OpenAI API: agentes e tool use na prática

TL;DR

A OpenAI consolidou o tool use de agentes em duas camadas: a Responses API, com ferramentas embutidas como web search, file search e computer use, e o Agents SDK, que adiciona orquestração com tools, handoffs, sessions e tracing. Na prática, isso reduz a dependência de loops manuais no backend e aproxima a execução do que o modelo consegue coordenar dentro de um único fluxo de chamada.

Para quem constrói produto, a mudança importa porque simplifica integrações e abre espaço para workflows mais curtos, com menos idas e voltas entre app e modelo. Em times no Brasil, isso também pesa no custo e na latência, já que menos round trips ajudam quando a arquitetura ainda cruza regiões como us-east-1 e precisa manter o orçamento em BRL sob controle.

O que mudou na API

O ponto central do anúncio é que a OpenAI passou a tratar a Responses API como uma primitive para agentes, não apenas como uma interface de geração de texto. Isso aparece no post oficial New tools for building agents, onde a empresa descreve ferramentas embutidas e múltiplos turnos dentro de uma única chamada. Para o desenvolvedor, isso reduz a quantidade de lógica auxiliar necessária para encadear busca, recuperação e execução interna.

Na prática, o desenho muda o papel do backend. Em vez de o seu serviço fazer o papel de orquestrador principal, o fluxo pode delegar parte da coordenação para a camada de API, enquanto o sistema mantém controle sobre contexto, políticas e observabilidade. O guia oficial de agentes detalha esses blocos em Agents SDK | OpenAI API.

Ferramentas embutidas: web search, file search e computer use

O anúncio também formaliza ferramentas prontas para uso direto na Responses API: web search, file search e computer use. A documentação oficial New tools for building agents descreve esse conjunto como parte do fluxo hospedado de tool use, em que o modelo pode acionar capacidades sem que você precise reconstruir tudo por código adicional.

Esse tipo de componente é útil quando o produto precisa misturar geração com ação. Um exemplo típico é um assistente que consulta arquivos internos, busca informação pública e depois devolve um resumo com rastreabilidade. Em vez de separar cada etapa em serviços independentes e muitas chamadas, a orquestração pode ficar mais concentrada no ciclo da API.

Quando a execução depende de recursos hospedados e modelos específicos, vale conferir o changelog oficial antes de usar o fluxo em produção. APIs de IA mudam rápido, e integrações que funcionam hoje podem exigir ajuste fino na próxima versão.

Programmatic Tool Calling: coordenação em JavaScript

O destaque técnico mais recente é o Programmatic Tool Calling, que permite ao modelo gerar e executar JavaScript para coordenar ferramentas elegíveis. Em vez de chamar uma ferramenta por turno e devolver tudo ao modelo a cada passo, o fluxo pode combinar chamadas, aplicar condição, executar paralelo quando faz sentido e retornar um resultado consolidado.

O guia oficial mostra um cenário concreto: comparar inventário com demanda usando apenas funções como get_inventory e get_demand. A lógica decide o encadeamento, reúne evidências e entrega um JSON final com o que está disponível, o que foi solicitado e o eventual déficit. O benefício prático está em reduzir round trips e manter a coordenação dentro de um único request, como descrito em Programmatic Tool Calling | OpenAI API.

Esse desenho é interessante para automações com decisão algorítmica simples, mas ele exige disciplina de observabilidade. Se o código gerado calcula algo errado, o tracing precisa mostrar onde a decisão foi tomada. É por isso que o ecossistema de agentes da OpenAI coloca tracing e sessões como parte do kit, e não como detalhe opcional.

Agents SDK: tools, handoffs, sessions e tracing

O Agents SDK organiza a implementação em blocos mais explícitos: instructions, tools, handoffs, sessions e tracing. Isso facilita montar fluxos multiagente sem espalhar estado por vários serviços ou perder visibilidade sobre o que aconteceu em cada etapa.

Para um time de produto, a noção de handoff é especialmente útil quando cada agente tem papel bem definido. Um agente pode cuidar da triagem, outro da busca em bases internas e um terceiro da síntese final. O tracing entra como mecanismo de debug e auditoria técnica, algo valioso quando o fluxo precisa ser entendido por engenharia, segurança e produto ao mesmo tempo.

O anúncio de Introducing AgentKit reforça essa direção e aponta o Agents SDK como caminho para workflows que devem continuar como código. Esse é um sinal importante de maturidade de plataforma: a OpenAI não está vendendo só um modelo, mas uma superfície de construção para sistemas agentic.

Como isso afeta a arquitetura de produto

Se você já usa function calling tradicional, a principal diferença está no nível de orquestração. Antes, seu backend tendia a agir como maestro de cada passo; agora, parte desse trabalho pode ficar mais próximo do modelo e da API hospedada. Isso pode simplificar integrações, mas também exige repensar limites de confiança, logging e tratamento de erro.

Em sistemas com requisito de compliance, a mudança pede atenção redobrada. Se o seu fluxo toca dados pessoais, a LGPD continua exigindo base legal, minimização de dados e cuidado com retenção. No Brasil, isso importa muito em aplicações que atendem varejo, saúde, educação e serviços financeiros, onde o volume de dado sensível é alto e a explicação do fluxo precisa ser rastreável.

Outra decisão importante é verificar o custo total da arquitetura em BRL. Em equipes brasileiras, não é raro otimizar para manter a inferência em uma região próxima ao usuário, reduzir chamadas desnecessárias e evitar aumentar a fatura com excesso de round trips internacionais. Quando o agente faz mais trabalho em menos chamadas, isso pode aliviar a conta e melhorar a experiência.

Por que importa pro dev brasileiro

No contexto brasileiro, a discussão não é só técnica; é operacional. Muitos times ainda operam com orçamentos apertados, ciclos de validação curtos e integração com sistemas legados em SQL, Java e .NET. Em empresas como bancos, varejo e setor público, reduzir a complexidade do backend ajuda a colocar IA em produção sem explodir custo de manutenção.

Há também um aspecto regulatório concreto. A LGPD obriga a pensar em minimização de dados e rastreabilidade, então um agente que reúne mais etapa dentro de um fluxo bem auditado pode ser mais simples de governar do que uma colcha de serviços soltos. Na prática, isso favorece arquiteturas com tracing claro, contratos explícitos e revisão de entradas e saídas em cada tool.

Por fim, a realidade brasileira costuma misturar equipes multidisciplinares e pouca folga de tempo para experimento. Ferramentas como o Agents SDK e o Programmatic Tool Calling ajudam quando a meta é levar um protótipo de IA para algo operável sem depender de dezenas de scripts auxiliares. Para quem trabalha com integração em nuvem, isso conversa bem com stacks já comuns em AWS, Azure e Java back-end.

Um caminho seguro para começar

Se o seu ponto de partida é um assistente simples com ferramentas, comece por mapear quais etapas realmente precisam de orquestração da API e quais podem continuar no backend. Depois compare a experiência de implementar com Responses API com tools embutidas versus o fluxo mais tradicional de tool calling.

Se você quer uma régua técnica mais clara, acompanhe o tracing desde o primeiro protótipo e documente o contrato de cada tool. Isso evita que o sistema vire uma caixa-preta. Em um time real, esse cuidado vale mais do que tentar encaixar muitos recursos de uma vez.

Conclusão

A OpenAI está consolidando um modelo de agentes em que a API não só gera resposta, mas também participa da coordenação de ferramentas e de parte da lógica de execução. Para quem constrói produto, isso pode simplificar integrações e deixar workflows mais auditáveis, desde que o desenho respeite limites de confiança, custo e compliance.

Se você quer testar isso em até uma hora, abra a documentação oficial do Programmatic Tool Calling, pegue um fluxo simples de duas ferramentas e redesenhe a sequência para reduzir round trips. Depois compare o tracing e a latência com sua implementação atual.

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