Anthropic Claude e tool use: o que mudou em 2026

TL;DR

Em 2026, o tool use do Claude deixou de ser só um ciclo básico de chamada e resposta para virar uma camada de orquestração mais explícita. A combinação de versões de ferramentas, `Programmatic Tool Calling` e filtragem dinâmica em `web_search` muda a forma como agentes consomem contexto e controlam custo.

Na prática, isso importa para times que constroem fluxos com busca, execução de código e automação: o modelo passa a participar mais da lógica de seleção do que entra no contexto. Para quem desenvolve no Brasil, isso ajuda especialmente quando o orçamento em dólar é apertado e a latência com serviços fora da região precisa ser planejada com mais rigor.

O que é tool use no Claude

A documentação oficial do Claude descreve um fluxo explícito de tool_use e tool_result, com a resposta podendo terminar em stop_reason: "tool_use" quando o modelo pede uma ação externa (fonte). Isso separa a geração de texto da execução de ferramentas, o que é importante para agentes que precisam consultar sistemas, buscar dados ou disparar rotinas.

O mesmo material distingue server tools, executadas na infraestrutura da Anthropic, e client tools, executadas no próprio aplicativo (fonte). Essa diferença parece sutil, mas afeta latência, round-trips e o desenho da aplicação.

Por que essa separação importa

Quando uma tool roda fora do seu app, você ganha simplicidade operacional em alguns cenários. Quando ela roda no cliente, você mantém mais controle sobre autenticação, observabilidade e política interna de dados. Em arquiteturas com LGPD, isso pesa bastante porque o fluxo de dados pessoais precisa ser revisado com cuidado, principalmente se a ferramenta toca informação sensível ou logs de auditoria.

Programmatic Tool Calling

O destaque de 2026 é o Programmatic Tool Calling (PTC), que permite ao Claude escrever e executar código no sandbox de code_execution_20260120 para orquestrar outras tools (fonte). A ideia, segundo a documentação e o artigo de engenharia da Anthropic, é reduzir o volume de tokens que voltaria cru para a janela de contexto e mover parte da lógica para uma execução programática controlada (fonte).

Isso representa uma mudança prática no desenho do agente: em vez de repetir várias idas e voltas com resultados volumosos, o modelo pode filtrar, combinar e selecionar saídas mais relevantes antes de devolver a próxima resposta. O resultado é um fluxo mais enxuto para casos de uso com muitas ferramentas ou muita informação intermediária.

Esta seção descreve a versão `code_execution_20260120` de `Programmatic Tool Calling`. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.

O papel de `allowed_callers`

O suporte a orquestração programática depende de configurar corretamente quais tools podem ser chamadas a partir do sandbox, usando allowed_callers (fonte). Essa restrição é a parte governável do recurso: ela reduz o risco de abrir acesso amplo demais e ajuda a manter o agente dentro de limites previsíveis.

Para equipes que operam com requisitos internos de segurança, isso é relevante porque permite separar ferramentas que apenas consultam dados de ferramentas que executam ações com impacto real em sistemas externos. Em um time brasileiro com poucos recursos de plataforma, essa disciplina evita que o agente vire um conjunto difícil de auditar.

Filtragem dinâmica em `web_search` e `web_fetch`

Outro ponto importante é a evolução das tools de busca e fetch, como web_search_20260209, que passaram a suportar dynamic filtering (fonte). Na prática, o Claude pode escrever e executar código para filtrar resultados antes de injetar o conteúdo realmente útil no contexto.

Esse desenho tenta resolver um problema clássico: buscas geram muito ruído, e ruído custa tokens. A filtragem dinâmica ajuda em cenários search-heavy porque a janela de contexto recebe menos material irrelevante, o que tende a melhorar eficiência de custo e de latência percebida.

Por que isso é útil em produtos reais

Em um agente que pesquisa documentação, tickets, policies ou páginas públicas, nem todo resultado vale a pena entrar no contexto final. A filtragem dinâmica evita que o modelo fique “afogado” em informação redundante e ajuda a manter o raciocínio mais focado.

Isso também conversa com o cotidiano de equipes no Brasil que pagam em dólar por inferência e integram sistemas hospedados fora da própria região. Quando a conta tem de caber em BRL, qualquer redução de token vira argumento técnico e financeiro.

Versões explícitas de ferramentas

A tool reference centraliza as versões disponíveis, como web_search_20260209, web_fetch_20260209 e code_execution_20260120. Isso dá mais clareza sobre compatibilidade e ajuda a planejar upgrades sem romper fluxos existentes.

Esse padrão de versionamento explícito é valioso para times que mantêm integrações longas. Em vez de assumir que uma tool “continua igual”, você passa a tratar a versão da tool como parte do contrato da aplicação.

O que muda para manutenção

Na prática, a manutenção fica mais parecida com a gestão de dependências de software: você versiona, testa e revisa comportamento. Para alguns produtos, isso pode exigir uma matriz curta de validação antes de promover uma mudança para produção.

Como as APIs de IA mudam rápido, vale ler o changelog oficial, especialmente se o seu agente depende de comportamento fino em busca, execução de código ou roteamento de chamadas.

Como pensar a adoção no seu projeto

Se você já usa Claude em fluxos com múltiplas tools, a pergunta não é apenas “se funciona”, mas “onde vale deixar o modelo decidir, e onde a aplicação deve impor regra”. O PTC encaixa bem quando há muita lógica de seleção intermediária; o ciclo clássico tool_use/tool_result continua útil quando a execução precisa ser simples e auditável.

Uma abordagem prática é começar por um caso onde a busca gera excesso de conteúdo, medir quantos tokens entram no contexto e comparar antes e depois da filtragem dinâmica. Esse tipo de teste mostra com clareza se o ganho é relevante para sua carga.

Por que importa pro dev brasileiro

Há um fator bem concreto no Brasil: o custo em dólar de IA sobe rápido quando o consumo de tokens cresce sem controle, e isso bate em empresas que orçam infraestrutura em BRL. Além disso, muitos produtos brasileiros dependem de serviços hospedados em regiões como us-east-1, então o desenho do agente precisa considerar latência, observabilidade e custo de chamada em uma espiral bem prática, não abstrata.

O contexto de LGPD também torna a distinção entre server tools e client tools mais importante. Se uma ferramenta consulta dados pessoais, o time precisa justificar onde processa, por quanto tempo retém e como audita o fluxo. Isso faz diferença em fintechs, edtechs, healthtechs e em áreas reguladas como governo e bancos.

Conclusão

O update de 2026 mostra um Claude menos dependente de loops simples e mais voltado a orquestração eficiente de ferramentas. Para quem constrói agentes, o ganho está em controlar melhor o contexto, reduzir ruído e estruturar automações com menos desperdício de tokens.

Se você já usa Claude em produção, abra a documentação oficial de Programmatic Tool Calling e ajuste um fluxo real com `code_execution_20260120` para medir consumo de contexto e latência em um caso do seu produto ainda hoje.

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