claude-cookbooks

python 2025-12-06

claude-cookbooks

2025-12-06

心灵的宁静是最高的智慧。——拿破仑·希尔

Claude Cookbooks：把“用好 Claude”这件事，变成可以复刻的配方

在日常工作中，我们常把大模型当作“万能问答器”。但真正把模型融入业务与产品，需要的是“可落地的方法论与配方”。Anthropic 的开源项目——Claude Cookbooks，正是为此而来：一套“可执行、可迭代”的示例笔记和配方（notebooks/recipes），展示了如何以有趣且高效的方式使用 Claude。

项目地址：anthropics/claude-cookbooks
项目描述：A collection of notebooks/recipes showcasing some fun and effective ways of using Claude.
主语言：Jupyter Notebook
协议：MIT
Stars：29,128+
Forks：2,937+

这不只是“零散的示例代码”，更像是一套“手把手的菜谱”——从模型调用、提示工程到工作流设计，帮助你把抽象的想法转化成具体的、可运行的项目原型。

为什么是 Cookbooks？

可复刻：每个“配方”都是独立的 notebook，开箱即用，适合直接拷贝到你的工程里。
有趣与有效：示例不仅体现模型能力，还关注可用性与工程实践。
学习曲线友好：对初学者友好，也为资深开发者提供可扩展的结构与技巧。
模型中立的工程思维：强调“提示、上下文、评估”的方法，不绑定某一个应用场景。

能学到什么？

虽然仓库以“笔记本”形式组织，但背后体现的是 Claude 使用的“三板斧”：

提示工程（Prompt Engineering）
- 如何明确任务、约束与风格
- 如何设计上下文结构，减少幻觉并提升一致性
- 如何把“角色”和“工具”融入提示
上下文与工作流（Context & Workflow）
- 分块/检索增强（RAG）的上下文组织方法
- 多轮会话与状态管理的示例
- 结合外部工具（代码执行、检索、解析）的工作流模板
结果评估与迭代（Evaluation & Iteration）
- 给输出设定准则与自动检查
- 在 notebook 中对多个提示方案进行对比
- 数据化迭代：记录参数、prompt、结果，以便复用与优化

核心使用方式（Python 示例）

下面以 Python 展示一个基础的 Claude API 调用流程，帮助你在自己的 notebook 或工程中复刻。

注：具体模型名称、API Key 读取方式以你实际使用的版本和文档为准。示例仅为演示调用方式与工程结构。

# pip install anthropic
import os
from anthropic import Anthropic, HUMAN_PROMPT, AI_PROMPT

# 建议通过环境变量注入 API Key
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

prompt = f"""{HUMAN_PROMPT}
你是一个资深技术写作助手。请以要点列表简洁解释：为什么在构建 Claude 应用时应该先定义“任务边界”和“输出格式”？
请用 5 个要点说明，并给出一个简单示例。

{AI_PROMPT}
"""

resp = client.completions.create(
    model="claude-2.1",  # 举例，请按官方文档使用最新/合适的模型
    max_tokens_to_sample=400,
    prompt=prompt,
)

print(resp.completion)

工程建议：

将“角色、任务、准则”写进模板字符串，形成可维护的提示结构。
使用 notebook 记录每次实验的 prompt 与结果，便于迭代。
在 notebook 中引入简单的评估脚本（如长度控制、关键词命中、Markdown合法性）来检查输出质量。

更进一步：一个“配方式工作流”骨架

这段伪代码展示了怎样把“配方”组织成模块化工作流，便于扩展、调试与复用：

from typing import Dict, Any, List
from anthropic import Anthropic

class ClaudeRecipe:
    def __init__(self, client: Anthropic, model: str):
        self.client = client
        self.model = model

    def build_prompt(self, instructions: str, context: Dict[str, Any]) -> str:
        # 将任务说明与上下文拼装为结构化提示
        # 例如：说明目标、输入、规则、输出格式，避免“散装提示”
        return f"""Human:
任务：{instructions}
上下文：
- 主题：{context.get('topic')}
- 约束：{context.get('constraints')}
- 输出格式：Markdown，包含标题、要点与代码例子

Assistant:
"""

    def run(self, instructions: str, context: Dict[str, Any], max_tokens: int = 800) -> str:
        prompt = self.build_prompt(instructions, context)
        resp = self.client.completions.create(
            model=self.model,
            max_tokens_to_sample=max_tokens,
            prompt=prompt,
        )
        return resp.completion

# 用法示例
import os
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
recipe = ClaudeRecipe(client, model="claude-2.1")

context = {
    "topic": "如何把 Claude Cookbooks 的方法迁移到你的团队工程",
    "constraints": [
        "输出可复用的模板",
        "提示结构清晰",
        "示例含代码片段"
    ]
}

output = recipe.run(
    instructions="生成一篇技术实践指南，内容包括：方法论、工程结构、评估与迭代建议、常见坑。",
    context=context
)
print(output)

这个“配方类”将：

提示构建（build_prompt）
执行调用（run）
参数管理（模型名/最大token）
与上下文分离（instructions/context）

组合到一起，让你在 notebook 或项目中复用一套骨架。

适合谁？

初学者：快速感受 Claude 的实际能力与用法，并掌握入门模板。
产品/工程团队：把 LLM 能力落地到真实场景，形成“工程可维护”的 prompt 与工作流。
研究者与爱好者：通过多配方多实验的方式，对比不同提示策略、上下文组织和评估方法。
教学者：把 notebook 当作教学材料，展示“从问题到解决方案”的完整路径。

工程实践建议

结构化提示：在提示中明确任务、输入、约束、输出格式，减少随机性。
小步快跑：每次只调整一个变量（比如提示的一个段落、上下文大小），观察效果变化。
记录与对比：Notebook 中保留不同方案的“Prompt-Result”对照，便于复盘与最佳实践沉淀。
外部工具链：与检索、解析、评估脚本结合，形成“模型+工具”的完整工作流。
团队规范：把配方和模板沉淀到仓库，统一命名、注释与评估准则，提升协作效率。

总结

Claude Cookbooks 不是“炫技合集”，而是一套“可以落地的实践配方”。它用 Jupyter Notebook 把复杂的 LLM 使用过程拆解为可复刻的步骤，强调提示工程、上下文工作流与评估迭代，让每一个团队都能把“用好 Claude”变成有章可循的工程能力。

如果你想从“会用大模型”走向“用好大模型”，这套 cookbooks 值得完整读上一遍，并挑选几个配方改造成自己的“私房菜”。

项目主页：https://github.com/anthropics/claude-cookbooks

欢迎为你的团队打造一套“Claude 菜谱”，把灵感变成可复用的生产力！