Anthropic Claude 2026: tool use ficou mais modular
TL;DR
Em 2026, o ecossistema de tool use do Claude ganhou três peças que mudam a forma de construir agentes: chamadas programáticas com metadado de provenance (`caller`), descoberta dinâmica de ferramentas com Tool Search e carregamento sob demanda, e Web Search versionado com filtragem antes de inserir conteúdo no contexto. Na prática, isso reduz bloat, melhora rastreabilidade e dá mais controle quando um agente precisa alternar entre execução de código, busca e chamadas a ferramentas especializadas.
O que mudou no tool use do Claude
O ponto central não é só “mais ferramentas”; é a mudança de arquitetura. Em vez de carregar tudo no contexto e torcer para o modelo escolher bem, a pilha passou a separar descoberta, invocação e execução. O brief aponta três marcos oficiais: Programmatic tool calling, advanced tool use e Web Search Tool.
Isso importa porque agentes reais raramente vivem com duas ou três ações. Eles alternam entre consultar APIs, buscar evidências, rodar código e consolidar resultados. Quando a superfície de ferramentas cresce, o problema deixa de ser “o modelo sabe usar tool?” e passa a ser “como manter o contexto limpo e a execução rastreável?”.
Programmatic tool calling e o metadado `caller`
No fluxo de programmatic tool calling, o doc oficial descreve o metadado `caller` para distinguir a invocação direta da invocação feita por um ambiente de execução de código. O brief também destaca a integração com code execution, em que o resultado da tool pode voltar para o ambiente de execução e não apenas para o contexto do modelo.
Na prática, isso ajuda em cenários onde o agente gera código, executa uma ferramenta e precisa preservar provenance. Em vez de tratar toda chamada como igual, o sistema consegue entender de onde ela veio. Para debugging e observabilidade, esse detalhe reduz ambiguidade quando você está investigando por que um agente tomou uma decisão específica.
Se o seu fluxo já usa execução de código para orquestrar chamadas, esse tipo de provenance deixa o tracing menos opaco e facilita auditoria de comportamento.
Tool Search e `defer_loading`: menos contexto desperdiçado
O artigo oficial sobre advanced tool use apresenta o Tool Search junto com `defer_loading`. A ideia é simples e boa para agentes com catálogo grande: o Claude vê inicialmente apenas o que precisa para começar e descobre o restante sob demanda.
Isso resolve um problema conhecido em sistemas com dezenas ou centenas de tools: esquemas JSON, descrições e exemplos competem por espaço com o pedido do usuário. Quando a definição inteira de todas as ferramentas entra no prompt, o custo cresce e a seleção piora. Com defer loading, a descoberta passa a ser incremental.
Há um detalhe importante no brief: o blog menciona configuração de `mcp_toolset` com `default_config` usando `defer_loading: true` e exceções para manter algumas ferramentas sempre carregadas. Para quem integra com MCP, isso sugere uma estratégia mais escalável para catálogos grandes sem perder acesso rápido às ferramentas críticas.
Tool Use Examples contra rigidez de schema
O mesmo material de advanced tool use introduz Tool Use Examples para reduzir a chamada “schema rigidity”. JSON Schema define forma, mas não explica bem padrões de uso quando há combinações condicionais de campos opcionais. Exemplos concretos ajudam o modelo a preencher parâmetros de maneira mais consistente.
Esse é um ponto relevante para agentes de produção. Em vez de depender só de validação estrutural, você passa a ensinar o padrão de preenchimento. Isso é especialmente útil quando a tool tem vários campos opcionais e poucas combinações realmente fazem sentido.
Web Search Tool com versionamento e filtragem dinâmica
O Web Search Tool ganhou versões como `web_search_20260209`, e o brief destaca que essa versão faz dynamic filtering: o modelo escreve e executa código para filtrar resultados antes de inserir conteúdo no context window. O objetivo é claro: evitar levar ruído para o contexto quando a busca retorna muito material irrelevante.
Esse detalhe é importante para cargas de trabalho “search-heavy”. Menos texto inútil no contexto significa menos tokens desperdiçados e menos chance de o agente se distrair com evidência fraca. Em sistemas que combinam busca, citações e síntese, essa filtragem antes do contexto tende a ser mais importante do que simplesmente aumentar a janela.
Versões de ferramentas mudam rápido. Antes de congelar uma integração, confira o changelog oficial da tool que você está usando e valide o nome da versão no ambiente de teste.
Claude Code e MCP no ecossistema
O brief também cita o repositório oficial do Claude Code e a introdução do Model Context Protocol. Os dois pontos expandem a discussão: não se trata só da API do modelo, mas do ecossistema de execução e integração em terminal, IDE e servidores MCP.
Isso é útil para times que querem padronizar como agentes acessam ferramentas internas. MCP funciona como camada de conexão entre agente e resources externos, enquanto o Claude Code aparece como superfície prática para fluxo de desenvolvimento. Em conjunto, eles mostram uma direção de produto: menos acoplamento entre o modelo e a lista fixa de tools, mais descoberta e composição.
Exemplo de desenho mental para uma integração
Se você estiver pensando em aplicar essa abordagem, o desenho deixa de ser “um prompt gigante com todas as ferramentas” e passa a ser algo como: descobrir a tool certa, carregar a definição quando necessário, executar, e devolver o resultado com provenance. Esse fluxo faz mais sentido quando há muitas integrações e quando parte delas só é usada em casos específicos.
Nesse cenário, a busca web também deixa de ser um apêndice. Ela vira uma ferramenta com versão, comportamento definido e filtragem explícita antes do contexto. Para uma aplicação que precisa combinar documentação, pesquisa e execução, isso reduz o risco de o agente carregar material demais para pouca utilidade.
Por que importa pro dev brasileiro
Para times no Brasil, o ganho prático aparece rápido em custo e manutenção. Em muitas empresas, o orçamento de IA ainda é contado em dólar; qualquer redução de tokens no contexto, sobretudo em fluxos de busca e catálogos grandes de tools, ajuda a controlar a fatura em BRL quando o câmbio aperta. Além disso, muita operação local ainda depende de integrações com sistemas legados e múltiplos provedores, então um mecanismo de discovery sob demanda reduz o atrito de manter grandes listas de ferramentas.
Há também um ponto de compliance. Quando um agente lida com dados de usuário, logs e documentos internos, o cuidado com provenance e filtragem conversa bem com a LGPD. Não porque a lei fale de Claude ou MCP, mas porque rastrear quem chamou o quê e limitar o que entra no contexto ajuda a sustentar governança e minimização de dados.
Leituras práticas para a próxima implementação
Se o seu time quer sair da teoria, a ordem mais útil é começar por uma tool pequena e observável, depois introduzir discovery e por fim ajustar busca e filtragem. O valor de `defer_loading` aparece mais quando existe um catálogo real, e o benefício do `caller` aparece quando o fluxo mistura LLM com execução de código.
Um ponto de atenção é não confundir “mais sofisticado” com “mais estável”. Camadas como Web Search versionada e advanced tool use mudam com frequência, então o correto é validar o contrato da versão que você realmente pretende usar. Em produção, isso evita que um update de ferramenta altere a seleção de resultados ou a forma como o modelo constrói chamadas.
Conclusão
O update de tool use do Claude em 2026 empurra agentes para uma arquitetura mais modular: ferramentas descobertas sob demanda, chamadas com provenance e busca filtrada antes do contexto. Para quem constrói automações, isso significa menos ruído, mais observabilidade e um caminho mais saudável para escalar catálogos de ações sem explodir o prompt.
Se você quer validar isso em menos de uma hora, abra a documentação de programmatic tool calling e a página de Web Search Tool, compare os contratos de versão e rascunhe uma tool simples com logging de provenance no seu ambiente de teste.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
