Claude tool use: o que muda com Managed Agents

TL;DR

A Anthropic vem empurrando o Claude de um modelo que apenas sugere chamadas de ferramenta para uma camada mais completa de execução de agentes. O ponto central da novidade é combinar tool use, Managed Agents, self-hosted sandboxes e MCP tunnels para suportar fluxos longos com mais controle e menos sobrecarga de contexto.

Na prática, isso importa para times que querem automatizar tarefas reais sem transformar tudo em uma sequência frágil de chamadas isoladas. Para o dev, o ganho é entender onde o modelo decide, onde o cliente executa e como encaixar governança e isolamento no mesmo fluxo.

O que mudou no tool use do Claude

O fluxo básico continua sendo o mesmo: o modelo sinaliza que precisa de uma ferramenta e a aplicação executa a ação, devolvendo o resultado ao modelo. As docs do Claude descrevem esse comportamento com o stop_reason: "tool_use" e o ciclo de resposta com tool_result no lado da aplicação, separando a decisão do modelo da execução real (fonte).

O que muda na novidade recente é a camada de orquestração. Em vez de tratar tool use só como chamadas pontuais, a Anthropic agora posiciona Managed Agents como uma forma de manter estado, organizar ambientes e conectar ferramentas com mais governança. Isso aproxima Claude de cenários em que o agente precisa atravessar várias etapas, não apenas responder uma consulta única (fonte).

Client tools, server tools e o papel do app

As docs distinguem ferramentas executadas pelo cliente e ferramentas executadas no lado do provedor. Esse corte é importante porque deixa claro que o modelo não “faz” a ação; ele propõe a ação e o ambiente de execução decide o que pode rodar, quando rodar e com que permissões (fonte).

Essa separação parece detalhe, mas muda muito a arquitetura. Em projetos reais, principalmente em produtos internos, o time precisa saber quem controla credenciais, rede, filesystem e acesso a sistemas corporativos. Sem isso, agente vira só uma interface elegante para automação pouco governada.

Managed Agents: execução com estado e isolamento

A principal peça da atualização é o Claude Managed Agents, apresentado como um conjunto de abstrações para agent config, environment e session. Isso permite criar sessões persistentes em ambientes separados, o que é útil quando o trabalho não cabe em uma única rodada de prompt e resposta (fonte).

Na prática, o caminho favorece tarefas como automação de suporte, análise de repositórios, rotinas de integração e workflows que precisam de várias etapas. Em vez de reconstruir o contexto a cada passo, você mantém um ambiente operacional com regras próprias e reduz o custo de reexplicar tudo ao modelo.

Self-hosted sandboxes e perímetro da empresa

O brief destaca a presença de self-hosted sandboxes em beta. O valor disso é simples: para organizações com exigência de controle, a execução pode ficar mais próxima do ambiente da própria empresa, em vez de depender de um fluxo inteiramente externo. Isso é especialmente relevante quando há dados regulados, segredos operacionais ou acesso a serviços internos (fonte).

Esse desenho conversa bem com cenários corporativos no Brasil, em especial onde há necessidade de adequação à LGPD. Quando o agente toca dados pessoais ou dados de cliente, a pergunta não é só “funciona?”, mas também “onde executa?”, “quem acessa?”, e “como auditar?”. Em bancos, varejo e healthtechs brasileiros, isso costuma entrar no projeto desde o primeiro desenho, não depois (LGPD).

MCP tunnels e acesso a ferramentas privadas

Outra parte importante da atualização é a menção a MCP tunnels dentro do contexto de Managed Agents. O objetivo é permitir que agentes conversem com servidores MCP remotos ou privados, ampliando o uso de ferramentas sem expor tudo diretamente no prompt ou no cliente (fonte).

Isso é útil quando a empresa já tem um ecossistema de serviços e quer padronizar integrações. Em vez de criar um conector ad hoc para cada caso, o agente passa a consumir capacidades expostas por infra própria, mantendo um ponto de controle mais claro sobre autenticação, permissões e auditoria.

Governança por políticas de permissão

As permission policies entram como camada de aprovação. A documentação cita políticas do tipo always_allow e always_ask, permitindo que o time decida se uma ferramenta pode rodar sozinha ou se precisa de confirmação antes da execução (fonte).

Esse tipo de controle faz diferença em operações sensíveis. Em um fluxo que altera dados, cria recursos em cloud ou aciona integrações externas, o agente pode trabalhar como assistente supervisionado e não como executor irrestrito. Em times brasileiros pequenos, isso também protege orçamento, porque evita chamadas automáticas desnecessárias em cloud, algo que pesa rápido quando a fatura vem em dólar.

Eficiência: reduzir sobrecarga de contexto

A Anthropic também descreve um caminho mais eficiente para agentes usando code execution with MCP. A ideia é representar servidores MCP como APIs de código, reduzindo o overhead de descrever cada ferramenta individualmente e devolvendo ao modelo só o essencial (fonte).

Esse ponto é relevante porque a limitação de contexto é um gargalo prático em sistemas agentic. Quanto mais ferramentas, descrições e resultados entram no fluxo, maior a chance de ruído, custo e latência. Ao deslocar parte da lógica para execução controlada, o sistema tende a ficar mais previsível.

Esta seção descreve a versão atual das APIs e docs de Claude. Fluxos de IA mudam rápido — confira o changelog oficial antes de adotar em produção.

O que isso resolve de forma prática

Na arquitetura tradicional, cada ferramenta adicional aumenta o “peso” da conversa. Já quando a execução acontece em um ambiente controlado e o retorno é compacto, o agente trabalha com menos verbosidade e menos repetição. Isso não elimina a necessidade de bom design, mas reduz parte do atrito operacional que aparece quando o sistema cresce.

Para quem constrói aplicações reais, o recado é evitar transformar todo o workflow em tool calls minúsculos e desconectados. Em muitos casos, faz mais sentido agrupar ações, controlar permissões e deixar a execução mais próxima da infraestrutura do sistema do que do prompt em si.

Como pensar a adoção no produto

Se você usa Claude ou pretende usar, o ponto não é “ter tool use”, e sim escolher o nível certo de automação. Chat simples, assistência com ações pontuais e agentes long-running pedem arquiteturas diferentes. Managed Agents parece mirar justamente o terceiro caso, onde sessão, ambiente e políticas importam tanto quanto o modelo (fonte).

Um bom critério de decisão é o seguinte: se a tarefa exige estado, múltiplas ferramentas, credenciais ou validação humana, trate como fluxo orquestrado. Se for só consulta e retorno curto, o ciclo clássico de tool use já resolve com menos complexidade.

Por que importa pro dev brasileiro

No contexto brasileiro, a diferença aparece em três frentes bem concretas. Primeiro, a LGPD obriga a pensar em minimização de dados e controle de acesso quando agentes lidam com informação pessoal. Segundo, muita equipe no Brasil opera com orçamento apertado e custo em dólar, então qualquer ganho de contexto, latência ou redução de chamadas desnecessárias tem impacto direto no caixa. Terceiro, é comum integrar IA em sistemas já existentes de bancos, varejo, educação e governo, onde governança e auditoria valem mais do que demonstrações bonitas (LGPD).

Isso faz a discussão sair do hype e entrar no chão de fábrica. O dev brasileiro precisa lidar com segurança, custo e legibilidade de arquitetura ao mesmo tempo, e a combinação de Managed Agents com políticas de permissão é uma resposta mais realista para esse cenário do que um agente totalmente solto.

Conclusão

A leitura prática do lançamento é que a Anthropic está empurrando Claude para um modelo de execução mais completo: o modelo decide, o ambiente executa, e a orquestração passa a incluir sessões, permissões e conexões MCP. Isso abre espaço para agentes mais úteis em tarefas longas, mas também aumenta a responsabilidade de desenho arquitetural.

Se você trabalha com IA aplicada, vale transformar essa leitura em uma revisão concreta do seu fluxo atual: mapeie uma tarefa real do seu produto, liste quais ferramentas ela usa hoje e identifique onde faria sentido adicionar aprovação, isolamento ou estado persistente. Em menos de uma hora, você consegue comparar o desenho atual com um fluxo de agente supervisionado e ver onde está o gargalo.

Conteúdos da DIO para quem quer aprofundar

• Nexa - Engenharia de Prompts na AWS com Claude — trilha curta para aplicar engenharia de prompts e entender uso prático do Claude em cenários de IA generativa.
• Aceleração Microsoft AI Agents — evento prático sobre agentes de IA, com foco em automação, copilotos e gestão de agentes em fluxos de desenvolvimento.
• Formação IA Fundamentals — formação para começar do zero em IA, cobrindo fundamentos, prompts, automação e aplicações no dia a dia.

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