---
title: "Claude Cookbooks: material oficial do GitHub para seguir rapidamente exemplos práticos da Claude API"
locale: pt
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: material oficial do GitHub para seguir rapidamente exemplos práticos da Claude API

> 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.

## 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.

## O que é Claude Cookbooks

Claude 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.

A 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.

Segundo 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.

## Definições principais

| Termo | Significado | Papel em Claude Cookbooks |
|---|---|---|
| Claude API | API para chamar os modelos Claude da Anthropic em aplicações | Interface central chamada pelo código de exemplo |
| Cookbook | Conjunto de documentos e códigos centrados em exemplos para resolver um problema específico | Forma de aprender copiando e modificando exemplos por funcionalidade |
| 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 |
| 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 |
| 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 |

## Quais problemas podem ser resolvidos

O 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.

### 1. Classificação e roteamento de texto

Pode 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.

Ao aplicar na prática, os pontos a verificar são os seguintes.

- Os critérios de classificação foram definidos claramente?
- Saídas seguras como “outros” ou “verificação necessária” são permitidas para entradas ambíguas?
- A saída do modelo está sempre em um formato fácil de ser lido por sistemas posteriores, como JSON, rótulo ou pontuação?
- A taxa de classificação incorreta foi medida com dados reais?

### 2. Resumo e extração de informações

Também 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.

- Extração de argumentos principais
- Geração de lista de tarefas
- Separação de riscos e decisões
- Extração de campos como datas, valores e responsáveis de documentos
- Organização de semelhanças e diferenças entre vários documentos

Ao 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”.

### 3. Perguntas e respostas baseadas em RAG

RAG 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.

Um fluxo comum de RAG é o seguinte.

1. Dividir os documentos em pequenas unidades.
2. Incorporar cada trecho ou armazená-lo em uma forma pesquisável.
3. Pesquisar trechos de documentos relacionados à pergunta do usuário.
4. Inserir os resultados da pesquisa no prompt do Claude como material de referência.
5. O Claude responde com base nas evidências.
6. Exibir junto as evidências usadas na resposta, limitações e incertezas.

RAG 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”.

### 4. Chatbot de atendimento ao cliente

Os 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.

Um chatbot prático precisa dos seguintes elementos.

- Classificação da intenção da pergunta do usuário
- Restrição de respostas proibidas ou respostas de alto risco legais, médicas ou financeiras
- Encaminhamento para atendente quando necessário
- Armazenamento do histórico de conversa e minimização de dados pessoais
- Avaliação das respostas do modelo e monitoramento de logs

O 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.

### 5. Consulta a banco de dados baseada em linguagem natural

Também 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.

Para usá-lo com segurança, é necessário o seguinte.

- Uso de conta somente leitura
- Acesso apenas a tabelas e colunas permitidas
- Validação da consulta gerada antes da execução
- Limitação de consultas em massa
- Mascaramento de informações sensíveis
- Bloqueio de dados que o usuário não tem permissão para visualizar

Executar 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.

### 6. Processamento de imagens, gráficos e PDF

Ao 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.

No 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.

## O que preparar antes de começar com Claude Cookbooks

### Itens essenciais

| Item | Descrição |
|---|---|
| Conta Anthropic | É necessária uma conta para usar a Claude API. |
| Chave de API | Usada quando o código de exemplo chama a Claude API. É recomendável não expor a chave diretamente no código. |
| Ambiente Python | Muitos exemplos são executados com base em Python. |
| Jupyter Notebook ou ambiente semelhante | Deve ser possível abrir arquivos de notebook e executá-los célula por célula. |
| Dados de teste | É mais seguro experimentar primeiro com dados de amostra em vez de inserir imediatamente dados pessoais reais ou documentos sensíveis. |

### Itens recomendados

- Noções básicas de uso de Git e GitHub
- Método de gerenciamento de variáveis de ambiente
- Hábito de monitorar custos e uso da API
- Forma de gerenciamento de versões de prompts
- Lista de entradas de teste e saídas esperadas
- Critérios de tratamento de informações sensíveis

## Sequência básica para acompanhar

Se 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.

### Etapa 1: Examinar a estrutura do repositório

No 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.

### Etapa 2: Executar primeiro o menor exemplo

Se 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.

### Etapa 3: Trocar os dados de entrada pelo seu problema

Depois 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.

### Etapa 4: Fixar o formato de saída

Para 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.

Por exemplo, em uma tarefa de classificação, regras de saída como as seguintes são úteis.

```text
출력은 JSON으로만 작성한다.
필드는 category, confidence, reason 세 가지만 사용한다.
category는 refund, delivery, technical_support, account, other 중 하나여야 한다.
```

### Etapa 5: Coletar casos de falha

Não 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.

Preparar testes dos seguintes tipos ajuda na avaliação de qualidade.

- Entradas com resposta correta clara
- Entradas com intenção ambígua
- Entradas cuja resposta não existe nos documentos de referência
- Entradas fáceis para o modelo inferir por conta própria
- Entradas muito longas
- Entradas contendo informações sensíveis
- Entradas que instruem a ignorar as regras

## Pontos de uso por tipo de exemplo

| Tipo de exemplo | Casos de uso adequados | Pontos de atenção |
|---|---|---|
| Classificação | Roteamento de solicitações, marcação de avaliações, classificação de documentos | Se a definição dos rótulos for pouco clara, os resultados podem oscilar |
| 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 |
| RAG | Pesquisa de documentos internos, FAQ de produto, respostas sobre políticas | Se a qualidade da pesquisa for baixa, as respostas do modelo também oscilam |
| Chatbot | Atendimento ao cliente, assistente de trabalho, tutor educacional | São necessários mecanismos de segurança e critérios de encaminhamento para atendente |
| Consulta de dados em linguagem natural | Exploração de dados por não desenvolvedores, geração de relatórios | Gerenciamento de permissões e validação de consultas são essenciais |
| Análise de imagens e gráficos | Interpretação de relatórios, explicação de materiais visuais | Letras pequenas ou tabelas complexas podem gerar erros |
| Processamento de PDF | Análise de contratos, artigos acadêmicos, manuais e relatórios | O resultado varia conforme a estrutura das páginas e a qualidade do OCR |
| 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 |

## Critérios para escolher um bom tema de experimento

Ao aprender Claude Cookbooks, é melhor escolher um “problema de trabalho pequeno e verificável” do que uma “demo impressionante”.

As condições de um bom primeiro projeto são as seguintes.

- A entrada e a saída são claras.
- Uma pessoa consegue julgar facilmente se foi bem-sucedido.
- Não exige informações sensíveis.
- O custo da API é baixo.
- Mesmo que falhe, não afeta clientes reais nem sistemas operacionais.
- Pode ser implementado com poucas alterações no código de exemplo.

Por exemplo, os temas a seguir são adequados como projetos iniciais.

- Classificar 20 solicitações de clientes em 5 categorias
- Extrair apenas decisões e tarefas de uma ata de reunião longa
- Inserir 5 documentos públicos e criar Q&A baseado em evidências
- Criar um chatbot simples de atendimento ao cliente com base no FAQ do produto
- Transformar perguntas em linguagem natural sobre dados CSV de amostra em SQL

## Checklist antes da aplicação prática

Para transformar exemplos de Claude Cookbooks em um produto real ou ferramenta interna, é necessário verificar os itens a seguir.

### Checklist técnico

- A chave de API é gerenciada por variáveis de ambiente ou ferramenta de gerenciamento de segredos?
- Há preparação para falha de chamada do modelo, tempo limite e limite de velocidade?
- Limites de tamanho de entrada e tamanho de arquivo são tratados?
- Existe código que valida o formato de saída?
- Informações sensíveis não são armazenadas nos logs?
- Existe um conjunto de dados de teste e critérios de avaliação?
- Testes de regressão são feitos ao mudar a versão do modelo ou o prompt?

### Checklist de qualidade

- A precisão das respostas é verificada por amostragem humana?
- Existem diretrizes para reduzir respostas sem evidência?
- O sistema foi projetado para dizer que não sabe quando houver incerteza?
- As limitações das respostas de AI são explicadas ao usuário?
- São diferenciados os casos que exigem revisão de especialista do domínio?

### Checklist de segurança e operação

- Existe uma política de entrada para dados pessoais e segredos comerciais?
- O acesso a dados sem autorização é impedido?
- As chaves de integração com APIs externas são gerenciadas separadamente?
- Existem limites de uso para evitar explosão de custos?
- Ataques de injeção de prompt pelo usuário foram considerados?
- Existe um fluxo alternativo em caso de falha operacional?

## Diferença entre Claude Cookbooks e a documentação oficial

| Categoria | Claude Cookbooks | Documentação oficial da Anthropic |
|---|---|---|
| Objetivo | Aprender rapidamente padrões de implementação por meio de exemplos | Verificar especificações da API, conceitos e explicações de funcionalidades |
| Formato | Centrado em código, notebooks e fluxos de trabalho de amostra | Centrado em documentos, guias e referências |
| Vantagem | É fácil copiar, executar e modificar | É favorável para verificar recursos mais recentes e parâmetros exatos |
| Limitação | Os exemplos não contêm todos os requisitos operacionais | Para iniciantes, o fluxo de implementação real pode parecer abstrato |
| Uso recomendado | Utilizar ao criar pequenos protótipos | Utilizar ao validar o comportamento e as limitações da API antes da implementação final |

A 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.

## Rota de aprendizado recomendada para iniciantes

1. Executar um exemplo básico de chamada da Claude API.
2. Aprender a estrutura de prompts e respostas com um exemplo de resumo de texto curto.
3. Praticar a fixação do formato de saída com um exemplo de classificação.
4. Fazer o modelo responder com base em documentos externos com um exemplo de RAG.
5. Adicionar contexto de conversa e mecanismos de segurança com um exemplo de chatbot.
6. Expandir para exemplos avançados necessários, como imagem, PDF e consulta a banco de dados.
7. Criar um conjunto de testes e medir precisão, custo e tempo de resposta.

## Erros comuns e soluções

| Erro | Por que é um problema | Solução |
|---|---|---|
| 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 |
| 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 |
| Escrever o prompt de forma muito abstrata | A saída não é consistente | Especificar papel, entrada, formato de saída e proibições |
| 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 |
| 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 |
| Não definir limites de custo | Execuções repetidas ou entradas em massa podem aumentar os custos | Aplicar limites de chamadas, cache e amostragem |

## Conclusão

Claude 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.

No 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.

## FAQ

### O que são Claude Cookbooks?
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.

### O que é necessário para usar Claude Cookbooks?
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.

### Iniciantes também podem usar Claude Cookbooks?
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.

### Em quais casos os exemplos de RAG são úteis?
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.

### É possível conectar os exemplos de Claude Cookbooks diretamente a um serviço em operação?
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.

### Como é melhor usar Claude Cookbooks e a documentação oficial da Anthropic em conjunto?
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.

### Qual é o ponto mais importante ao criar um chatbot com Claude Cookbooks?
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.

### Os exemplos de consulta a banco de dados em linguagem natural são seguros?
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.

### Quais cuidados são necessários ao usar exemplos de processamento de imagens ou PDFs?
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

- [Repositório GitHub Anthropic Claude Cookbooks](https://github.com/anthropics/claude-cookbooks)
- [Primeiros passos com a API da Anthropic](https://docs.anthropic.com/en/api/getting-started)
- [Referência da API Messages da Anthropic](https://docs.anthropic.com/en/api/messages)
- [Documentação do Jupyter](https://docs.jupyter.org/en/latest/)
- [Documentação do Pinecone](https://docs.pinecone.io/)

## Images

![Laptop com editor de código, livro de receitas aberto, cérebro de IA e ícones de documentos e dados](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIyNywicHVyIjoiYmxvYl9pZCJ9fQ==--3ca306095526f2389751e0dcf66e7ee3d2ac373e/ai-6427b734.webp)
![Interface de código e cartões de dados passando por uma API em nuvem para várias ferramentas](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjIzMywicHVyIjoiYmxvYl9pZCJ9fQ==--9b39561d755d91d179630b86135f6cb98802fb15/ai-4269afa5.webp)