Claude tool use em 2026: PTC, código e controle do outer loop

TL;DR

Em 2026, o tool use no ecossistema Claude ganha uma virada importante com programmatic tool calling: em vez de depender só de chamadas tool a tool, parte da orquestração passa a acontecer dentro de um sandbox de execução de código. Isso interessa porque reduz idas e voltas desnecessárias e dá mais controle sobre o fluxo de agentes.

Para quem constrói aplicações, o impacto prático está em três pontos: como declarar tools, como rastrear o caller e como desenhar specs que diminuem erro operacional. Em outras palavras, o foco sai do “chamar ferramenta” e vai para “orquestrar bem a execução”.

O que mudou no tool use do Claude

A evolução descrita pela Anthropic em 2026 não é apenas adicionar mais uma API. O destaque é o Programmatic Tool Calling (PTC), que permite ao Claude coordenar ferramentas por meio de código no sandbox de execução, em vez de depender de um ciclo externo para cada chamada isolada. A descrição oficial aparece no post de engenharia sobre advanced tool use e na documentação de programmatic tool calling.

Na prática, isso muda o padrão de integração. O modelo deixa de ser apenas um roteador de ferramentas e passa a participar de um loop mais rico, onde lógica, paralelismo e agregação podem acontecer antes do retorno final ao agente principal. Para fluxos com várias chamadas dependentes entre si, isso tende a diminuir o custo de coordenação.

PTC não é só uma sigla nova

O valor do PTC está no desenho do outer loop. Em vez de enviar cada etapa de forma separada ao modelo, você pode deixar que a execução de código faça a coordenação de tarefas menores, inclusive em paralelo, dentro do ambiente controlado. Esse padrão é descrito pela Anthropic como uma forma de evitar round-trips repetidos entre ferramenta, modelo e orquestrador externo, conforme o material oficial de advanced tool use.

Para quem já montou agentes simples, a diferença fica clara: uma busca, um filtro e uma agregação deixam de exigir três interações independentes com o modelo. Isso é especialmente útil quando a tarefa precisa combinar resultados antes de responder ao usuário.

Como o caller muda a observabilidade

Uma das novidades mais úteis para engenharia é o campo caller no payload do tool use. A documentação oficial do programmatic tool calling mostra que ele pode distinguir entre uso direto e uso disparado via code execution. Isso é importante porque permite rastrear quem executou a ferramenta e em qual contexto.

Em sistemas reais, esse detalhe ajuda em auditoria, depuração e governança. Se uma tool foi chamada pelo fluxo programático, você consegue ver de forma mais explícita a origem da ação, em vez de tratar tudo como um mesmo evento genérico. Para times que monitoram agentes em produção, isso reduz ambiguidade operacional.

Os detalhes de compatibilidade e formato podem mudar com versões de SDK, tools e runtime. Antes de adotar em produção, confira a documentação oficial e o changelog da Anthropic.

Allowed callers e controle de superfície

A Anthropic também recomenda declarar quais ferramentas podem ser chamadas via execução de código, usando o mecanismo de opt-in descrito na doc oficial. O objetivo é limitar a superfície de execução e deixar explícito o que pode ou não ser acionado pelo sandbox. A referência está em Programmatic tool calling.

Esse tipo de controle é valioso em ambientes com múltiplas integrações. Nem toda tool deve ser acessível de forma irrestrita. Em agentes que lidam com dados sensíveis, essa separação ajuda a reduzir chamadas indevidas e torna o comportamento mais previsível.

Escrever boas tool specs virou parte central do trabalho

Outro ponto forte do material de 2026 é o reforço em engenharia de tools. A Anthropic detalha boas práticas para escrever descrições, inputs e retornos em Writing effective tools for agents. O recado é direto: tool spec ruim gera uso ruim.

Isso significa que a qualidade do agente não depende só do prompt. Se a descrição da ferramenta é ambígua, se os parâmetros não são autoexplicativos ou se o retorno vem desestruturado, o modelo tende a errar mais ao decidir quando chamar a tool e como interpretar o resultado. A doc oficial trata justamente desse ponto: a spec precisa ser clara, autocontida e robusta a erro.

O que isso muda para integrações reais

Em uma integração típica, o desenvolvedor costuma focar primeiro no endpoint e depois no prompt. O update da Anthropic inverte parcialmente essa prioridade: a interface da tool passou a ser parte do contrato central do agente. Se a spec expressa bem o domínio, a chance de o modelo executar o fluxo correto aumenta.

Para equipes que mantêm vários fluxos de automação, isso pode significar menos retrabalho em prompt engineering e mais atenção ao desenho de contrato. É um ajuste importante de mentalidade. Ferramenta boa não é só a que funciona, mas a que o agente entende sem depender de adivinhação.

Leis, latência e custo: por que isso importa no Brasil

No contexto brasileiro, o tema ganha peso porque LGPD e práticas de governança exigem mais cuidado com rastreabilidade e minimização de exposição de dados. Quando você separa melhor quem chamou a tool, quando limitam-se callers e quando o fluxo tem menos transações desnecessárias, fica mais fácil justificar controles internos em auditorias e com times de segurança. A base legal e o tratamento de dados pessoais precisam ser pensados com mais rigor no dia a dia de produto no Brasil.

Há também um fator operacional: muitos times brasileiros rodam infra principal em AWS us-east-1 ou em combinações híbridas por custo e disponibilidade. Em fluxos de agente com várias idas e voltas, cada round-trip pesa na latência percebida e no consumo de tokens, que no orçamento em BRL pode virar uma diferença relevante em escala. Para squads enxutas, reduzir a coordenação externa pode ser uma forma prática de ganhar eficiência sem aumentar muito a complexidade da stack.

Além disso, o mercado brasileiro tem forte presença de times formados por bootcamps, migração de carreira e aprendizado autodidata. Isso torna especialmente útil ter docs de tool use com contratos mais explícitos, porque o salto entre “fazer um prompt funcionar” e “operar um agente em produção” costuma exigir clareza de spec, logging e rastreabilidade. Em outras palavras: o custo de ambiguidade é alto e aparece rápido.

Como aplicar isso em um projeto hoje

Se você já usa Claude com ferramentas, o melhor primeiro passo é revisar três camadas: a spec da tool, a política de callers e o desenho do loop de orquestração. A doc oficial de tool use overview ajuda a organizar a visão geral antes de avançar para o PTC.

O segundo passo é identificar fluxos em que há chamadas sequenciais ou paralelizáveis. Esses são os candidatos naturais para saírem do outer loop tradicional e irem para uma orquestração mais programática. Se a tarefa é pegar várias entidades, consultar metadados e agregar resposta, vale testar o padrão novo com cuidado.

Um checklist prático

• Revise a descrição de cada tool para remover ambiguidade.
• Defina claramente quais ferramentas podem ser chamadas via code execution.
• Adicione logging suficiente para distinguir chamadas diretas e programáticas.
• Mapeie onde o seu fluxo ainda depende de round-trips desnecessários.
• Teste primeiro um caso pequeno antes de expandir para um agente mais amplo.

Se você trabalha com um time menor, esse tipo de refinamento costuma trazer retorno mais rápido do que adicionar mais ferramentas. O ganho vem da redução de fricção entre decisão, execução e resposta.

Conclusão

O update de 2026 mostra que tool use no Claude está menos focado em “chamar ferramentas” e mais em “orquestrar bem ferramentas”. Programmatic tool calling, caller e specs mais cuidadosas formam um pacote que melhora controle, observabilidade e eficiência do agente.

Se você quer validar isso em menos de uma hora, abra a documentação oficial de programmatic tool calling, escolha uma tool do seu sistema e reescreva a spec para deixá-la mais explícita em entradas, saída e restrições de uso. Depois, compare o comportamento com o fluxo atual em um caso real.

Conteúdos da DIO para quem quer aprofundar

• Aceleração: AI Reports com Excel, GPT Agents e Claude Code — mostra como combinar agentes e Claude Code em automações aplicadas a relatórios e análise de dados.
• Nexa - Engenharia de Prompts na AWS com Claude — aborda como estruturar prompts e fluxos com Claude em um contexto de cloud e aplicações reais.
• Nexa - Fundamentos de IA Generativa e Claude 3 — introduz fundamentos de IA generativa e a família Claude para quem quer começar pela base.
• CI&T - Do Prompt ao Agente — explora a transição de prompts isolados para agentes com mais autonomia e contexto.
• AWS - Agentes de IA em Campo — conecta teoria e prática na construção de agentes de IA em ambientes de produção.

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