Atualizações do Claude para uso de ferramentas em 2026

TL;DR

Em 2026, a Anthropic consolidou duas peças que alteram bastante a engenharia de agentes no Claude: o Tool Search Tool, para buscar e carregar ferramentas sob demanda, e o Programmatic Tool Calling, para executar pipelines multi-ferramentas dentro de code execution. O efeito prático é reduzir ruído no contexto, preservar cache de prompt e evitar round-trips desnecessários quando a tarefa exige várias ferramentas em sequência.

O que mudou no tool use do Claude

O ponto central das atualizações oficiais de 2026 é sair de um modelo em que o agente precisa “carregar tudo” para outro em que ele encontra o que precisa, quando precisa. A documentação do Tool Search Tool descreve descoberta on-demand, enquanto a referência de tools mostra como `defer_loading` tira a definição completa do prefixo do prompt até que a ferramenta seja realmente selecionada.

Para quem constrói agentes, isso importa porque o catálogo de ferramentas cresce rápido. Em produtos internos, não é raro ter conectores para banco, CRM, storage, e-mail, busca, observabilidade e automação. Sem descoberta e carregamento sob demanda, o contexto explode e o custo sobe.

Tool Search Tool: descobrir sem inflar o prompt

O Tool Search Tool foi desenhado para catálogos grandes, inclusive com centenas ou milhares de ferramentas. A ideia é simples: o modelo pesquisa nomes, descrições e schemas, e só expande a definição completa da ferramenta relevante quando encontra um `tool_reference` retornado pela plataforma.

Na prática, isso reduz “tool spam” no contexto e melhora a previsibilidade do prefixo. O ganho é especialmente útil quando o catálogo muda com frequência, porque o agente não precisa receber uma lista gigante a cada chamada.

Quando o catálogo de ferramentas é grande, o melhor desenho não é expor tudo ao modelo de uma vez; é separar descoberta de execução e deixar o carregamento acontecer só para o que foi selecionado.

`defer_loading` e o efeito no cache

A propriedade `defer_loading` é o detalhe que faz esse modelo funcionar bem em produção. A documentação oficial afirma que uma ferramenta com `defer_loading: true` não entra no prefixo do prompt, e só é expandida depois que a busca a encontra.

Isso tem uma consequência importante para times que dependem de prompt caching: o prefixo fica mais estável. Em vez de recriar a configuração inteira quando muda a seleção de ferramentas, o agente mantém uma base reutilizável e carrega apenas o necessário no momento certo.

Programmatic Tool Calling: menos round-trips, mais pipeline

O segundo movimento forte é o Programmatic Tool Calling. Aqui, Claude pode acionar ferramentas dentro de um ambiente de code execution, escrevendo um script que orquestra várias chamadas em sequência. A Anthropic explica essa abordagem como forma de reduzir latência e tokens no contexto, justamente porque parte do processamento acontece fora da conversa principal.

Essa mudança é útil quando a tarefa não é uma única consulta, mas um pipeline: buscar dados, filtrar, transformar, validar e só então responder. Em vez de depender de várias idas e vindas entre modelo e ferramenta, o fluxo fica mais compacto e com menos repetição de estado textual.

Exemplo de arquitetura para um agente multi-ferramenta

Um desenho plausível para equipes de produto é combinar descoberta, carregamento tardio e execução programática. Primeiro, o agente usa o Tool Search Tool para localizar a ferramenta correta. Depois, a definição completa entra via `tool_reference` apenas quando necessário. Em seguida, a etapa via Programmatic Tool Calling cuida do encadeamento operacional.

Para tarefas como leitura de grande volume de dados, transformação de registros ou automação de rotinas, esse formato evita que o modelo carregue em linguagem natural aquilo que poderia ser processado de maneira direta. O ganho não é só de performance; é também de confiabilidade do fluxo.

undefined

O exemplo acima é só uma forma de visualizar a ideia de configuração: ferramentas listas para descoberta, mas sem poluir o prefixo até que a tarefa peça uma delas. A lógica exata de integração depende da aplicação e do SDK usado, então vale conferir sempre a documentação oficial antes de colocar em produção.

Permissões, validação e controle de chamada

A referência de tool também expõe controle de acesso, como `allowed_callers`, e validação de schema. Isso é importante porque agente com muita autonomia não pode virar uma caixa-preta sem fronteira: a plataforma precisa saber quem pode chamar o quê e quais entradas são aceitas.

Na prática, esse tipo de controle ajuda a separar ferramentas sensíveis, como escrita em banco ou acionamento de automação, das ferramentas apenas informativas. Em times que usam observabilidade e auditoria, a granularidade de permissão vira parte do design do agente, não um detalhe posterior.

Por que isso importa pro dev brasileiro

No Brasil, a discussão não é só técnica; é também de custo e operação. Times daqui costumam trabalhar com orçamento mais apertado e com stack heterogênea em empresas que vão de startups a bancos e varejo. Quando cada chamada de agente carrega tool definitions demais, o custo em tokens pesa mais rápido em BRL, e isso é bem diferente de discutir otimização de forma abstrata.

Há ainda o contexto da LGPD: quanto menos dados desnecessários trafegam no contexto, menor a superfície para tratamento indevido. Para um time brasileiro que lida com dados pessoais, esse detalhamento pesa na arquitetura de agentes tanto quanto a latência.

Outro ponto bem concreto é que muitos times no Brasil operam com integrações legadas, ERPs antigos e sistemas internos distribuídos entre cloud e on-premises. Nesse cenário, ferramentas sob demanda e orquestração programática ajudam a adaptar o agente a realidades bem diferentes sem obrigar uma “lista monolítica” de capabilities no prompt.

Como aplicar isso em um projeto real

Se você já trabalha com assistentes ou agentes, a pergunta prática não é “devo usar mais IA?”, e sim “como reduzo contexto e round-trips sem perder governança?”. Uma resposta boa é dividir sua plataforma em três camadas: descoberta, carregamento e execução. A descoberta encontra a capacidade correta; o carregamento traz só o necessário; a execução programática cuida da sequência operacional.

Esse desenho também facilita evolução incremental. Você pode começar com poucas ferramentas explícitas, depois migrar as ferramentas mais numerosas para `defer_loading`, e só então levar fluxos realmente multi-etapa para Programmatic Tool Calling.

Checklist de adoção

• Mapeie quais ferramentas são realmente usadas em 80% dos fluxos.
• Marque o restante como deferido para não inflar o prefixo.
• Separe ferramentas de leitura e escrita por permissão.
• Analise quais etapas podem virar pipeline programático, em vez de múltiplas chamadas sequenciais do modelo.
• Monitore latência, custo e taxa de erro antes e depois da mudança.

Conclusão

As atualizações de 2026 mostram uma direção clara: agentes com menos ruído, mais descoberta e execução mais eficiente. Para quem desenvolve no ecossistema do Claude, o ganho vem menos de “mais prompt” e mais de arquitetura: carregar sob demanda, manter o prefixo limpo e tirar do texto o que pode ser processado em código.

Se você atua em um time brasileiro, esse cuidado tem impacto direto em custo, governança e aderência à LGPD. Em vez de transformar o agente em um catálogo inflado, trate ferramentas como capacidades que entram no contexto apenas quando realmente fazem falta.

Na prática, reserve uma hora hoje para abrir a documentação do Tool Search Tool e do Programmatic Tool Calling, e mapeie quais ferramentas do seu projeto podem migrar para carregamento tardio sem quebrar o fluxo atual.

Conteúdos da DIO para quem quer aprofundar

• Nexa - Engenharia de Prompts na AWS com Claude — trilha curta e prática para aplicar engenharia de prompts com Claude no ecossistema AWS.
• Nexa - Fundamentos de IA Generativa e Claude 3 — introduz IA generativa e mostra aplicações práticas com Claude 3, Amazon Q e Bedrock.
• Aceleração Microsoft AI Agents — evento prático sobre agentes de IA, automação e criação de fluxos com ferramentas Microsoft.
• CrewAI Fundamentals — formação para criar agentes colaborativos e entender o ecossistema CrewAI do básico à prática.
• AI Automation com N8N — trilha para construir automações e workflows eficientes integrando serviços populares.
• Bradesco - GenAI & Dados — formação que combina Python, dados e IA generativa em aplicações do dia a dia.

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