Claude tool use: como a Anthropic organiza ferramentas e MCP

TL;DR

O Claude da Anthropic expõe tool use principalmente pela Messages API, com chamadas de ferramenta, retorno de tool_result e continuação da resposta a partir desse ciclo. Em vez de empilhar todas as definições no contexto, a plataforma passou a apoiar descoberta sob demanda de ferramentas e integrações com MCP, o que simplifica agentes maiores e reduz desperdício de tokens.

Na prática, isso importa quando seu fluxo precisa conversar com APIs internas, bases externas ou servidores MCP sem um client sob medida para cada caso. Para times no Brasil, esse desenho ajuda especialmente quando o custo de contexto e a latência de integração precisam caber em orçamentos apertados e em arquiteturas que já vivem distribuídas entre serviços e regiões de nuvem.

Como o tool use funciona no Claude

O ponto de partida é simples: a aplicação envia mensagens, declara as ferramentas disponíveis e deixa o modelo decidir quando chamar uma delas. Depois que a execução externa devolve o resultado, o Claude retoma o raciocínio e fecha a resposta com base nesse tool_result.

Esse ciclo está descrito na documentação oficial de Tool use with Claude. A ideia central não é “rodar código dentro do modelo”, e sim separar papel de raciocínio e papel de execução, o que deixa a orquestração mais previsível.

Um fluxo mínimo costuma parecer com isto:

undefined

O formato real varia conforme SDK e versão da API, mas o padrão conceitual é esse: declarar, inferir, executar, devolver e continuar. A separação ajuda a debugar, registrar auditoria e tratar falhas de forma explícita, em vez de deixar a resposta final misturar raciocínio com efeito colateral.

MCP: conectar ferramentas e dados externos com menos fricção

Se o tool use resolve a chamada de uma ferramenta, o Model Context Protocol resolve o problema de padronizar como essas ferramentas e fontes de dados aparecem para o agente. A Anthropic descreve o MCP como um protocolo aberto para conectar modelos a servidores que expõem capacidades, dados e ações.

Na documentação de Claude, o MCP aparece como caminho para ligar servidores externos sem escrever um cliente específico para cada integração. Na prática, isso é valioso quando a empresa já tem serviços distintos — CRM, ERP, base vetorial, catálogo de documentos — e não quer manter uma camada customizada para cada conector.

Outro ponto importante é que a Anthropic vem empurrando parte do gerenciamento para a própria plataforma. Na página sobre capacidades de agente, a empresa fala em tool discovery, connection management e error handling como partes da experiência na API. Isso reduz o trabalho de “colar tudo” no app do cliente.

Esta seção descreve a forma atual de integração com ferramentas e MCP na plataforma da Anthropic. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.

Discovery sob demanda: Tool Search e defer_loading

Quando uma organização tem dezenas ou centenas de ferramentas, carregar tudo no prompt deixa o contexto caro e difícil de manter. A Anthropic propõe o uso de Tool Search e do atributo defer_loading: true para que ferramentas menos frequentes sejam descobertas e carregadas só quando forem relevantes.

Isso muda a economia do agente. Em vez de apresentar ao modelo uma lista gigante de schemas o tempo todo, o sistema pode manter um catálogo mais enxuto em contexto e buscar somente o que interessa no momento da tarefa. É uma abordagem muito útil quando cada chamada de contexto tem custo real de latência e de orçamento.

Esse desenho também conversa bem com MCP. A própria Anthropic mostrou configuração com servidor MCP carregado sob demanda, mantendo alguns grupos de ferramentas prontos e outros diferidos. O ganho não está só em reduzir tokens; está em diminuir complexidade operacional na camada de orquestração.

O que isso muda para quem constrói agentes de verdade

Na prática, o avanço do Claude nessa área aponta para um padrão mais maduro de agente: o modelo não precisa conhecer tudo de antemão, só precisa saber descobrir o que usar e quando usar. Isso é mais próximo de software distribuído do que de um chatbot isolado.

Para times de produto, o efeito aparece em três frentes. Primeiro, fica mais fácil expor capacidades internas sem reescrever todo o cliente. Segundo, o custo de manter catálogos grandes de ferramentas tende a cair. Terceiro, a lógica de observabilidade melhora porque cada chamada pode ser registrada como uma ação explícita, e não como texto livre.

O post da Anthropic sobre advanced tool use também mostra um ponto importante: ferramentas raras podem ser deixadas para carregamento tardio. Em aplicações com muitos módulos, isso é uma forma prática de evitar que o agente “pague pelo que não usa”.

Por que importa pro dev brasileiro

No Brasil, esse tema bate em duas dores bem concretas: orçamento e integração. Como muitos times operam com orçamento em reais e infraestrutura atrelada a regiões de nuvem fora do país, cada token e cada ida e volta extra viram custo observável no fechamento do mês, não só um detalhe técnico.

Há também o aspecto regulatório. Quando um fluxo de agente acessa dados pessoais, o desenho de tool use e MCP precisa considerar LGPD, segregação de acesso e trilha de auditoria. Isso é especialmente relevante em fintechs, varejo e saúde, onde o tratamento de dado sensível não pode ficar oculto dentro de uma resposta textual do modelo.

Outro ponto bem brasileiro é a composição dos times. Em muitas empresas, a mesma equipe cuida de backend, integrações, BI e automação. Um padrão de ferramentas com discovery e carregamento sob demanda reduz o acoplamento entre essas frentes e facilita evoluir um agente sem abrir uma frente nova inteira de manutenção.

Onde essa evolução se encaixa com o mercado

O material da Anthropic mostra uma transição do tool calling clássico para uma experiência mais orquestrada: o modelo decide e a plataforma ajuda a descobrir, conectar e tratar falhas. Isso é relevante porque agentes de produção raramente usam só uma ferramenta; eles combinam busca, leitura, escrita e integrações internas.

Em ambientes corporativos, especialmente quando há múltiplos sistemas legados, esse padrão evita que o time central de IA vire um gargalo. Cada domínio pode publicar seus próprios servidores MCP ou ferramentas específicas, e o agente passa a consumir capacidades em vez de depender de uma camada monolítica de integração.

Vale notar também que a proposta do MCP como protocolo aberto aparece como aposta de ecossistema. Para a prática diária, isso importa menos pelo rótulo e mais pela consequência: uma superfície comum para expor ferramentas reduz a necessidade de adapters exclusivos para cada modelo.

Conclusão

Tool use no Claude não é apenas “função chamável”. Ele se encaixa num desenho maior, que combina Messages API, descoberta de ferramentas, MCP e carregamento sob demanda. Para quem constrói agentes, o valor está em reduzir o atrito entre intenção do modelo e execução técnica real.

Se você quiser aplicar isso em uma hora, pegue um endpoint interno simples — por exemplo, consulta de status de pedidos, chamados ou estoque — e escreva a definição de ferramenta na Messages API seguindo a documentação oficial de tool use. Depois, compare o custo de manter a ferramenta sempre carregada com a versão em que ela entra por descoberta sob demanda, usando o changelog da Anthropic como referência para a versão do SDK que você está adotando.

Conteúdos da DIO para quem quer aprofundar

• IBM Bob: IA de Nível Empresarial para Desenvolvedores e Tech Leaders — mostra como agentes de IA podem entrar no SDLC, do Git ao deploy, com foco em uso corporativo e integração com MCP.
• Michael Page - Criando Seu Primeiro Agente de IA — traz fundamentos práticos de IA generativa, prompting e construção de agentes aplicados a cenários de produtividade.
• AWS - Agentes de IA em Campo — explora como criar agentes com Amazon Bedrock, automação e arquiteturas escaláveis em cloud.
• Aceleração: AI Reports com Excel, GPT Agents e Claude Code — conecta agentes e automação a fluxo de dados e relatórios, com foco em uso prático no Excel e no Claude Code.
• Santander - Dados com Python e IA — ajuda a consolidar a base de dados e IA para construir automações e análises com mais segurança.

Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.