Claude Libros de recetas: Claude Material oficial de GitHub para seguir rápidamente ejemplos prácticos de la API

¿Qué son los «Claude Cookbooks»?

Los «Claude Cookbooks» son un repositorio de ejemplos de la API de Claude que Anthropic gestiona en GitHub. Tal y como su nombre indica, al igual que un «libro de recetas», se trata de un recurso que recopila fragmentos de código y guías paso a paso que sirven de referencia a la hora de implementar funciones específicas.

Aunque la documentación oficial de la API es muy útil para comprender los conceptos y las especificaciones, a quienes se inician en el desarrollo les puede quedar la duda: «¿Y cómo lo aplico en mi código?». Claude Cookbooks reduce esta brecha. Muestra ejemplos prácticos de tareas que suelen surgir en servicios reales, como la clasificación de texto, el resumen, RAG, los chatbots y el procesamiento de documentos.

Según los datos proporcionados por los administradores, este repositorio es un proyecto muy popular que ha recibido decenas de miles de estrellas en GitHub y puede servir como punto de partida práctico para desarrolladores y planificadores que deseen experimentar con la API de Claude.

Definiciones clave

¿Qué problemas se pueden resolver?

⁣El valor de INJX12⁣ Cookbooks radica en que va más allá de «cómo invocar un modelo» y muestra «cómo integrar el modelo en flujos de trabajo reales». Los temas de los ejemplos están relacionados con los siguientes escenarios de aplicación.

1. Clasificación y enrutamiento de texto

Se puede utilizar para clasificar consultas de clientes, reseñas, documentos y correos electrónicos en categorías predefinidas. Por ejemplo, en un sistema de atención al cliente, se puede dividir el contenido de las consultas en «reembolsos», «envíos», «soporte técnico» y «problemas con la cuenta», y reenviarlas automáticamente al equipo responsable.

A la hora de aplicarlo en la práctica, hay que tener en cuenta lo siguiente:

• ¿Se han definido claramente los criterios de clasificación?
• ¿Se permiten resultados seguros, como «Otros» o «Necesita verificación», para entradas ambiguas?
• ¿Los resultados del modelo están siempre en un formato fácil de leer para los sistemas posteriores, como JSON, etiquetas o puntuaciones?
• ¿Se ha medido la tasa de clasificación errónea con datos reales?

2. Resumen y extracción de información

También resulta adecuado para extraer el contenido esencial de documentos largos, actas de reuniones, artículos o registros de conversaciones con clientes. No se limita a un simple resumen, sino que puede ampliarse a tareas de estructuración como las siguientes:

• Extracción de argumentos clave
• Creación de listas de tareas pendientes
• Separación de riesgos y decisiones
• Extracción de campos del documento, como fechas, importes o personas responsables
• Resumen de los puntos en común y las diferencias entre varios documentos

Al utilizar ejemplos de resumen, es más fiable especificar claramente «el público objetivo, la extensión, los elementos que deben incluirse y los que deben excluirse» en lugar de limitarse a pedir «resúmelo brevemente».

3. Preguntas y respuestas basadas en RAG

RAG es un patrón en el que el modelo no responde basándose únicamente en su propio conocimiento, sino que busca la información relevante en los documentos proporcionados por el usuario o en datos externos antes de dar una respuesta. Es especialmente importante para servicios en los que las respuestas deben basarse en manuales internos de la empresa, documentación de productos, documentos normativos o bases de conocimiento.

El flujo habitual de RAG es el siguiente:

1. Se divide el documento en fragmentos pequeños.
2. Se almacenan los fragmentos en un formato de incrustación o que permita su búsqueda.
3. Se buscan fragmentos de documentos relacionados con la pregunta del usuario.
4. Se introducen los resultados de la búsqueda en el prompt de Claude como material de referencia.
5. Claude responde basándose en dicha información.
6. Se muestran junto con la respuesta las fuentes utilizadas, las limitaciones y la incertidumbre.

RAG no elimina por completo las alucinaciones. Por lo tanto, es recomendable incluir restricciones como «responde que no sabes lo que no figure en las fuentes proporcionadas» o «muestra el nombre del documento de referencia en cada respuesta» tanto en la indicación como en la lógica de la aplicación.

4. Chatbot de atención al cliente

⁣Los ejemplos de los Cookbooks de INJX12⁣ también pueden servir de referencia a la hora de crear un chatbot que responda a las consultas de los clientes. Un chatbot básico debe mantener el contexto de la conversación, consultar documentos de políticas o preguntas frecuentes (FAQ) e identificar la intención del usuario.

Un chatbot orientado a la práctica requiere los siguientes elementos:

• Clasificación de la intención de la pregunta del usuario
• Restricción de respuestas prohibidas o de alto riesgo en ámbitos legal, médico o financiero
• Conexión con un agente de atención al cliente cuando sea necesario
• Almacenamiento del historial de conversaciones y minimización de los datos personales
• Evaluación de las respuestas del modelo y supervisión de los registros

El código de ejemplo es solo un punto de partida; para implementarlo en un servicio de atención al cliente real, es necesario diseñar por separado aspectos como la seguridad, la protección de datos personales, la gestión de fallos y el ámbito de responsabilidad.

5. Consultas a bases de datos basadas en lenguaje natural

También existe un patrón en el que, al formular una pregunta en lenguaje natural —como «Muéstrame los 10 productos con mayor facturación del mes pasado»—, se genera y ejecuta una consulta SQL o de recuperación de datos. Este método permite que incluso quienes no son desarrolladores puedan explorar los datos, pero conlleva un gran riesgo de seguridad.

Para utilizarlo de forma segura, es necesario lo siguiente:

• Utilizar cuentas de solo lectura
• Permitir el acceso únicamente a las tablas y columnas autorizadas
• Verificar las consultas generadas antes de ejecutarlas
• Limitar las consultas masivas
• Ocultar la información sensible
• Bloquear los datos a los que el usuario no tiene permiso de acceso

Es peligroso ejecutar directamente en la base de datos operativa el código SQL generado por el modelo. En la fase de prueba, es recomendable utilizar una base de datos de muestra o un entorno de desarrollo aislado.

6. Procesamiento de imágenes, gráficos y PDF

⁣Aprovechando las funciones multimodales de INJX12⁣, es posible describir imágenes o gráficos, así como leer y estructurar la información de archivos PDF. Por ejemplo, se pueden extraer las cifras clave de un informe en PDF o hacer que el modelo explique qué tendencia muestra un gráfico.

Sin embargo, el procesamiento de material visual tiene sus limitaciones. Pueden producirse errores con letras pequeñas, tablas complejas, baja resolución o imágenes recortadas. Si se trata de una tarea en la que las cifras son importantes, es necesario realizar una verificación cruzada con los datos originales.

⁣Lo que hay que preparar antes de empezar con los «Cookbooks» de Claude

Elementos imprescindibles

Requisitos recomendados

• Conocimientos básicos sobre Git y GitHub
• Cómo gestionar las variables de entorno
• Hábito de supervisar los costes y el uso de la API
• Método de gestión de versiones de los prompts
• Lista de entradas de prueba y resultados esperados
• Criterios para el tratamiento de información sensible

Pasos básicos para seguir el tutorial

⁣Si es la primera vez que te acercas a los Cookbooks de INJX12⁣, en lugar de intentar comprender todo el repositorio de una sola vez, es mejor que elijas un ejemplo y lo ejecutes hasta el final.

Paso 1: Echar un vistazo a la estructura del repositorio

En el repositorio de GitHub, comprueba primero los títulos de los ejemplos, los nombres de las carpetas y el archivo README. Busca un ejemplo que se acerque a la funcionalidad que deseas crear. Por ejemplo, si quieres crear un chatbot para buscar documentos internos, los ejemplos relacionados con RAG o con la búsqueda de documentos tendrán prioridad.

Paso 2: Ejecutar el ejemplo más sencillo

Si eliges desde el principio un ejemplo que incluya una base de datos vectorial, procesamiento de PDF y integración con API externas, te resultará difícil localizar el origen de los errores. Empieza por ejemplos sencillos, como la consulta de mensajes, el resumen o la clasificación, para comprobar que la clave de la API y el entorno de ejecución funcionan correctamente.

Paso 3: Adaptar los datos de entrada a tu problema

Ejecuta primero los datos de ejemplo tal cual y, a continuación, sustitúyelos por pequeños datos de prueba similares a los de tu trabajo. En este momento, es recomendable no incluir datos sensibles, como información real de clientes, números de identificación personal, datos de pago o secretos comerciales.

Paso 4: Establecer un formato de salida fijo

Para conectarse a un sistema operativo, resulta complicado trabajar si las respuestas del modelo se presentan cada vez únicamente en forma de frases libres. Se requiere un formato que el código posterior pueda procesar, como JSON, etiquetas estándar, puntuaciones o elementos de resumen.

Por ejemplo, en tareas de clasificación resultan útiles las siguientes reglas de salida.

La salida se redactará únicamente en formato JSON.
Solo se utilizarán tres campos: category, confidence y reason.
category debe ser uno de los siguientes: refund, delivery, technical_support, account u other.

Paso 5: Recopilar casos de fallo

No basta con fijarse únicamente en las entradas en las que los ejemplos funcionan bien. En un servicio real surgen diversos problemas, como preguntas breves, preguntas ambiguas, indicaciones malintencionadas, errores ortográficos, entradas en varios idiomas o documentos incompletos.

Preparar los siguientes tipos de pruebas resulta útil para evaluar la calidad:

• Entradas con una respuesta correcta clara
• Entradas con una intención ambigua
• Entradas para las que no hay respuesta en la documentación de referencia
• Entradas que el modelo puede adivinar fácilmente
• Entradas muy largas
• Entradas que contienen información sensible
• Entradas que indican que se ignoren las reglas

Puntos clave según el tipo de ejemplo

Criterios para elegir un buen tema de experimento

⁣Al estudiar los Cookbooks de INJX12⁣, es mejor elegir un «problema de trabajo pequeño y verificable» en lugar de una «demostración espectacular».

Las condiciones para un buen primer proyecto son las siguientes:

• La entrada y la salida son claras.
• Una persona puede determinar fácilmente si ha tenido éxito.
• No requiere información confidencial.
• El coste de la API es reducido.
• Aunque falle, no afecta a los clientes reales ni a los sistemas operativos.
• Se puede implementar con solo modificar ligeramente el código de ejemplo.

Por ejemplo, los siguientes temas son adecuados como proyectos iniciales:

• Clasificar 20 consultas de clientes en 5 categorías.
• Extraer únicamente las decisiones y las tareas pendientes de unas actas de reunión extensas.
• Crear una sección de preguntas y respuestas basada en pruebas a partir de 5 documentos públicos.
• Crear un chatbot sencillo de atención al cliente basado en las preguntas frecuentes del producto
• Convertir preguntas en lenguaje natural sobre datos CSV de muestra en consultas SQL

Lista de comprobación antes de la aplicación práctica

⁣Para convertir los ejemplos de los «Cookbooks» de INJX12⁣ en productos reales o herramientas internas, hay que comprobar los siguientes puntos.

Lista de comprobación técnica

• ¿Se gestionan las claves API mediante variables de entorno o herramientas de gestión de secretos?
• ¿Se ha previsto cómo actuar ante fallos en la llamada al modelo, tiempos de espera agotados o limitaciones de velocidad?
• ¿Se gestionan los límites de longitud de entrada y tamaño de archivo?
• ¿Existe código para validar el formato de salida?
• ¿Se almacena información confidencial en los registros?
• ¿Se dispone de un conjunto de datos de prueba y de criterios de evaluación?
• ¿Se realizan pruebas de regresión cuando se cambia la versión del modelo o el prompt?

Lista de comprobación de calidad

• ¿Se comprueba la precisión de las respuestas mediante un muestreo realizado por personas?
• ¿Existen directrices para reducir las respuestas sin fundamento?
• ¿Está diseñado para responder «no lo sé» en caso de incertidumbre?
• ¿Se explican al usuario las limitaciones de las respuestas de la IA?
• ¿Se identifican los casos en los que es necesaria la revisión de un experto en la materia?

Lista de comprobación de seguridad y operaciones

• ¿Existe una política de introducción de datos personales y secretos comerciales?
• ¿Se impide el acceso no autorizado a los datos?
• ¿Se gestionan de forma aislada las claves de integración con API externas?
• ¿Existen límites de uso para evitar un aumento desmesurado de los costes?
• ¿Se han tenido en cuenta los ataques de inyección en las consultas de los usuarios?
• ¿Existe un flujo alternativo en caso de fallos operativos?

Diferencias entre los «Cookbooks» de Claude y la documentación oficial

Lo mejor es utilizar ambos recursos conjuntamente. Por ejemplo, familiarizarse con el flujo mediante los «Cookbooks» y consultar la documentación oficial para verificar los valores de entrada exactos, las opciones del modelo y las restricciones de la API que se está utilizando.

Ruta de aprendizaje recomendada para principiantes

1. Ejecuta el ejemplo básico de llamada a la API Claude.
2. Familiarízate con la estructura de las indicaciones y las respuestas mediante el ejemplo de resumen de textos breves.
3. Practica cómo fijar el formato de salida con el ejemplo de clasificación.
4. Haz que el sistema responda basándose en documentos externos con el ejemplo de RAG.
5. Añade contexto conversacional y medidas de seguridad con el ejemplo de chatbot.
6. Amplía el aprendizaje con ejemplos avanzados según tus necesidades, como imágenes, PDF o consultas a bases de datos.
7. Crea un conjunto de pruebas y mide la precisión, el coste y el tiempo de respuesta.

Errores comunes y soluciones

Conclusión

Claude Cookbooks es un recurso práctico que permite pasar de la «fase de comprensión de la documentación» de la API de Claude a la «fase de creación práctica». Una de sus ventajas es que permite conocer, a través de ejemplos, los patrones clave de las aplicaciones de IA, como la clasificación, el resumen, RAG, los chatbots, la consulta de datos y el procesamiento de imágenes y PDF.

Sin embargo, los Cookbooks no son un sistema operativo completo, sino un punto de partida. Para aplicarlos a un servicio real, es imprescindible añadir elementos operativos como la seguridad de los datos, la verificación de resultados, la gestión de costes, el sistema de evaluación y los permisos de usuario. Al principio, lo más seguro y eficaz es ejecutar un pequeño portátil y adaptar poco a poco los ejemplos a los datos y requisitos de tu propio trabajo.