Anthropic Claude e o novo ciclo de tool use
TL;DR
Em 2026, a Anthropic consolidou tool use como parte central da experiência do Claude, não como um detalhe de integração. O foco saiu de chamada estática de ferramentas e passou para descoberta sob demanda, execução programática e loops explícitos de troca entre modelo e ambiente.
Na prática, isso importa porque reduz contexto, melhora a escalabilidade de agentes e torna a instrumentação mais clara para times que constroem automações reais. Para quem desenvolve no Brasil, o ganho aparece especialmente em fluxos com custo controlado, integrações corporativas e requisitos de governança como LGPD.
O que mudou no tool use do Claude
A leitura mais útil do material da Anthropic é enxergar o tool use como uma cadeia com três camadas: descobrir ferramentas, chamar ferramentas e aprender a chamá-las corretamente. A empresa descreve essa direção em Introducing advanced tool use on the Claude Developer Platform, que junta Tool Search Tool, Programmatic Tool Calling e Tool Use Examples.
Isso muda a forma de pensar a integração. Em vez de colocar uma longa lista de ferramentas no prompt e esperar que o modelo acerte sempre, a plataforma passa a favorecer seleção dinâmica, carregamento sob demanda e uma orquestração mais estruturada. O resultado é menos ruído de contexto e mais controle sobre o que a aplicação expõe ao modelo.
Tool Search Tool: descoberta sob demanda
O ponto mais visível da atualização é a Tool Search Tool. A proposta é simples de entender: o modelo não precisa receber toda a biblioteca de ferramentas de uma vez. Ele pode buscar apenas o que faz sentido para a tarefa naquele momento, usando referências e carregamento adiado.
Esse desenho é útil quando a base de ferramentas cresce. Em sistemas internos, é comum ter conectores para CRM, ERP, banco de dados, busca documental e automações de incidentes. Carregar tudo de saída aumenta tokens, atrasa respostas e deixa a seleção menos confiável. A busca de ferramentas empurra a descoberta para o momento certo.
A precisão da descoberta depende muito de nomes e descrições claros. Se a sua tool library é confusa, o modelo até encontra ferramentas, mas encontra pior.
Programmatic Tool Calling: chamar ferramentas sem depender só de texto
Outro ponto importante é o Programmatic tool calling. Aqui, o próprio fluxo deixa de tratar o tool call apenas como um bloco textual e passa a registrar o chamador como execução programática, associada ao ambiente de code execution.
O ganho prático é engenharia de integração. Quando o tool use nasce dentro de uma execução programática, fica mais fácil controlar dependências, serializar chamadas e inspecionar o caminho que levou a uma ação. Em vez de depender só de uma resposta natural do modelo, você passa a ter um ponto de integração mais previsível para logs, retries e validação de schema.
Tool Use Examples: ensinar o modelo a chamar direito
A terceira perna é menos chamativa, mas muito relevante: Tool Use Examples. A ideia é usar exemplos de uso para reduzir chamadas inválidas e melhorar a aderência ao esquema esperado pela ferramenta.
Isso conversa bem com problemas reais de produção. Quando a tool exige parâmetros obrigatórios, formatos específicos ou enums rígidos, é comum haver erros de composição na primeira execução. Bons exemplos, alinhados à documentação oficial, reduzem retrabalho e tornam a experiência mais estável.
O loop explícito entre Claude e a aplicação
A documentação de Tool use with Claude — overview deixa claro que o processo é um round trip: o modelo emite tool_use, a aplicação executa, devolve tool_result e o Claude continua a resposta. Esse ciclo é o coração da orquestração.
Para quem implementa agentes, isso tem duas consequências imediatas. A primeira é observabilidade: fica mais fácil rastrear onde a tarefa começou, qual ferramenta foi acionada e onde houve erro. A segunda é controle: a aplicação decide o que realmente executa no mundo externo, em vez de aceitar uma ação implícita do modelo.
Computer use como caso extremo do mesmo padrão
O material de computer use mostra o mesmo princípio em um cenário mais operacional. Claude sugere ações, a aplicação interpreta essas ações no computador ou na interface, e o estado volta para o modelo para a próxima iteração.
Isso é útil quando a tarefa não cabe em uma API limpa. Há casos em que o sistema legado só expõe interface, planilha, portal interno ou painel administrativo. Nesses cenários, o loop agente → ferramenta → resultado vira a ponte para automatizar tarefas sem reescrever todo o stack.
Como isso aparece na prática de produto
O valor real não está apenas no modelo “saber usar tools”, mas em o time conseguir organizar esse uso como parte da arquitetura. O jeito certo de pensar é: quais ferramentas são descobertas dinamicamente, quais exigem execução programática e quais precisam de exemplos para evitar erro recorrente.
Em um fluxo de suporte, por exemplo, o agente pode buscar a ferramenta certa entre dezenas de integrações internas, chamar uma API de tickets e então usar o resultado para decidir o próximo passo. Em um fluxo de dados, pode ler uma fonte, transformar a entrada em código e devolver o resultado já validado. Em ambos os casos, o loop explícito evita que o modelo “adivinhe” o estado do sistema.
Impacto em stack de times brasileiros
No Brasil, esse desenho conversa diretamente com restrições comuns de custo e governança. Muitos times operam com orçamento em BRL pressionado pelo dólar, então reduzir tokens e chamadas desnecessárias faz diferença no fim do mês. Além disso, a LGPD exige cuidado com exposição de dados pessoais em integrações, o que favorece arquiteturas em que o modelo acessa só a ferramenta necessária e só pelo tempo necessário.
Outro ponto local é que muitas empresas brasileiras têm legados mistos: um pedaço em cloud moderna, outro pedaço preso em portal interno ou planilha operacional. Nessa realidade, tool use com descoberta dinâmica e computer use ajuda a integrar sistemas sem exigir uma grande reescrita imediata.
Como pensar a adoção sem se perder no hype
Uma leitura madura da atualização é evitar a ideia de que basta “ligar agentes” e tudo passa a funcionar. O material da Anthropic é mais interessante justamente porque empurra o time para desenho de sistema: catálogo de tools, políticas de acesso, logs, exemplos e recuperação de erros.
Em termos práticos, vale começar pequeno. Se sua aplicação já tem uma API interna, escolha uma ferramenta crítica, documente bem nome e descrição, crie exemplos de uso e monitore o comportamento do modelo. Depois, adicione busca de ferramentas para o catálogo crescer sem explodir contexto.
Conclusão
O tool use do Claude em 2026 aponta para agentes mais modulados: ferramentas descobertas quando necessário, chamadas de forma programática quando o fluxo pede precisão e execução em loop quando o problema envolve ambiente externo. Isso é menos sobre “um recurso novo” e mais sobre uma disciplina de engenharia para agentes passarem de demonstração a uso consistente.
Se você quiser validar esse movimento em menos de uma hora, abra a documentação oficial de tool use com Claude, escolha uma ferramenta interna simples do seu projeto e escreva um primeiro fluxo com tool_use e tool_result bem instrumentados.
Conteúdos da DIO para quem quer aprofundar
- AWS - Agentes de IA em Campo — trilha prática para criar agentes com Amazon Bedrock, automação de fluxos e projetos aplicados em cloud.
- CI&T - Do Prompt ao Agente — jornada gratuita que sai dos fundamentos de IA e chega à criação de agentes para tarefas reais do dia a dia dev.
- Santander- Excel com IA e Claude — uma formação para dominar Excel com apoio de IA em relatórios, fórmulas e análise de dados.
- Aceleração: AI Reports com Excel, GPT Agents e Claude Code — conteúdo exclusivo que mostra como criar agentes de IA no Excel com GPT Agents e Claude Code.
- Nexa - Engenharia de Prompts na AWS com Claude — trilha voltada a engenharia de prompts e aplicações com Claude no ecossistema AWS.
- Nexa - Fundamentos de IA Generativa e Claude 3 — base para entender IA generativa e começar a trabalhar com Claude em cenários práticos.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
