Claude Cookbook：官方提示工程指南

使用程序化工具调用、服务端压缩和任务预算，构建一个 Messages API 测试框架，复现已发布的 DeepSearchQA 和 BrowseComp 分数。

检测 Fable 5 上的安全分类器拦截，并回退到 Opus 4.8；支持服务端回退或基于 SDK 的客户端回退，包括流式传输行为和新的计费变更。

两种异步多 Agent 模式——一种是固定 N 个 Agent 组成团队，通过共享 Hub 进行点对点消息传递；另一种是动态创建异步 subagent——将其精简到最基础的消息传递和生命周期机制。

将 notebook 00 中的研究 Agent 按照三个运维成熟度层级进行部署：Docker、Modal 和 Kubernetes；每个层级都使用相同的容器镜像与 HTTP 接口。

通过 multiagent coordinator 配置构建异构团队——由一个 coordinator 调度三名 specialist（Web 搜索研究员、文件阅读 librarian、基于规则的定价员），每个角色拥有范围受限的工具集，共同生成销售提案。内容涵盖 multiagent 字段、thread_created / thread_message_received 事件类型，以及按角色限定工具范围的方法。

使用 Outcomes 构建评分与修订循环：writer 起草一份带引用的研究简报；无状态 grader 获取每个 URL，并依据 rubric 检查每一处引文；反馈持续推动修订，直到简报通过。内容涵盖 user.define_outcome、span.outcome_evaluation_* 事件，以及如何编写 grader 能够据此执行的 rubric。

为你的 Claude Managed Agents 配置 Memory store，使其能够在多次交互中学习并记住用户偏好。

使用 Claude Agent SDK 构建漏洞发现 Agent：对 C 语言目标进行威胁建模，利用内置文件工具搜寻内存安全漏洞，并将发现的问题分类整理成结构化报告。

将 Claude 接入 on-call 流程：告警触发后，Agent 读取日志和 runbook，定位根因，创建修复 PR，并在合并前等待你的批准。

构建一个 analyst，在沙箱环境中通过文件挂载，将 CSV 转换为包含交互式图表的叙事型 HTML 报告。

向 bot 发送 mention 并附上 CSV，即可在线程内获得分析报告；同一 session 中还支持多轮后续追问。

Claude Managed Agents API 入门教程。通过让 Agent 修复 calc.py package 中三个预先植入的 bug，逐步讲解 agent / environment / session 的创建、文件挂载以及流式事件循环。

Managed Agents 的端到端生产实践——由 vault 托管的 MCP 凭据、使用 session.status_idled webhook 实现无需长连接的 human-in-the-loop 模式，以及资源生命周期对应的 CRUD 动词。

服务端 prompt 版本管理——创建 v1，使用带标签的测试集进行评估，发布 v2，检测 regression，然后通过将 session 固定到 version 1 完成回滚。内容涵盖 agents.update、sessions.create 中的版本固定，以及当 prompt 不再属于代码时 review gate 应迁移到哪里。

构建一个能够自主调查 IOC 的 Agent：查询多个威胁情报来源，交叉核对调查结果，将其映射到 MITRE ATT&CK，并生成用于集成 SIEM 和 SOAR 的结构化报告。

对磁盘上的 Agent SDK session 执行列出、读取、重命名、添加标签和 fork 操作，无需编写 transcript parser，即可构建会话历史侧边栏。

使用 Claude 从非结构化文本构建知识图谱，包括实体提取、关系挖掘、去重以及多跳图查询。

比较适用于长时间运行 Agent 的 context engineering 策略，了解每种策略适用的场景、成本，以及它们如何组合使用。

将 OpenAI Agents SDK 应用迁移到 Claude Agent SDK，并通过一个费用审批 Agent 示例，映射每一种 primitive（tools、guardrails、sessions、handoffs）。

使用具备读写能力的 MCP 工具，构建可自主完成诊断、修复和事后复盘文档编写的事件响应 Agent。

使用后台线程和 prompt caching，通过即时 session memory 压缩管理长时间运行的 Claude 对话。

让 Claude 在代码执行环境中编写代码，以程序化方式调用工具，从而降低延迟和 token 消耗。

使用语义 embedding 动态发现工具，将 Claude 应用扩展到能够处理数千种工具。

通过自动压缩对话历史，管理长时间运行的 agentic workflow 中的 context limit。

结合 ElevenLabs 的语音转文本和文本转语音能力与 Claude，构建低延迟语音助手。

为 Claude 提供 crop 工具，使其能够放大图像中的局部区域，详细分析图表、文档和示意图。

指导如何为 Claude 编写 prompt，以生成独特、精致且避免千篇一律审美的前端设计。

使用 Claude 的 Excel、PowerPoint 和 PDF skills 构建财务 dashboard 与投资组合分析。

创建、部署并管理自定义 skills，通过专门的组织工作流扩展 Claude。

使用 Claude 的 Excel、PowerPoint 和 PDF skills 创建文档、分析数据并自动化工作流。

使用 Claude Code SDK 和 WebSearch 构建能够自主开展研究的研究 Agent。

使用 subagent、hook、output style 和 plan mode 功能构建多 Agent 系统。

通过 MCP server 将 Agent 连接到外部系统，用于 GitHub 监控和 CI workflow。

独立于评估任务文件，对工具执行并行 Agent 评估。

通过 Admin API，以编程方式访问并分析 Claude API 的用量和成本数据。

使用 Claude 的 memory tool 和 context editing，构建具备持久记忆的 AI Agent。

在用户组织查询内容期间进行推测性 cache 预热，从而缩短 time-to-first-token。

使用批量工具 meta-pattern 的变通方案，为 Claude 3.7 Sonnet 启用并行工具调用。

使用 Claude 的 extended thinking，在管理预算的同时提供透明的逐步推理。

将 extended thinking 与工具结合，在多步骤 workflow 中提供透明推理。

三种简单的多 LLM workflow 模式，通过在成本或延迟上作出取舍来提升性能。

一种 workflow 模式：使用一个 LLM 生成内容，再由另一个 LLM 进行评估并形成反馈循环。

由中央 LLM 动态地将任务委派给 worker LLM，并综合它们的结果。

使用 batch 异步处理大量 Claude 请求，同时将成本降低 50%。

使用 RAG、chain-of-thought 和自我改进技术，将自然语言查询转换为 SQL。

在 embedding 前为 chunk 补充上下文，并结合 prompt caching，提高 RAG 准确率。

在 Amazon Bedrock 上针对自定义任务 fine-tuning Claude 3 Haiku 的分步指南。

生成合成测试用例，以有效评估并改进 Claude prompt 模板。

通过详细说明缓存和复用 prompt context，从而节省成本并加快响应速度。

法律文档摘要的综合指南，包括评估方法和高级技术。

使用摘要索引和 reranking 技术，通过 Claude 构建并优化 RAG 系统。

使用 RAG 和 chain-of-thought，为保险工单构建基于 Claude 的分类系统。

使用 tool_choice 参数控制 Claude 如何选择工具，包括强制选择和自动选择。

结合 Claude 的 vision 与工具，从营养标签等图像中提取结构化数据。

使用 prefill 技术续写消息，生成超出 max_tokens 限制的更长响应。

优化 Claude vision 图像处理性能的技巧与方法。

使用 Pydantic model 创建经过验证的工具，实现类型安全的 Claude 工具调用交互。

使用 Deepgram 转录音频，并通过 Claude 生成面试问题，辅助面试准备。

将 Wolfram Alpha LLM API 作为 Claude 工具集成，用于处理计算类查询并生成答案。

为 Claude 提供 calculator 工具，用于算术运算和数学问题求解。

使用 Claude 和工具构建客服 chatbot，实现客户查询与订单管理。

利用 Claude 的 tool use 能力，从多种输入中提取结构化 JSON 数据。

一种 prompt engineering 工具：为你的任务生成初始 prompt，解决无从下手的问题。

让 Claude 在回答基于文档的问题时提供详细的来源引用，以便核验。

使用 LangChain v1 更新后的 Agent framework 模式，通过 Claude 3 构建 RAG Agent。

通过 URL 提取，使用 Claude 3 Haiku 获取并总结网页内容。

使用 Haiku subagent 提取信息，再由 Opus 综合分析财务报告。

使用 LlamaIndex 的 Anthropic MultiModal LLM abstraction 进行图像理解和推理。

以科技新闻作为知识库，使用 Claude 和 MongoDB 构建 chatbot RAG 系统。

构建可靠的评估系统，通过关键指标衡量并改进 Claude 的表现。

通过在 prompt 中定义规则和类别，构建可自定义的内容审核过滤器。

使用有效的 prompt 技术，在不采用 constrained sampling 的情况下让 Claude 稳定输出 JSON。

结合数据库 schema 上下文，使用 Claude 将自然语言问题转换为 SQL 查询。

关于如何将图像传入 Claude 3 API 以进行基于 vision 的文本分析的教程。

使用 Claude 3 的 vision，从图像和 PDF 中提取非结构化文本并完成结构化处理。

利用 Claude 的 vision 分析能力，从图表、统计图和演示文稿中提取洞察。

使用 DocumentAgents 和 ReAct Agent 模式，为大型文档集合构建 RAG。

使用 LlamaIndex 创建 ReAct Agent，实现基于工具的推理和行动 workflow。

使用 LlamaIndex 构建基础 RAG pipeline，实现文档检索和问答。

使用 LlamaIndex RouterQueryEngine 将查询路由到不同索引，实现多文档搜索。

使用 LlamaIndex engine 将复杂查询拆分为跨多个文档的子问题。

将 Claude 与 Pinecone vector database 连接，实现 retrieval-augmented generation 和语义搜索。

使用 Claude API，通过文本提取和编码处理并总结 PDF 文档。

一个旧版 notebook，展示如何使用 Claude 2 进行迭代式 Wikipedia 搜索，以支持研究 workflow。

欢迎贡献

有 cookbook 创意吗？我们欢迎社区贡献。