Anthropic Advanced Tool Use: o salto do tool use em arquiteturas agentic

TL;DR

A Anthropic apresentou o Advanced Tool Use na Claude Developer Platform com três peças centrais: descoberta dinâmica de ferramentas, chamada programática via execução de código e exemplos de uso para reduzir erros de parametrização. Na prática, isso simplifica arquiteturas agentic com bibliotecas grandes de tools e diminui a pressão sobre o contexto do modelo.

Para times que já usam MCP, APIs internas ou fluxos com muitas etapas, a mudança importa porque desloca parte da orquestração da conversa para mecanismos mais estruturados. O resultado é menos contexto desperdiçado, mais previsibilidade na chamada de tools e uma base melhor para automações reais em produção.

O que mudou no tool use da Claude

O anúncio técnico da Anthropic descreve três melhorias que atacam problemas comuns em sistemas agentic: localizar a tool certa quando há muitas opções, encadear chamadas sem lotar o contexto e reduzir erros de esquema em inputs complexos. A visão geral da plataforma e a documentação de tool use mostram que esse avanço não é só cosmético; ele muda como o agente acessa e combina capacidades externas.

A primeira peça é o Tool Search Tool, pensada para descobrir ferramentas sob demanda em vez de expor uma biblioteca inteira logo no início. A segunda é o Programmatic Tool Calling, em que a Claude pode acionar tools dentro de um ambiente de execução de código, o que ajuda a organizar passos intermediários sem carregar tudo na conversa. A terceira são os Tool Use Examples, que adicionam exemplos concretos de entrada para orientar a geração de parâmetros.

Descoberta dinâmica de ferramentas

Em agentes corporativos, o problema quase nunca é “falta de tool”; é excesso. Quando a aplicação tem dezenas ou centenas de integrações, pré-carregar tudo no contexto vira custo e ruído. O anúncio da Anthropic contextualiza essa dor ao propor um mecanismo de busca que permite ao modelo encontrar o que precisa sem consumir a janela de contexto com listas gigantes.

Esse detalhe é especialmente relevante para ecossistemas com MCPs internos, catálogos de serviços e skills específicas por domínio. Em vez de manter uma descrição extensa de todos os recursos disponíveis, o agente passa a buscar o que precisa no momento certo. Isso torna o desenho de tool libraries mais modular e menos dependente de prompt inchado.

Programmatic Tool Calling para orquestração multi-step

O segundo ganho é mais arquitetural. A documentação de Programmatic Tool Calling mostra um fluxo em que a Claude pode usar execução de código para chamar tools, tratar retorno, combinar resultados e então seguir adiante. Isso reduz o vai-e-volta de mensagens quando a tarefa exige várias operações encadeadas.

Na prática, o diferencial está em separar raciocínio, transformação e chamada externa. Em vez de depender apenas do ciclo clássico “modelo decide, chama tool, recebe resposta”, o agente ganha um espaço mais controlado para executar etapas intermediárias. A própria Anthropic indica o uso de `code_execution_20260120` ou versão posterior, além de `allowed_callers` na definição da tool, para habilitar esse padrão.

Esta seção descreve a versão `code_execution_20260120` do fluxo de programação de tools. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.

Tool Use Examples para inputs mais confiáveis

O terceiro componente é menos vistoso, mas muito importante no dia a dia: exemplos de uso. A documentação de Tool Use Examples explica que `input_examples` ajuda a modelagem a entender melhor como preencher parâmetros, especialmente em schema com campos opcionais, objetos aninhados e dependências entre atributos.

Esse tipo de reforço faz falta em APIs reais. Em integrações com payloads longos, o schema sozinho nem sempre basta para orientar o modelo sobre combinações válidas. Com exemplos explícitos, a chance de chamadas quebradas cai, o que reduz retrabalho e melhora a estabilidade do agente em tarefas repetitivas.

O que isso significa para aplicações agentic

O efeito mais imediato é a redução de atrito em sistemas com muitas ferramentas. Um agente comercial, por exemplo, pode precisar consultar CRM, catálogo, billing, documentação interna e monitoramento. Se cada tool tiver de entrar inteira na conversa, o custo de contexto cresce rapidamente e a qualidade das chamadas tende a piorar.

Com descoberta dinâmica, a aplicação pode manter só o necessário no início e abrir o restante sob demanda. Com chamada programática, o agente consegue fazer etapas intermediárias sem “conversar” demais com o modelo. Com exemplos de entrada, as integrações mais sensíveis ficam menos sujeitas a erro de formato. É uma combinação que favorece automação em vez de demonstração de laboratório.

Um impacto prático para times de produto e plataforma

Para quem mantém uma plataforma interna de automação, isso sugere um desenho mais parecido com sistema operacional de tools do que com prompt único. As integrações podem ser agrupadas por domínio, carregadas sob demanda e chamadas por rotas orquestradas. Isso ajuda principalmente quando há regras condicionais, dependências entre ferramentas e validações cruzadas.

Também há um benefício de governança. Se a chamada crítica passa por execução programática e por definições com `allowed_callers`, o time ganha uma camada extra para controlar o que um agente pode ou não pode acionar. Em ambientes regulados, esse tipo de controle faz diferença na auditoria e no isolamento de responsabilidades.

Por que isso importa pro dev brasileiro

No Brasil, a conversa sobre agentes precisa considerar custo e latência de forma bem concreta. Muitos times rodam a maior parte da stack em regiões como us-east-1, porque infraestrutura local nem sempre cabe no orçamento ou no pacote operacional. Se cada tool consume contexto à toa, a conta sobe rápido em dólar e o retorno do experimento cai.

Há também o peso de ambientes com exigências de LGPD, onde o parse de contexto, logs de tool e rastreabilidade de ações precisam ser pensados desde o início. Um modelo que descobre tools sob demanda e executa etapas em espaço controlado ajuda a reduzir exposição desnecessária de dados. Isso é relevante para bancos, fintechs, varejo e órgãos públicos brasileiros que lidam com tráfego sensível e trilhas de auditoria.

Outro ponto é formação. Muito time brasileiro chega em IA por bootcamp, transição de carreira ou autodidatismo, e não por uma base longa em pesquisa de ML. Recursos como `input_examples` e orquestração programática diminuem a dependência de prompt extremamente artesanal, o que encurta o caminho entre prova de conceito e solução usável por uma equipe pequena.

Como avaliar se vale adotar agora

Vale olhar para três sinais. Primeiro, o número de tools: se você já passou de uma dezena e precisa de seleção dinâmica, a busca de tools começa a fazer sentido. Segundo, o nível de encadeamento: se a tarefa exige várias chamadas com transformação intermediária, a chamada programática pode simplificar bastante o fluxo. Terceiro, o volume de erros de payload: se o modelo ainda falha em parâmetros complexos, exemplos de uso podem resolver uma parte do problema.

O anúncio da Anthropic e as docs oficiais apontam para uma arquitetura mais modular, mas isso não elimina revisão técnica. Ainda é preciso definir contratos claros, validar inputs e monitorar a saída dos agentes. Em produção, a vantagem vem menos de “deixar o modelo agir sozinho” e mais de dar a ele ferramentas melhores para operar com limites.

Conclusão

O Advanced Tool Use da Claude Developer Platform aponta para uma evolução importante em agentes: menos contexto desperdiçado, mais estrutura no fluxo e mais precisão na interface entre modelo e ferramenta. Para quem constrói aplicações com muitas integrações, isso pode reduzir boa parte da fricção que hoje separa um protótipo de uma operação confiável.

Se você já mantém um catálogo grande de tools, escolha uma integração real do seu produto, modele um `input_examples` representativo e revise onde a chamada programática pode substituir uma sequência manual de prompts e respostas. Em até 1 hora, você consegue abrir a documentação oficial da Anthropic, mapear uma tool crítica do seu sistema e rascunhar a versão com exemplos de entrada para testar a diferença.

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