Anthropic e o novo tool use: o que muda em 2026
TL;DR
Em 2026, a Anthropic consolidou uma abordagem de tool use mais adequada para agentes com muitos recursos: primeiro descobrir a ferramenta certa, depois orquestrar a execução com menos pressão sobre o contexto. Na prática, isso favorece fluxos com MCP, catálogos grandes e automações que antes exigiam várias idas e voltas entre modelo e runtime. Para times que constroem agentes, o impacto é arquitetural: menos texto carregado no contexto e mais controle sobre quando uma ferramenta entra em cena.
O que mudou no tool use da Anthropic
O ponto central do release descrito no material de pesquisa é a consolidação de duas ideias: descoberta sob demanda de ferramentas e orquestração programática via code execution. A Anthropic apresenta isso na engenharia como advanced tool use, com foco explícito em cenários em que o catálogo de tools cresce demais para caber de forma confortável no contexto.
Esse ajuste é importante porque tool calling tradicional costuma escalar mal quando o agente precisa escolher entre muitas ferramentas parecidas. Em vez de carregar tudo o tempo todo, a plataforma passa a favorecer fluxos em que o modelo busca o que precisa na hora certa, o que reduz ruído e melhora a separação entre seleção e execução. O resultado é uma arquitetura mais próxima de um sistema de agentes do que de um simples prompt com ações embutidas.
Tool Search Tool: descobrir antes de chamar
O primeiro bloco técnico relevante é a ideia de busca de ferramentas. A própria Anthropic descreve o problema de catálogos grandes e a necessidade de acesso a milhares de tools sem estourar contexto em advanced tool use e no overview de tool use. Em vez de injetar definitions extensas o tempo todo, o modelo pode localizar o que importa e só então invocar.
Isso muda o desenho de agentes em três pontos. Primeiro, a escolha da ferramenta deixa de ser um “tiro no escuro” em um prompt inchado. Segundo, o sistema tolera melhor integrações com conjuntos grandes de MCP tools. Terceiro, o custo de contexto fica mais previsível, o que é especialmente útil quando você está montando fluxos com várias fontes de dados, endpoints internos e utilitários de automação.
Quando esse padrão faz mais diferença
Esse modelo é mais útil quando existem muitas tools com nomes parecidos, quando as descrições são longas ou quando o agente precisa navegar entre recursos internos e externos. Em produto real, isso aparece em assistentes corporativos, copilots de suporte, automações de operações e qualquer cenário em que o inventário de capacidades cresce mais rápido do que a capacidade de manter tudo visível no prompt.
Programmatic Tool Calling: orquestrar com código
A segunda mudança importante é o Programmatic Tool Calling. A documentação diz que o modelo pode escrever código para orquestrar chamadas e que cada tool use carrega um campo `caller`, distinguindo execução direta de execução via code execution. O material também afirma que esse modo exige a ferramenta de code execution com a versão `code_execution_20260120` ou posterior.
Na prática, isso permite mover parte da lógica de coordenação para dentro de um ambiente programável. Em vez de alternar entre resposta do modelo, chamada de tool, nova resposta e nova tool a cada microetapa, o agente consegue agrupar trabalho e decidir o encadeamento de forma mais econômica. Essa é uma mudança estrutural para quem sofre com latência, verbosidade e acúmulo de contexto em loops longos.
A Anthropic mostra essa direção também no post sobre code execution with MCP, onde a orquestração dentro de code execution reduz a necessidade de alternância constante entre o modelo e cada MCP tool. Para agentes de longa duração, isso tende a ser mais controlável do que dependência exclusiva de chamadas diretas.
Esta seção descreve a versão `code_execution_20260120` da ferramenta. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.
Leitura prática do campo `caller`
O campo `caller` funciona como pista de provenance da chamada. Em uma execução direta, o modelo escolhe a ferramenta e chama. Em execução programática, o código intermediário passa a coordenar parte do fluxo, e a chamada chega com contexto diferente. Isso é útil para observabilidade, depuração e para desenhar políticas de segurança sobre o que pode ser acionado diretamente e o que exige etapa programática.
Por que isso importa para agentes com MCP
O material de pesquisa aponta que o principal gargalo em setups multi-tool não é apenas “o modelo saber usar ferramentas”, mas sim a sobrecarga de coordenação quando a lista de capacidades cresce. Com MCP, isso fica ainda mais visível, porque o agente passa a conviver com ferramentas de domínios diferentes, mutáveis e em quantidade crescente. A combinação de descoberta sob demanda e programação da orquestração ataca exatamente esse problema.
Do ponto de vista de arquitetura, o ganho é separar três responsabilidades: catálogo, seleção e execução. O catálogo expõe o que existe; a seleção localiza a ferramenta relevante; a execução cuida do trabalho de fato. Isso permite construir agentes menos dependentes de prompts gigantes e mais próximos de um sistema distribuído com contratos explícitos.
Na documentação de release notes da plataforma, a Anthropic também organiza a evolução da API com chaves ligadas a tool use e agent tool use ao longo de 2026, sinalizando que esse tema não é periférico, mas parte da superfície principal da plataforma. A referência oficial fica em release notes da API.
Ângulo brasileiro: como isso bate no dia a dia de um time aqui
No Brasil, esse tipo de mudança conversa diretamente com uma realidade comum: times menores tentando integrar IA em produtos e operações sem subir muito a conta em dólar. Quando o agente precisa consultar muitas tools, cada ida e volta adicional pesa no orçamento e na latência, e isso aparece ainda mais forte em organizações que rodam boa parte da infraestrutura em regiões da AWS nos EUA, com impacto de tempo de resposta para usuários daqui. Em outros termos, menos round-trips e menos contexto inchado ajudam tanto tecnicamente quanto financeiramente.
Também existe um fator regulatório e operacional local. Em fluxos que tratam dados pessoais, a LGPD exige cuidado com minimização de dados, finalidade e tratamento adequado. Se você consegue orquestrar tools de forma mais seletiva, fica mais fácil limitar o que entra no contexto do modelo e desenhar processos com menos exposição desnecessária de informação sensível. Isso é especialmente relevante em aplicações para bancos, varejo, saúde e setor público.
Como raciocinar sobre adoção
Se você já trabalha com agentes, vale olhar para a mudança como uma troca de estratégia. O modelo de “enfiar todas as tools no prompt e deixar o modelo decidir” tende a perder eficiência quando o ecossistema cresce. O modelo emergente da Anthropic favorece descoberta, execução mais controlada e um uso mais consciente do contexto disponível.
Em times brasileiros, isso pode ser aplicado em assistentes internos, automações de atendimento, fluxos de dados e copilots para operações. Um cenário típico é combinar conhecimento interno, sistemas legados e ferramentas externas sem obrigar o agente a carregar descrições enormes de tudo o tempo inteiro. Esse desenho costuma ser mais viável em empresas que precisam provar valor rápido, com orçamento em BRL e custo operacional bem visível no fechamento do mês.
Um cuidado importante
Como a própria documentação sugere o uso de versões específicas de tool execution, esse tipo de integração deve ser tratado como superfície viva. Antes de automatizar produção, revise a documentação oficial, valide compatibilidade do tool version e teste onde o contexto é mais sensível: autenticação, autorização, logs e tratamento de dados pessoais.
Conclusão
A leitura mais útil desse release é simples: tool use está deixando de ser apenas “chamada de função” e virando infraestrutura de agentes. A combinação de descoberta de ferramentas com orquestração programática mostra uma direção clara para quem precisa construir sistemas com muitos recursos, menos ruído de contexto e maior controle operacional.
Se você mantém ou pretende criar agentes no ecossistema Claude, o passo mais produtivo agora é abrir a documentação oficial de Programmatic Tool Calling e mapear um fluxo real do seu produto que hoje dependa de várias chamadas sequenciais; em seguida, redesenhe esse fluxo para reduzir round-trips e verifique onde a execução programática pode assumir parte da coordenação em menos de 1 hora de trabalho.
Conteúdos da DIO para quem quer aprofundar
- Nexa - Engenharia de Prompts na AWS com Claude — trilha prática para aplicar engenharia de prompts e entender como o Claude entra em workflows de cloud e produtividade.
- IBM Bob: IA de Nível Empresarial para Desenvolvedores e Tech Leaders — conteúdo voltado a agentes no ciclo de desenvolvimento, com integração ao fluxo Git e MCP.
- AWS - Agentes de IA em Campo — trilha para construir soluções com Bedrock, agentes autônomos e automação de fluxos em arquitetura cloud.
- Santander- Excel com IA e Claude 2º Semestre — programa que conecta Excel, IA e Claude para análise de dados e dashboards orientados à decisão.
- Aceleração: AI Reports com Excel, GPT Agents e Claude Code 2º Semestre — aceleração curta para criar primeiros agentes com Claude Code e GPT Agents em um contexto prático.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
