficos | Interpretação de relatórios, explicação de materiais visuais | Letras pequenas ou tabelas complexas podem gerar erros |\n| Processamento de PDF | Análise de contratos, artigos acadêmicos, manuais e relatórios | O resultado varia conforme a estrutura das páginas e a qualidade do OCR |\n| Integração com serviços externos | Conexão com DB vetorial, base de conhecimento, API de pesquisa | É preciso projetar gerenciamento de chaves de API e resposta a falhas |\n\n## Critérios para escolher um bom tema de experimento\n\nAo aprender Claude Cookbooks, é melhor escolher um “problema de trabalho pequeno e verificável” do que uma “demo impressionante”.\n\nAs condições de um bom primeiro projeto são as seguintes.\n\n- A entrada e a saída são claras.\n- Uma pessoa consegue julgar facilmente se foi bem-sucedido.\n- Não exige informações sensíveis.\n- O custo da API é baixo.\n- Mesmo que falhe, não afeta clientes reais nem sistemas operacionais.\n- Pode ser implementado com poucas alterações no código de exemplo.\n\nPor exemplo, os temas a seguir são adequados como projetos iniciais.\n\n- Classificar 20 solicitações de clientes em 5 categorias\n- Extrair apenas decisões e tarefas de uma ata de reunião longa\n- Inserir 5 documentos públicos e criar Q\u0026A baseado em evidências\n- Criar um chatbot simples de atendimento ao cliente com base no FAQ do produto\n- Transformar perguntas em linguagem natural sobre dados CSV de amostra em SQL\n\n## Checklist antes da aplicação prática\n\nPara transformar exemplos de Claude Cookbooks em um produto real ou ferramenta interna, é necessário verificar os itens a seguir.\n\n### Checklist técnico\n\n- A chave de API é gerenciada por variáveis de ambiente ou ferramenta de gerenciamento de segredos?\n- Há preparação para falha de chamada do modelo, tempo limite e limite de velocidade?\n- Limites de tamanho de entrada e tamanho de arquivo são tratados?\n- Existe código que valida o formato de saída?\n- Informações sensíveis não são armazenadas nos logs?\n- Existe um conjunto de dados de teste e critérios de avaliação?\n- Testes de regressão são feitos ao mudar a versão do modelo ou o prompt?\n\n### Checklist de qualidade\n\n- A precisão das respostas é verificada por amostragem humana?\n- Existem diretrizes para reduzir respostas sem evidência?\n- O sistema foi projetado para dizer que não sabe quando houver incerteza?\n- As limitações das respostas de AI são explicadas ao usuário?\n- São diferenciados os casos que exigem revisão de especialista do domínio?\n\n### Checklist de segurança e operação\n\n- Existe uma política de entrada para dados pessoais e segredos comerciais?\n- O acesso a dados sem autorização é impedido?\n- As chaves de integração com APIs externas são gerenciadas separadamente?\n- Existem limites de uso para evitar explosão de custos?\n- Ataques de injeção de prompt pelo usuário foram considerados?\n- Existe um fluxo alternativo em caso de falha operacional?\n\n## Diferença entre Claude Cookbooks e a documentação oficial\n\n| Categoria | Claude Cookbooks | Documentação oficial da Anthropic |\n|---|---|---|\n| Objetivo | Aprender rapidamente padrões de implementação por meio de exemplos | Verificar especificações da API, conceitos e explicações de funcionalidades |\n| Formato | Centrado em código, notebooks e fluxos de trabalho de amostra | Centrado em documentos, guias e referências |\n| Vantagem | É fácil copiar, executar e modificar | É favorável para verificar recursos mais recentes e parâmetros exatos |\n| Limitação | Os exemplos não contêm todos os requisitos operacionais | Para iniciantes, o fluxo de implementação real pode parecer abstrato |\n| Uso recomendado | Utilizar ao criar pequenos protótipos | Utilizar ao validar o comportamento e as limitações da API antes da implementação final |\n\nA melhor abordagem é usar os dois materiais em conjunto. Aprenda o fluxo com Cookbooks e, com a documentação oficial, confirme os valores de entrada exatos, opções de modelo e limitações da API em uso.\n\n## Rota de aprendizado recomendada para iniciantes\n\n1. Executar um exemplo básico de chamada da Claude API.\n2. Aprender a estrutura de prompts e respostas com um exemplo de resumo de texto curto.\n3. Praticar a fixação do formato de saída com um exemplo de classificação.\n4. Fazer o modelo responder com base em documentos externos com um exemplo de RAG.\n5. Adicionar contexto de conversa e mecanismos de segurança com um exemplo de chatbot.\n6. Expandir para exemplos avançados necessários, como imagem, PDF e consulta a banco de dados.\n7. Criar um conjunto de testes e medir precisão, custo e tempo de resposta.\n\n## Erros comuns e soluções\n\n| Erro | Por que é um problema | Solução |\n|---|---|---|\n| Escrever a chave de API diretamente no código | Pode ser exposta no repositório ou vazada | Usar variáveis de ambiente ou ferramenta de gerenciamento de segredos |\n| Conectar à produção imediatamente após ver apenas o resultado do exemplo | Tratamento de erros, segurança e gestão de custos podem ficar de fora | Testar suficientemente em ambientes de desenvolvimento e staging |\n| Escrever o prompt de forma muito abstrata | A saída não é consistente | Especificar papel, entrada, formato de saída e proibições |\n| Não avaliar a qualidade da pesquisa em RAG | Documentos irrelevantes entram e a qualidade da resposta cai | Verificar separadamente a precisão e a revocação dos resultados da pesquisa |\n| Considerar as respostas do modelo sempre como fatos | Pode haver alucinações ou mal-entendidos misturados | Adicionar indicação de evidências, lógica de validação e revisão humana |\n| Não definir limites de custo | Execuções repetidas ou entradas em massa podem aumentar os custos | Aplicar limites de chamadas, cache e amostragem |\n\n## Conclusão\n\nClaude Cookbooks é um material prático que ajuda a passar da etapa de “entender pela documentação” da Claude API para a etapa de “criar diretamente”. Sua vantagem está em permitir verificar, por meio de exemplos, padrões centrais de aplicações de AI, como classificação, resumo, RAG, chatbot, consulta de dados e processamento de imagens e PDF.\n\nNo entanto, Cookbooks é um ponto de partida, não um sistema operacional concluído. Para aplicá-lo a serviços reais, é indispensável adicionar elementos operacionais como segurança de dados, validação de saída, gestão de custos, sistema de avaliação e permissões de usuário. No início, a abordagem mais segura e eficaz é executar um pequeno notebook e, aos poucos, adaptar esse exemplo aos seus dados de trabalho e requisitos.","content_html":"\u003ch2\u003e\n\u003ca href=\"#o-que-%C3%A9-claude-cookbooks\" class=\"anchor\" id=\"o-que-é-claude-cookbooks\"\u003e\u003c/a\u003eO que é Claude Cookbooks\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks é um repositório de exemplos da Claude API mantido pela Anthropic no GitHub. Como o próprio nome sugere, ele se assemelha a um “livro de receitas”, reunindo trechos de código e guias passo a passo que podem ser consultados ao implementar funcionalidades específicas.\u003c/p\u003e\n\u003cp\u003eA documentação oficial da API é forte para verificar conceitos e especificações, mas, para quem está começando a desenvolver, pode permanecer a lacuna de “então, como devo usar isso no meu código?”. Claude Cookbooks reduz essa lacuna. Ele mostra, por meio de exemplos executáveis, tarefas frequentemente encontradas em serviços reais, como classificação de texto, resumo, RAG, chatbots e processamento de documentos.\u003c/p\u003e\n\u003cp\u003eSegundo materiais fornecidos pelo operador, este repositório é um projeto popular que recebeu dezenas de milhares de estrelas no GitHub e pode ser um ponto de partida prático para desenvolvedores e planejadores que desejam experimentar a Claude API.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#defini%C3%A7%C3%B5es-principais\" class=\"anchor\" id=\"definições-principais\"\u003e\u003c/a\u003eDefinições principais\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTermo\u003c/th\u003e\n\u003cth\u003eSignificado\u003c/th\u003e\n\u003cth\u003ePapel em Claude Cookbooks\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Termo\"\u003eClaude API\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eAPI para chamar os modelos Claude da Anthropic em aplicações\u003c/td\u003e\n\u003ctd data-label=\"Papel em Claude Cookbooks\"\u003eInterface central chamada pelo código de exemplo\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Termo\"\u003eCookbook\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eConjunto de documentos e códigos centrados em exemplos para resolver um problema específico\u003c/td\u003e\n\u003ctd data-label=\"Papel em Claude Cookbooks\"\u003eForma de aprender copiando e modificando exemplos por funcionalidade\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Termo\"\u003eJupyter Notebook\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eFormato de documento interativo que permite lidar com explicações, código e resultados de execução em um único arquivo\u003c/td\u003e\n\u003ctd data-label=\"Papel em Claude Cookbooks\"\u003eBom para executar os exemplos linha por linha e verificar os resultados\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Termo\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eRetrieval-Augmented Generation, método que pesquisa materiais externos e os utiliza nas respostas do modelo\u003c/td\u003e\n\u003ctd data-label=\"Papel em Claude Cookbooks\"\u003eUsado em sistemas de resposta baseados em documentos internos, bases de conhecimento e FAQ\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Termo\"\u003eBanco de dados vetorial\u003c/td\u003e\n\u003ctd data-label=\"Significado\"\u003eRepositório que armazena documentos como vetores baseados em significado e pesquisa com base na similaridade\u003c/td\u003e\n\u003ctd data-label=\"Papel em Claude Cookbooks\"\u003eUsado ao implementar RAG conectando-se a serviços 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=\"#quais-problemas-podem-ser-resolvidos\" class=\"anchor\" id=\"quais-problemas-podem-ser-resolvidos\"\u003e\u003c/a\u003eQuais problemas podem ser resolvidos\u003c/h2\u003e\n\u003cp\u003eO valor de Claude Cookbooks está em mostrar não apenas “como chamar o modelo”, mas também “como inserir o modelo em fluxos de trabalho reais”. Os temas dos exemplos se conectam aos seguintes cenários de uso.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-classifica%C3%A7%C3%A3o-e-roteamento-de-texto\" class=\"anchor\" id=\"1-classificação-e-roteamento-de-texto\"\u003e\u003c/a\u003e1. Classificação e roteamento de texto\u003c/h3\u003e\n\u003cp\u003ePode ser usado para classificar solicitações de clientes, avaliações, documentos e e-mails em categorias definidas. Por exemplo, em um sistema de atendimento ao cliente, é possível dividir o conteúdo das solicitações em “reembolso”, “entrega”, “suporte técnico” e “problema de conta”, encaminhando automaticamente para a equipe responsável.\u003c/p\u003e\n\u003cp\u003eAo aplicar na prática, os pontos a verificar são os seguintes.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eOs critérios de classificação foram definidos claramente?\u003c/li\u003e\n\u003cli\u003eSaídas seguras como “outros” ou “verificação necessária” são permitidas para entradas ambíguas?\u003c/li\u003e\n\u003cli\u003eA saída do modelo está sempre em um formato fácil de ser lido por sistemas posteriores, como JSON, rótulo ou pontuação?\u003c/li\u003e\n\u003cli\u003eA taxa de classificação incorreta foi medida com dados reais?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-resumo-e-extra%C3%A7%C3%A3o-de-informa%C3%A7%C3%B5es\" class=\"anchor\" id=\"2-resumo-e-extração-de-informações\"\u003e\u003c/a\u003e2. Resumo e extração de informações\u003c/h3\u003e\n\u003cp\u003eTambém é adequado para extrair pontos essenciais de documentos longos, atas de reunião, artigos e registros de conversas com clientes. Além de resumos simples, pode ser expandido para tarefas estruturadas como as seguintes.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eExtração de argumentos principais\u003c/li\u003e\n\u003cli\u003eGeração de lista de tarefas\u003c/li\u003e\n\u003cli\u003eSeparação de riscos e decisões\u003c/li\u003e\n\u003cli\u003eExtração de campos como datas, valores e responsáveis de documentos\u003c/li\u003e\n\u003cli\u003eOrganização de semelhanças e diferenças entre vários documentos\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAo usar exemplos de resumo, é mais estável escrever claramente “público-alvo, tamanho, itens que devem ser incluídos e itens que devem ser excluídos” do que apenas “resuma brevemente”.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-perguntas-e-respostas-baseadas-em-rag\" class=\"anchor\" id=\"3-perguntas-e-respostas-baseadas-em-rag\"\u003e\u003c/a\u003e3. Perguntas e respostas baseadas em RAG\u003c/h3\u003e\n\u003cp\u003eRAG é um padrão em que o modelo não responde apenas com seu próprio conhecimento, mas pesquisa conteúdo relevante em documentos fornecidos pelo usuário ou dados externos e então responde. Ele é especialmente importante em serviços que precisam responder com base em manuais internos da empresa, documentos de produto, documentos de política e bases de conhecimento.\u003c/p\u003e\n\u003cp\u003eUm fluxo comum de RAG é o seguinte.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eDividir os documentos em pequenas unidades.\u003c/li\u003e\n\u003cli\u003eIncorporar cada trecho ou armazená-lo em uma forma pesquisável.\u003c/li\u003e\n\u003cli\u003ePesquisar trechos de documentos relacionados à pergunta do usuário.\u003c/li\u003e\n\u003cli\u003eInserir os resultados da pesquisa no prompt do Claude como material de referência.\u003c/li\u003e\n\u003cli\u003eO Claude responde com base nas evidências.\u003c/li\u003e\n\u003cli\u003eExibir junto as evidências usadas na resposta, limitações e incertezas.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eRAG não elimina completamente alucinações. Portanto, é recomendável colocar restrições tanto no prompt quanto na lógica da aplicação, como “responda que não sabe se o conteúdo não estiver nas evidências fornecidas” e “exiba o nome do documento de referência em cada resposta”.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-chatbot-de-atendimento-ao-cliente\" class=\"anchor\" id=\"4-chatbot-de-atendimento-ao-cliente\"\u003e\u003c/a\u003e4. Chatbot de atendimento ao cliente\u003c/h3\u003e\n\u003cp\u003eOs exemplos de Claude Cookbooks também podem ser usados como referência ao criar um chatbot que responde a solicitações de clientes. Um chatbot básico deve manter o contexto da conversa, consultar documentos de política ou FAQ e identificar a intenção do usuário.\u003c/p\u003e\n\u003cp\u003eUm chatbot prático precisa dos seguintes elementos.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eClassificação da intenção da pergunta do usuário\u003c/li\u003e\n\u003cli\u003eRestrição de respostas proibidas ou respostas de alto risco legais, médicas ou financeiras\u003c/li\u003e\n\u003cli\u003eEncaminhamento para atendente quando necessário\u003c/li\u003e\n\u003cli\u003eArmazenamento do histórico de conversa e minimização de dados pessoais\u003c/li\u003e\n\u003cli\u003eAvaliação das respostas do modelo e monitoramento de logs\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eO código de exemplo é apenas um ponto de partida; para colocá-lo em um serviço real de atendimento ao cliente, é necessário projetar separadamente segurança, privacidade, resposta a falhas e escopo de responsabilidade.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-consulta-a-banco-de-dados-baseada-em-linguagem-natural\" class=\"anchor\" id=\"5-consulta-a-banco-de-dados-baseada-em-linguagem-natural\"\u003e\u003c/a\u003e5. Consulta a banco de dados baseada em linguagem natural\u003c/h3\u003e\n\u003cp\u003eTambém existe um padrão em que, ao perguntar em linguagem natural algo como “mostre os 10 produtos com maior faturamento no mês passado”, o sistema gera e executa SQL ou uma consulta de dados. Esse método permite que não desenvolvedores explorem dados, mas traz grandes riscos de segurança.\u003c/p\u003e\n\u003cp\u003ePara usá-lo com segurança, é necessário o seguinte.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eUso de conta somente leitura\u003c/li\u003e\n\u003cli\u003eAcesso apenas a tabelas e colunas permitidas\u003c/li\u003e\n\u003cli\u003eValidação da consulta gerada antes da execução\u003c/li\u003e\n\u003cli\u003eLimitação de consultas em massa\u003c/li\u003e\n\u003cli\u003eMascaramento de informações sensíveis\u003c/li\u003e\n\u003cli\u003eBloqueio de dados que o usuário não tem permissão para visualizar\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eExecutar diretamente em um banco de dados de produção o SQL gerado pelo modelo é perigoso. Na etapa de exemplo, é recomendável usar um banco de dados de amostra ou um ambiente de desenvolvimento isolado.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-processamento-de-imagens-gr%C3%A1ficos-e-pdf\" class=\"anchor\" id=\"6-processamento-de-imagens-gráficos-e-pdf\"\u003e\u003c/a\u003e6. Processamento de imagens, gráficos e PDF\u003c/h3\u003e\n\u003cp\u003eAo utilizar os recursos multimodais do Claude, também é possível descrever imagens ou gráficos e ler informações de PDF para estruturá-las. Por exemplo, pode-se extrair números principais de um PDF de relatório ou fazer com que o modelo explique quais tendências um gráfico mostra.\u003c/p\u003e\n\u003cp\u003eNo entanto, há limitações no processamento de materiais visuais. Podem ocorrer erros em letras pequenas, tabelas complexas, baixa resolução e imagens cortadas. Se os números forem importantes para o trabalho, é necessário fazer validação cruzada com os dados originais.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#o-que-preparar-antes-de-come%C3%A7ar-com-claude-cookbooks\" class=\"anchor\" id=\"o-que-preparar-antes-de-começar-com-claude-cookbooks\"\u003e\u003c/a\u003eO que preparar antes de começar com Claude Cookbooks\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#itens-essenciais\" class=\"anchor\" id=\"itens-essenciais\"\u003e\u003c/a\u003eItens essenciais\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eItem\u003c/th\u003e\n\u003cth\u003eDescrição\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Item\"\u003eConta Anthropic\u003c/td\u003e\n\u003ctd data-label=\"Descrição\"\u003eÉ necessária uma conta para usar a Claude API.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Item\"\u003eChave de API\u003c/td\u003e\n\u003ctd data-label=\"Descrição\"\u003eUsada quando o código de exemplo chama a Claude API. É recomendável não expor a chave diretamente no código.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Item\"\u003eAmbiente Python\u003c/td\u003e\n\u003ctd data-label=\"Descrição\"\u003eMuitos exemplos são executados com base em Python.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Item\"\u003eJupyter Notebook ou ambiente semelhante\u003c/td\u003e\n\u003ctd data-label=\"Descrição\"\u003eDeve ser possível abrir arquivos de notebook e executá-los célula por célula.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Item\"\u003eDados de teste\u003c/td\u003e\n\u003ctd data-label=\"Descrição\"\u003eÉ mais seguro experimentar primeiro com dados de amostra em vez de inserir imediatamente dados pessoais reais ou documentos sensíveis.\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch3\u003e\n\u003ca href=\"#itens-recomendados\" class=\"anchor\" id=\"itens-recomendados\"\u003e\u003c/a\u003eItens recomendados\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eNoções básicas de uso de Git e GitHub\u003c/li\u003e\n\u003cli\u003eMétodo de gerenciamento de variáveis de ambiente\u003c/li\u003e\n\u003cli\u003eHábito de monitorar custos e uso da API\u003c/li\u003e\n\u003cli\u003eForma de gerenciamento de versões de prompts\u003c/li\u003e\n\u003cli\u003eLista de entradas de teste e saídas esperadas\u003c/li\u003e\n\u003cli\u003eCritérios de tratamento de informações sensíveis\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#sequ%C3%AAncia-b%C3%A1sica-para-acompanhar\" class=\"anchor\" id=\"sequência-básica-para-acompanhar\"\u003e\u003c/a\u003eSequência básica para acompanhar\u003c/h2\u003e\n\u003cp\u003eSe você está conhecendo Claude Cookbooks pela primeira vez, é melhor escolher um exemplo e executá-lo até o fim, em vez de tentar entender todo o repositório de uma só vez.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#etapa-1-examinar-a-estrutura-do-reposit%C3%B3rio\" class=\"anchor\" id=\"etapa-1-examinar-a-estrutura-do-repositório\"\u003e\u003c/a\u003eEtapa 1: Examinar a estrutura do repositório\u003c/h3\u003e\n\u003cp\u003eNo repositório do GitHub, verifique primeiro os títulos dos exemplos, nomes de pastas e README. Encontre um exemplo próximo da funcionalidade que você deseja criar. Por exemplo, se quiser criar um chatbot de pesquisa de documentos internos da empresa, exemplos relacionados a RAG ou pesquisa de documentos terão prioridade.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#etapa-2-executar-primeiro-o-menor-exemplo\" class=\"anchor\" id=\"etapa-2-executar-primeiro-o-menor-exemplo\"\u003e\u003c/a\u003eEtapa 2: Executar primeiro o menor exemplo\u003c/h3\u003e\n\u003cp\u003eSe você escolher logo no início um exemplo que inclui banco de dados vetorial, processamento de PDF e integração com API externa, será difícil encontrar a causa dos erros. Primeiro, confirme se a chave de API e o ambiente de execução estão normais com exemplos simples, como chamada de mensagem, resumo e classificação.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#etapa-3-trocar-os-dados-de-entrada-pelo-seu-problema\" class=\"anchor\" id=\"etapa-3-trocar-os-dados-de-entrada-pelo-seu-problema\"\u003e\u003c/a\u003eEtapa 3: Trocar os dados de entrada pelo seu problema\u003c/h3\u003e\n\u003cp\u003eDepois de executar a entrada de amostra do exemplo como está, troque-a por uma pequena entrada de teste semelhante aos seus dados de trabalho. Nesse momento, é melhor não inserir dados sensíveis, como informações reais de clientes, número de registro civil, informações de pagamento ou segredos comerciais.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#etapa-4-fixar-o-formato-de-sa%C3%ADda\" class=\"anchor\" id=\"etapa-4-fixar-o-formato-de-saída\"\u003e\u003c/a\u003eEtapa 4: Fixar o formato de saída\u003c/h3\u003e\n\u003cp\u003ePara conectar a um sistema prático, é difícil lidar com respostas do modelo se elas saírem sempre apenas como frases livres. Exija uma forma que o código posterior possa processar, como JSON, rótulos padrão, pontuações ou itens de resumo.\u003c/p\u003e\n\u003cp\u003ePor exemplo, em uma tarefa de classificação, regras de saída como as seguintes são úteis.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e출력은 JSON으로만 작성한다.\n\u003c/span\u003e\u003cspan\u003e필드는 category, confidence, reason 세 가지만 사용한다.\n\u003c/span\u003e\u003cspan\u003ecategory는 refund, delivery, technical_support, account, other 중 하나여야 한다.\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003ch3\u003e\n\u003ca href=\"#etapa-5-coletar-casos-de-falha\" class=\"anchor\" id=\"etapa-5-coletar-casos-de-falha\"\u003e\u003c/a\u003eEtapa 5: Coletar casos de falha\u003c/h3\u003e\n\u003cp\u003eNão basta olhar apenas entradas em que o exemplo funciona bem. Em serviços reais, surgem diversos problemas, como perguntas curtas, perguntas ambíguas, prompts maliciosos, erros de digitação, entradas multilíngues e documentos ausentes.\u003c/p\u003e\n\u003cp\u003ePreparar testes dos seguintes tipos ajuda na avaliação de qualidade.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEntradas com resposta correta clara\u003c/li\u003e\n\u003cli\u003eEntradas com intenção ambígua\u003c/li\u003e\n\u003cli\u003eEntradas cuja resposta não existe nos documentos de referência\u003c/li\u003e\n\u003cli\u003eEntradas fáceis para o modelo inferir por conta própria\u003c/li\u003e\n\u003cli\u003eEntradas muito longas\u003c/li\u003e\n\u003cli\u003eEntradas contendo informações sensíveis\u003c/li\u003e\n\u003cli\u003eEntradas que instruem a ignorar as regras\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#pontos-de-uso-por-tipo-de-exemplo\" class=\"anchor\" id=\"pontos-de-uso-por-tipo-de-exemplo\"\u003e\u003c/a\u003ePontos de uso por tipo de exemplo\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTipo de exemplo\u003c/th\u003e\n\u003cth\u003eCasos de uso adequados\u003c/th\u003e\n\u003cth\u003ePontos de atenção\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eClassificação\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eRoteamento de solicitações, marcação de avaliações, classificação de documentos\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eSe a definição dos rótulos for pouco clara, os resultados podem oscilar\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eResumo\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eResumo de atas de reunião, artigos, relatórios e conversas com clientes\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eNúmeros importantes e nomes de pessoas precisam ser comparados com o texto original\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003ePesquisa de documentos internos, FAQ de produto, respostas sobre políticas\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eSe a qualidade da pesquisa for baixa, as respostas do modelo também oscilam\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eChatbot\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eAtendimento ao cliente, assistente de trabalho, tutor educacional\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eSão necessários mecanismos de segurança e critérios de encaminhamento para atendente\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eConsulta de dados em linguagem natural\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eExploração de dados por não desenvolvedores, geração de relatórios\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eGerenciamento de permissões e validação de consultas são essenciais\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eAnálise de imagens e gráficos\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eInterpretação de relatórios, explicação de materiais visuais\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eLetras pequenas ou tabelas complexas podem gerar erros\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eProcessamento de PDF\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eAnálise de contratos, artigos acadêmicos, manuais e relatórios\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eO resultado varia conforme a estrutura das páginas e a qualidade do OCR\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de exemplo\"\u003eIntegração com serviços externos\u003c/td\u003e\n\u003ctd data-label=\"Casos de uso adequados\"\u003eConexão com DB vetorial, base de conhecimento, API de pesquisa\u003c/td\u003e\n\u003ctd data-label=\"Pontos de atenção\"\u003eÉ preciso projetar gerenciamento de chaves de API e resposta a falhas\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#crit%C3%A9rios-para-escolher-um-bom-tema-de-experimento\" class=\"anchor\" id=\"critérios-para-escolher-um-bom-tema-de-experimento\"\u003e\u003c/a\u003eCritérios para escolher um bom tema de experimento\u003c/h2\u003e\n\u003cp\u003eAo aprender Claude Cookbooks, é melhor escolher um “problema de trabalho pequeno e verificável” do que uma “demo impressionante”.\u003c/p\u003e\n\u003cp\u003eAs condições de um bom primeiro projeto são as seguintes.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eA entrada e a saída são claras.\u003c/li\u003e\n\u003cli\u003eUma pessoa consegue julgar facilmente se foi bem-sucedido.\u003c/li\u003e\n\u003cli\u003eNão exige informações sensíveis.\u003c/li\u003e\n\u003cli\u003eO custo da API é baixo.\u003c/li\u003e\n\u003cli\u003eMesmo que falhe, não afeta clientes reais nem sistemas operacionais.\u003c/li\u003e\n\u003cli\u003ePode ser implementado com poucas alterações no código de exemplo.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePor exemplo, os temas a seguir são adequados como projetos iniciais.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eClassificar 20 solicitações de clientes em 5 categorias\u003c/li\u003e\n\u003cli\u003eExtrair apenas decisões e tarefas de uma ata de reunião longa\u003c/li\u003e\n\u003cli\u003eInserir 5 documentos públicos e criar Q\u0026amp;A baseado em evidências\u003c/li\u003e\n\u003cli\u003eCriar um chatbot simples de atendimento ao cliente com base no FAQ do produto\u003c/li\u003e\n\u003cli\u003eTransformar perguntas em linguagem natural sobre dados CSV de amostra em SQL\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#checklist-antes-da-aplica%C3%A7%C3%A3o-pr%C3%A1tica\" class=\"anchor\" id=\"checklist-antes-da-aplicação-prática\"\u003e\u003c/a\u003eChecklist antes da aplicação prática\u003c/h2\u003e\n\u003cp\u003ePara transformar exemplos de Claude Cookbooks em um produto real ou ferramenta interna, é necessário verificar os itens a seguir.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-t%C3%A9cnico\" class=\"anchor\" id=\"checklist-técnico\"\u003e\u003c/a\u003eChecklist técnico\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eA chave de API é gerenciada por variáveis de ambiente ou ferramenta de gerenciamento de segredos?\u003c/li\u003e\n\u003cli\u003eHá preparação para falha de chamada do modelo, tempo limite e limite de velocidade?\u003c/li\u003e\n\u003cli\u003eLimites de tamanho de entrada e tamanho de arquivo são tratados?\u003c/li\u003e\n\u003cli\u003eExiste código que valida o formato de saída?\u003c/li\u003e\n\u003cli\u003eInformações sensíveis não são armazenadas nos logs?\u003c/li\u003e\n\u003cli\u003eExiste um conjunto de dados de teste e critérios de avaliação?\u003c/li\u003e\n\u003cli\u003eTestes de regressão são feitos ao mudar a versão do modelo ou o prompt?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-de-qualidade\" class=\"anchor\" id=\"checklist-de-qualidade\"\u003e\u003c/a\u003eChecklist de qualidade\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eA precisão das respostas é verificada por amostragem humana?\u003c/li\u003e\n\u003cli\u003eExistem diretrizes para reduzir respostas sem evidência?\u003c/li\u003e\n\u003cli\u003eO sistema foi projetado para dizer que não sabe quando houver incerteza?\u003c/li\u003e\n\u003cli\u003eAs limitações das respostas de AI são explicadas ao usuário?\u003c/li\u003e\n\u003cli\u003eSão diferenciados os casos que exigem revisão de especialista do domínio?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#checklist-de-seguran%C3%A7a-e-opera%C3%A7%C3%A3o\" class=\"anchor\" id=\"checklist-de-segurança-e-operação\"\u003e\u003c/a\u003eChecklist de segurança e operação\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eExiste uma política de entrada para dados pessoais e segredos comerciais?\u003c/li\u003e\n\u003cli\u003eO acesso a dados sem autorização é impedido?\u003c/li\u003e\n\u003cli\u003eAs chaves de integração com APIs externas são gerenciadas separadamente?\u003c/li\u003e\n\u003cli\u003eExistem limites de uso para evitar explosão de custos?\u003c/li\u003e\n\u003cli\u003eAtaques de injeção de prompt pelo usuário foram considerados?\u003c/li\u003e\n\u003cli\u003eExiste um fluxo alternativo em caso de falha operacional?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#diferen%C3%A7a-entre-claude-cookbooks-e-a-documenta%C3%A7%C3%A3o-oficial\" class=\"anchor\" id=\"diferença-entre-claude-cookbooks-e-a-documentação-oficial\"\u003e\u003c/a\u003eDiferença entre Claude Cookbooks e a documentação oficial\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eCategoria\u003c/th\u003e\n\u003cth\u003eClaude Cookbooks\u003c/th\u003e\n\u003cth\u003eDocumentação oficial da Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eObjetivo\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eAprender rapidamente padrões de implementação por meio de exemplos\u003c/td\u003e\n\u003ctd data-label=\"Documentação oficial da Anthropic\"\u003eVerificar especificações da API, conceitos e explicações de funcionalidades\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eFormato\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eCentrado em código, notebooks e fluxos de trabalho de amostra\u003c/td\u003e\n\u003ctd data-label=\"Documentação oficial da Anthropic\"\u003eCentrado em documentos, guias e referências\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eVantagem\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eÉ fácil copiar, executar e modificar\u003c/td\u003e\n\u003ctd data-label=\"Documentação oficial da Anthropic\"\u003eÉ favorável para verificar recursos mais recentes e parâmetros exatos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eLimitação\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eOs exemplos não contêm todos os requisitos operacionais\u003c/td\u003e\n\u003ctd data-label=\"Documentação oficial da Anthropic\"\u003ePara iniciantes, o fluxo de implementação real pode parecer abstrato\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eUso recomendado\u003c/td\u003e\n\u003ctd data-label=\"Claude Cookbooks\"\u003eUtilizar ao criar pequenos protótipos\u003c/td\u003e\n\u003ctd data-label=\"Documentação oficial da Anthropic\"\u003eUtilizar ao validar o comportamento e as limitações da API antes da implementação final\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eA melhor abordagem é usar os dois materiais em conjunto. Aprenda o fluxo com Cookbooks e, com a documentação oficial, confirme os valores de entrada exatos, opções de modelo e limitações da API em uso.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#rota-de-aprendizado-recomendada-para-iniciantes\" class=\"anchor\" id=\"rota-de-aprendizado-recomendada-para-iniciantes\"\u003e\u003c/a\u003eRota de aprendizado recomendada para iniciantes\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eExecutar um exemplo básico de chamada da Claude API.\u003c/li\u003e\n\u003cli\u003eAprender a estrutura de prompts e respostas com um exemplo de resumo de texto curto.\u003c/li\u003e\n\u003cli\u003ePraticar a fixação do formato de saída com um exemplo de classificação.\u003c/li\u003e\n\u003cli\u003eFazer o modelo responder com base em documentos externos com um exemplo de RAG.\u003c/li\u003e\n\u003cli\u003eAdicionar contexto de conversa e mecanismos de segurança com um exemplo de chatbot.\u003c/li\u003e\n\u003cli\u003eExpandir para exemplos avançados necessários, como imagem, PDF e consulta a banco de dados.\u003c/li\u003e\n\u003cli\u003eCriar um conjunto de testes e medir precisão, custo e tempo de resposta.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#erros-comuns-e-solu%C3%A7%C3%B5es\" class=\"anchor\" id=\"erros-comuns-e-soluções\"\u003e\u003c/a\u003eErros comuns e soluções\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eErro\u003c/th\u003e\n\u003cth\u003ePor que é um problema\u003c/th\u003e\n\u003cth\u003eSolução\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eEscrever a chave de API diretamente no código\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003ePode ser exposta no repositório ou vazada\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eUsar variáveis de ambiente ou ferramenta de gerenciamento de segredos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eConectar à produção imediatamente após ver apenas o resultado do exemplo\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003eTratamento de erros, segurança e gestão de custos podem ficar de fora\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eTestar suficientemente em ambientes de desenvolvimento e staging\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eEscrever o prompt de forma muito abstrata\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003eA saída não é consistente\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eEspecificar papel, entrada, formato de saída e proibições\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eNão avaliar a qualidade da pesquisa em RAG\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003eDocumentos irrelevantes entram e a qualidade da resposta cai\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eVerificar separadamente a precisão e a revocação dos resultados da pesquisa\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eConsiderar as respostas do modelo sempre como fatos\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003ePode haver alucinações ou mal-entendidos misturados\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eAdicionar indicação de evidências, lógica de validação e revisão humana\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Erro\"\u003eNão definir limites de custo\u003c/td\u003e\n\u003ctd data-label=\"Por que é um problema\"\u003eExecuções repetidas ou entradas em massa podem aumentar os custos\u003c/td\u003e\n\u003ctd data-label=\"Solução\"\u003eAplicar limites de chamadas, cache e amostragem\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#conclus%C3%A3o\" class=\"anchor\" id=\"conclusão\"\u003e\u003c/a\u003eConclusão\u003c/h2\u003e\n\u003cp\u003eClaude Cookbooks é um material prático que ajuda a passar da etapa de “entender pela documentação” da Claude API para a etapa de “criar diretamente”. Sua vantagem está em permitir verificar, por meio de exemplos, padrões centrais de aplicações de AI, como classificação, resumo, RAG, chatbot, consulta de dados e processamento de imagens e PDF.\u003c/p\u003e\n\u003cp\u003eNo entanto, Cookbooks é um ponto de partida, não um sistema operacional concluído. Para aplicá-lo a serviços reais, é indispensável adicionar elementos operacionais como segurança de dados, validação de saída, gestão de custos, sistema de avaliação e permissões de usuário. No início, a abordagem mais segura e eficaz é executar um pequeno notebook e, aos poucos, adaptar esse exemplo aos seus dados de trabalho e requisitos.\u003c/p\u003e\n","tags":["Claude API","Anthropic","Desenvolvimento de IA","RAG","Jupyter Notebook"],"faqs":[{"question":"O que são Claude Cookbooks?","answer":"Claude Cookbooks é uma coleção de exemplos da Claude API mantida pela Anthropic no GitHub. É possível aprender, com código e explicações, padrões usados com frequência em aplicações reais, como classificação de texto, resumo, RAG, chatbots, consulta de dados e processamento de imagens e PDFs."},{"question":"O que é necessário para usar Claude Cookbooks?","answer":"Basicamente, são necessários uma conta da Anthropic, uma chave da Claude API, um ambiente de execução Python e uma ferramenta que possa abrir Jupyter Notebook. Para experimentar os exemplos com segurança, é recomendável usar primeiro dados de amostra, e não informações pessoais reais ou materiais confidenciais."},{"question":"Iniciantes também podem usar Claude Cookbooks?","answer":"Se você conhece os conceitos básicos de Python e de chamadas de API, mesmo iniciantes podem acompanhar. Como a maioria dos exemplos é fornecida em formato de notebook, com explicações e código juntos, é adequado começar executando exemplos pequenos e ir alterando os valores de entrada e os prompts."},{"question":"Em quais casos os exemplos de RAG são úteis?","answer":"Os exemplos de RAG são úteis para sistemas que precisam responder com base em materiais específicos, como documentos internos da empresa, manuais de produtos, FAQ e documentos de políticas. É possível fazer com que o modelo responda consultando os documentos recuperados, mas é necessário gerenciar também a qualidade da busca e a indicação das fontes para obter resultados estáveis."},{"question":"É possível conectar os exemplos de Claude Cookbooks diretamente a um serviço em operação?","answer":"Não é recomendável conectá-los diretamente a um serviço em operação. Como os exemplos são um ponto de partida para aprendizado e prototipagem, antes da aplicação real é necessário adicionar segurança da chave de API, tratamento de erros, validação de saída, proteção de informações pessoais, limites de custo, gerenciamento de permissões e avaliação de qualidade."},{"question":"Como é melhor usar Claude Cookbooks e a documentação oficial da Anthropic em conjunto?","answer":"Claude Cookbooks é bom para aprender fluxos de implementação e padrões práticos, enquanto a documentação oficial da Anthropic é boa para verificar parâmetros da API, formato das requisições, comportamento dos modelos e limitações. Uma forma eficiente é primeiro executar os exemplos dos Cookbooks e depois validar as configurações detalhadas na documentação oficial."},{"question":"Qual é o ponto mais importante ao criar um chatbot com Claude Cookbooks?","answer":"Ao criar um chatbot, não apenas a qualidade da conversa é importante, mas também os mecanismos de segurança. É preciso projetar um fluxo que faça o sistema dizer que não sabe quando não puder responder, restrinja solicitações sensíveis e, quando necessário, encaminhe para um atendente humano ou para um procedimento separado."},{"question":"Os exemplos de consulta a banco de dados em linguagem natural são seguros?","answer":"A consulta a banco de dados em linguagem natural é conveniente, mas apresenta riscos de segurança. Não execute diretamente no banco de dados de produção as consultas criadas pelo modelo; aplique permissões somente de leitura, restrição de tabelas permitidas, validação de consultas, limitação de consultas em massa e mascaramento de informações sensíveis."},{"question":"Quais cuidados são necessários ao usar exemplos de processamento de imagens ou PDFs?","answer":"No processamento de imagens e PDFs, os resultados podem variar conforme a resolução, a estrutura das tabelas, o tamanho das letras e a qualidade da digitalização. Especialmente informações em que a precisão é importante, como números ou condições contratuais, devem ser verificadas de forma cruzada com o documento original ou com uma ferramenta de extração separada."}],"sources":[{"url":"https://github.com/anthropics/claude-cookbooks","title":"Repositório GitHub Anthropic Claude Cookbooks","type":"source"},{"url":"https://docs.anthropic.com/en/api/getting-started","title":"Primeiros passos com a API da Anthropic","type":"source"},{"url":"https://docs.anthropic.com/en/api/messages","title":"Referência da API Messages da Anthropic","type":"source"},{"url":"https://docs.jupyter.org/en/latest/","title":"Documentação do Jupyter","type":"source"},{"url":"https://docs.pinecone.io/","title":"Documentação do 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"}