Anthropic ampliou o tool use: o que muda para agentes
TL;DR
A Anthropic lançou um pacote de "Advanced Tool Use" em beta que organiza o uso de ferramentas em três camadas: descobrir, planejar e executar. Na prática, isso muda o desenho de agentes porque o modelo passa a localizar ferramentas sob demanda, orquestrar chamadas em sandbox e aprender padrões de uso por exemplos embutidos no schema. O impacto é direto para quem constrói automações com múltiplos serviços e precisa controlar contexto, custo e manutenção.
O que foi anunciado
O ponto central do release está no post oficial Introducing advanced tool use on the Claude Developer Platform: três recursos em beta foram apresentados juntos. São eles: Tool Search Tool, Programmatic Tool Calling e Tool Use Examples.
Esses recursos atacam uma limitação comum em agentes: quando o catálogo cresce, carregar tudo no contexto vira custo e ruído. Em vez de depender apenas de function calling clássico, a Anthropic propõe um fluxo em que o modelo descobre a ferramenta relevante, decide como chamá-la e, quando necessário, usa um ambiente de execução para coordenar várias chamadas.
Tool Search: descoberta sob demanda
A ideia do Tool Search Tool é permitir que o Claude encontre ferramentas relevantes quando precisa delas, em vez de receber um inventário completo o tempo todo. Isso ajuda em cenários com muitos conectores, integrações internas e catálogos que mudam com frequência.
No post oficial, os exemplos mostram ferramentas de busca como tool_search_tool_regex_20251119, usadas como parte do conjunto de ferramentas passadas ao cliente. Para times que mantêm integrações próprias, isso reduz a pressão sobre o contexto e simplifica a seleção de ferramentas em tempo de execução.
Programmatic Tool Calling: orquestração com código
O segundo bloco é o Programmatic Tool Calling. Aqui, o modelo pode escrever código para executar chamadas de ferramentas em um sandbox, mantendo o fluxo de execução mais organizado quando há várias etapas em sequência. O benefício é prático: menos fragmentação no contexto e mais controle sobre um pipeline com dependências entre chamadas.
O material oficial cita o uso de code_execution_20250825 e o ciclo de retorno de tool result loop, em que a execução pausa, recebe o resultado e continua. Isso é útil em automações que precisam consultar serviços diferentes, consolidar respostas e só então tomar uma decisão final.
Esta seção descreve a versão beta mostrada no anúncio oficial. APIs de IA mudam rápido — confira o changelog da documentação antes de adotar em produção.
Tool Use Examples: schema com exemplos reais
O terceiro recurso são os Tool Use Examples. Em vez de depender só de validação estrutural, o schema pode carregar exemplos concretos de uso para ensinar quando e como preencher parâmetros. O post recomenda algo como 1 a 5 exemplos por ferramenta, com variedade entre chamadas mínimas, parciais e completas.
Para quem mantém ferramentas internas, isso é valioso porque reduz ambiguidades que um JSON Schema puro não resolve. Na prática, os exemplos funcionam como uma memória curta de boas chamadas, sem que você precise encher o prompt com instruções longas.
Como isso altera o desenho de agentes
O efeito mais importante não é só adicionar features, mas mudar o fluxo mental de construção de agentes. Antes, muitos sistemas iam direto de “lista de tools disponível” para “chamada”. Agora, o caminho fica mais próximo de “descobrir → planejar → executar”.
Esse tipo de desenho é especialmente útil em cenários com múltiplas integrações: ERP, CRM, data warehouse, busca interna, tickets e automação de tarefas. Em vez de sobrecarregar a chamada inicial, o agente pode navegar pelo espaço de ferramentas com mais granularidade.
O que continua exigindo engenharia do lado do cliente
Mesmo com os novos recursos, o cliente ainda precisa cuidar de mecanismos básicos: autenticação, auditoria, controle de acesso e observabilidade. Ferramenta dinâmica não substitui governança. Ela só tira parte da fricção do roteamento e da seleção.
Também vale notar que o release está organizado como beta e documentado nos guias oficiais de tool use da plataforma, como Tool use overview e Tool reference. Isso sinaliza que a interface pode evoluir, então vale acompanhar a documentação antes de congelar uma implementação.
Exemplo de leitura para o time técnico
Se você trabalha com agentes em produção, o ganho não está em “fazer o modelo pensar mais”, e sim em reduzir acoplamento entre contexto e catálogo de ferramentas. Em time brasileiro isso pesa bastante quando há necessidade de entregar rápido em stack já existente, com orçamento controlado e integrações legadas que não cabem todas no prompt.
Um caso comum por aqui é integrar IA a operações que respeitam LGPD, logs internos e regras de acesso por área. Nesse cenário, buscar e executar ferramentas sob demanda ajuda a expor só o necessário a cada etapa, o que combina melhor com o princípio de minimização de dados da LGPD.
Por que isso importa no Brasil
O contexto brasileiro tem duas particularidades relevantes: custo e governança. Em muitos times, o orçamento é medido em reais, com pressão para evitar chamadas excessivas e dependência de infraestrutura espalhada; ao mesmo tempo, setores como financeiro, saúde e governo exigem rastreabilidade e cuidado com dados pessoais.
Quando um agente consegue descobrir apenas a ferramenta necessária, e não carregar um catálogo inteiro na conversa, fica mais simples controlar exposição de contexto, custo de tokens e superfície de operação. Isso é especialmente útil para produtos que precisam conversar com bases internas, respeitar LGPD e operar em fluxos com auditoria forte.
Como começar a testar na prática
Para experimentar esse release, o ponto de partida mais seguro é ler o anúncio oficial e a documentação da plataforma, e então mapear quais ferramentas internas realmente precisam de descoberta dinâmica. Nem todo caso pede orquestração por código; em muitos sistemas, um catálogo pequeno e bem descrito já resolve.
Se o seu time já usa Claude ou está avaliando agentes multi-ferramenta, vale comparar a implementação atual com a nova proposta: quais etapas podem sair do prompt, quais ferramentas podem ter exemplos no schema e onde um sandbox de execução pode reduzir complexidade. Essa revisão costuma revelar redundâncias que passam despercebidas no fluxo atual.
Conclusão
O anúncio da Anthropic indica uma evolução clara no tool use: menos dependência de catálogo estático e mais suporte a descoberta, planejamento e execução guiados pelo próprio modelo. Para quem constrói agentes, isso abre espaço para arquiteturas mais moduladas e com menor carga de contexto.
Se você quer avaliar o impacto no seu projeto, abra a documentação oficial da Anthropic, compare o seu catálogo atual de ferramentas com o padrão de descoberta sob demanda e identifique uma integração interna que possa ser testada em até 1 hora. Comece por um fluxo simples, como busca de ferramenta + execução de uma única chamada, e meça o efeito no contexto e no custo.
Conteúdos da DIO para quem quer aprofundar
- Aceleração Microsoft - Azure AI Agents — abordagem prática para criar, orquestrar e governar agentes de IA em ambiente corporativo.
- Aceleração Microsoft AI Agents — trilha focada em agentes, Copilot Stack e automação com ecossistema Microsoft.
- Aceleração: AI Reports com Excel, GPT Agents e Claude Code — conteúdo sobre criação de agentes e relatórios com IA usando Excel e Claude Code.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
