Claude, agentes e uso de ferramentas: o que mudou
TL;DR
A Anthropic vem empacotando três peças que mudam o desenho de agentes com Claude: descoberta de ferramentas sob demanda, orquestração programática e execução long-running com harness. Em vez de jogar tudo no prompt, a ideia é escolher a ferramenta certa, manter só o que importa no contexto e deixar o agente trabalhar por mais tempo com menos atrito.
Na prática, isso interessa para times que automatizam atendimento, análise de dados, operações internas e fluxos de documentos. Também ajuda a entender por que agentes que dependem de APIs, desktop e skills portáveis estão virando parte do stack de produto, e não só um experimento de laboratório.
O que a Anthropic mudou no Claude
O conjunto de novidades recente da Anthropic aponta para um Claude mais orientado a execução do que a simples geração de texto. O pacote inclui advanced tool use, Managed Agents, computer use e Agent Skills. Cada uma dessas peças resolve uma parte diferente do problema de construir agentes úteis em produção.
O insight importante é que o agente deixa de depender só de um loop simples de prompt e resposta. Agora há camadas para descobrir ferramentas, chamar várias ferramentas sem poluir o contexto, manter tarefas long-running com separação de responsabilidades e até operar interfaces gráficas quando não existe API pronta.
Discoverability: encontrar a tool certa sem entupir o contexto
Na proposta de Tool Search Tool, o Claude primeiro localiza o conjunto relevante de ferramentas e só depois aciona o que precisa. Isso é útil quando o catálogo é grande, porque evita carregar definições demais logo no início. A consequência prática é menos pressão sobre a janela de contexto e menos custo para o agente decidir entre dezenas de opções.
Esse padrão faz sentido para produtos internos de empresas brasileiras que concentram integrações em um mesmo agente: ERP, CRM, sistemas de suporte, BI e base documental. Em vez de expor tudo de uma vez, o agente busca a tool certa na hora certa.
Orquestração por código: menos ida e volta, mais execução local
Outra peça é o Programmatic Tool Calling. A ideia é deixar o Claude coordenar múltiplas chamadas por meio de código, mantendo apenas os resultados relevantes no contexto. Isso reduz o ciclo de "chama ferramenta, retorna ao modelo, chama de novo" em tarefas que envolvem várias etapas mecânicas.
O exemplo citado pela Anthropic em torno de planilhas grandes mostra bem o valor disso: quando a tarefa é ler, transformar e atualizar muitos dados, executar parte da lógica fora do contexto do modelo tende a ser mais eficiente. Para quem trabalha com Excel, finanças ou operações, isso abre espaço para automação mais previsível.
Managed Agents: separar cérebro e mãos
Com Managed Agents, a Anthropic reforça uma arquitetura em que o raciocínio e a execução ficam desacoplados. O artigo descreve o uso de harness para tarefas long-running e menciona mecanismos como context resets para reduzir o chamado "context anxiety" quando o agente se aproxima do limite da janela.
Isso importa porque muitos usos reais de agentes não terminam em poucos turnos. Eles precisam inspecionar arquivos, consultar sistemas, tomar pequenas decisões e seguir trabalhando. Quando o harness segura a execução e o modelo fica focado no que exige raciocínio, o sistema tende a ficar mais estável e mais fácil de observar.
Esta seção descreve padrões recentes de tool use e agentes na plataforma Claude. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.
Computer use: quando a automação precisa enxergar a tela
O computer use tool leva o agente para além do mundo das APIs. Ele trabalha com screenshots e sinais de mouse e teclado para operar desktop de forma autônoma. Isso é relevante quando o software legado, o portal interno ou a aplicação SaaS não expõe uma interface de integração razoável.
Na prática, esse recurso amplia o alcance do agente para cenários de suporte, backoffice e operações. Ele não substitui APIs bem desenhadas, mas cobre a lacuna onde a GUI ainda é o único caminho disponível.
Agent Skills: extensibilidade com portabilidade
As Agent Skills atacam outro problema: como encapsular conhecimento e fluxo especializado para que o Claude use quando fizer sentido. A proposta da Anthropic é que skills sejam portáveis e possam ser reaproveitadas entre apps e API, com exemplos em Excel, PowerPoint, Word e PDFs preenchíveis.
Isso é útil quando a tarefa exige um procedimento repetível, mas ainda beneficia de orientação semântica. Em vez de escrever prompts longos a cada vez, você empacota a habilidade e deixa o agente chamá-la quando a situação pedir.
O que isso muda para quem constrói produto
O recado para times de produto é que o desenho do agente mudou de forma concreta. O foco não é mais "fazer o modelo chamar tools". Agora é preciso pensar em descoberta, roteamento, persistência de tarefas e controle do que entra ou não entra no contexto.
Esse desenho favorece aplicações que precisam de menos improviso e mais governança. Em empresas com muitos fluxos internos, o agente passa a ser uma camada de automação sobre sistemas existentes, não um substituto mágico para integração e engenharia de processos.
Exemplo de arquitetura prática
Um fluxo comum pode combinar três níveis: descoberta de ferramenta, execução programática e fallback via interface. Primeiro, o agente procura a integração correta; depois, executa a sequência de chamadas necessária; se não houver API, usa computer use para completar a ação. Esse encadeamento reduz o número de vezes que o modelo precisa reconstituir o mesmo problema.
Para times que lidam com dados e operação, isso melhora o encaixe entre IA e sistemas legados. Em vez de redesenhar tudo, o agente aprende a navegar o que já existe.
Por que isso importa pro dev brasileiro
No Brasil, essa discussão esbarra em dois fatos concretos: custo e integração com legado. Muitas equipes ainda precisam operar com orçamento em BRL apertado e dependem de sistemas prontos, ERP antigo, portal de parceiro, planilha de operação e rotinas que não foram desenhadas para integrações modernas. Nesse cenário, reduzir chamadas desnecessárias ao modelo e usar ferramentas sob demanda faz diferença prática, porque diminui desperdício de contexto e de inferência.
Há ainda um ponto regulatório e operacional: quando um agente mexe com dados pessoais, a LGPD exige cuidado com minimização, finalidade e controle de acesso. Arquiteturas com harness, skills e execução mais segmentada ajudam a isolar etapas e a limitar onde os dados circulam, o que é melhor para auditoria e para o desenho de compliance em empresas que precisam responder rápido a jurídico, segurança e negócio.
Como começar sem exagerar no escopo
Se você quiser aplicar essa visão em um projeto real, comece pequeno. Escolha um fluxo repetitivo, como classificar tickets, preencher planilha, consultar base interna ou abrir um formulário padrão. Depois, separe o problema em três partes: descoberta da ação, execução da ação e validação do resultado.
O ganho vem quando você para de tratar o agente como uma caixa preta única. Em vez disso, você define onde o modelo pensa, onde o sistema executa e onde a interface humana entra para supervisionar.
Conclusão
A evolução recente do Claude aponta para agentes mais práticos: menos dependência de contexto, mais orquestração e mais capacidade de operar em tarefas longas e heterogêneas. Para quem constrói produto, isso significa redesenhar automações pensando em ferramentas, harness e skills, não só em prompting.
Se você quiser transformar isso em prática ainda hoje, pegue um fluxo interno simples do seu time — por exemplo, leitura de planilha, triagem de solicitações ou consulta a um sistema legado — e mapeie quais etapas podem virar tool calls, quais podem ficar em execução programática e onde a interface humana precisa validar o resultado.
Conteúdos da DIO para quem quer aprofundar
- AWS - Agentes de IA em Campo — apresenta uma trilha prática para criar soluções com Amazon Bedrock, agentes autônomos e automações em cloud.
- Michael Page - Criando Seu Primeiro Agente de IA — percorre fundamentos de IA, prompt e construção de agentes aplicados ao dia a dia profissional.
- Santander- Excel com IA e Claude — foca em produtividade com Excel e uso de IA para tratar e exibir dados em relatórios.
- Bootcamp Afya - Automação de Dados com IA — explora manipulação de dados, visualizações e projetos práticos com IA no contexto de análise.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
