Programmatic Tool Calling no Claude com MCP
TL;DR
Programmatic Tool Calling muda a maneira como um agente usa ferramentas: em vez de alternar entre chamadas soltas e respostas intermediárias, o Claude pode gerar um script no sandbox para orquestrar múltiplas ferramentas e só devolver ao contexto o resultado já filtrado. Isso reduz a pressão sobre tokens e simplifica a coordenação quando a lista de tools cresce. Com MCP, a estratégia ganha uma camada prática de “carregar sob demanda” e processar dados antes de expor o mínimo necessário ao modelo.
O que muda no tool use
O ponto central do Programmatic Tool Calling é a mudança de unidade de trabalho. O modelo deixa de depender apenas do round-trip clássico de tool use e passa a escrever código de orquestração dentro do ambiente de execução, chamando ferramentas em sequência, combinando resultados e só então entregando a resposta final. A documentação da Anthropic descreve esse fluxo e o requisito de configurar `code_execution` com controle explícito de ferramentas permitidas via `allowed_callers` na documentação oficial.
Na prática, isso altera a arquitetura do agente. Em vez de cada tool retornar um bloco grande de dados para o contexto a cada chamada, o sandbox faz o trabalho pesado e devolve um resumo mais enxuto. O resultado é útil quando você tem integrações múltiplas, etapas encadeadas ou filtros que precisam acontecer antes do texto chegar ao modelo.
Como o fluxo funciona no Claude
O fluxo descrito pela Anthropic é simples de enunciar, mas importante de desenhar bem: o Claude gera um script, o script roda no ambiente de execução, as chamadas pausam quando dependem de ferramentas, e a execução continua até produzir o output final. A própria documentação de tool use avançado mostra esse padrão de “código como orquestrador”, em que o modelo não precisa manter cada resultado bruto em memória de conversa no texto de pesquisa sobre advanced tool use.
Um detalhe relevante é o campo `caller`, que identifica se a tool foi acionada de forma direta ou pelo sandbox. Isso parece pequeno, mas ajuda a separar políticas de acesso, observabilidade e roteamento no cliente. Também vale notar o uso de `allowed_callers` por ferramenta, com modo direto, modo sandbox ou os dois, para evitar ambiguidade operacional na especificação oficial.
Quando isso faz diferença
Esse desenho ajuda sobretudo quando o seu agente precisa consultar várias fontes e normalizar os dados antes de responder. Pense num fluxo de suporte interno com tickets, documentação, logs e um catálogo de serviços: em vez de devolver tudo ao modelo, você filtra no sandbox e entrega apenas o que importa. Em casos assim, o gargalo deixa de ser só a latência da ferramenta e passa a ser a qualidade do recorte de informação.
Esta seção descreve um padrão de integração sujeito a evolução rápida. APIs e runtimes de agentes mudam com frequência; confira a documentação oficial antes de adotar em produção.
MCP como camada de expansão
Com MCP, a ideia fica mais interessante porque o agente não precisa carregar todas as definições de ferramentas o tempo inteiro. A pesquisa da Anthropic sobre code execution com MCP propõe tratar servidores MCP como APIs de código: o agente carrega o necessário sob demanda, executa filtragens e transforma os dados no ambiente de execução antes de devolver qualquer coisa ao contexto na pesquisa oficial sobre code execution com MCP.
Isso conversa diretamente com problemas reais de escala. Se você tem dezenas de serviços internos expostos via MCP, popular o contexto com descrições completas de tudo é caro em tokens e em complexidade mental para o modelo. O padrão de progressive disclosure resolve esse excesso ao expor apenas o que o fluxo corrente precisa, em vez de abrir o catálogo inteiro de uma vez.
Progressive disclosure na prática
O termo parece abstrato, mas a aplicação é concreta: o agente primeiro descobre o que precisa, então conecta ao servidor adequado, depois executa a consulta ou transformação necessária. Em vez de “traga todos os resultados e eu vejo depois”, o design favorece “carregue o mínimo, processe localmente e devolva só o recorte”. Isso é especialmente útil quando o objetivo final é resumir, classificar ou comparar dados.
No Claude Code, a integração com MCP também formaliza esse runtime e suas capacidades, incluindo detalhes de cliente e metadata de conexão. A documentação do Claude Code mostra como o runtime MCP entra na experiência prática de uso de ferramentas e extensões na documentação oficial do Claude Code.
Arquitetura recomendada para times de produto
Se você está desenhando um agente para produção, vale pensar em três camadas: definição de tools, políticas de acesso e transformação de resultados. O Programmatic Tool Calling dá uma forma de concentrar a orquestração no sandbox; o MCP oferece uma forma de modularizar as integrações; e o cliente precisa registrar quais tools podem ser chamadas de dentro do código gerado. Esse arranjo reduz acoplamento entre prompt, tool registry e lógica de negócios.
Um cuidado importante é tratar a definição de ferramentas como superfície de produto, não como detalhe de infraestrutura. Quando o catálogo cresce, a experiência do agente depende de clareza semântica: nomes consistentes, escopo pequeno por tool e respostas previsíveis. Essa disciplina evita que o modelo gaste esforço tentando compensar ferramentas mal recortadas.
O que observar em observabilidade
Para acompanhar esse tipo de agente, monitore três coisas: quantas ferramentas o sandbox realmente chamou, quanto dado foi filtrado antes do contexto e quanto tempo cada etapa consumiu. Se o output final está bom, mas o caminho até ele é caro, o ganho de eficiência fica escondido. Em times brasileiros com orçamento apertado e latência sensível entre regiões, essa visibilidade ajuda a justificar a arquitetura com números, não com impressão subjetiva.
Por que importa pro dev brasileiro
No Brasil, esse assunto ganha peso por um motivo bem concreto: latência e custo em nuvem pesam mais quando o produto atende usuários distribuídos entre capitais e interior, mas hospeda workloads em regiões externas, como `us-east-1`. Além disso, muita equipe local opera com orçamento em BRL e precisa controlar o volume de tokens e chamadas para não estourar custo mensal. Em um cenário assim, um modelo que filtra antes de devolver ao contexto ajuda a economizar tanto tráfego quanto inferência.
Há também um componente regulatório. Se o seu agente manipula dados pessoais, a LGPD exige atenção a minimização, finalidade e retenção. Um fluxo em que o sandbox faz filtragem e descarte antes de expor resultados ao restante do sistema pode ser mais fácil de alinhar com esses princípios do que um pipeline que joga tudo no contexto por padrão. Isso não substitui governança, mas cria uma base técnica mais compatível com privacidade desde o desenho.
Limites e cuidados
O primeiro cuidado é não tratar o sandbox como “mágica” de confiabilidade. Ele melhora a coordenação, mas ainda depende da qualidade das tools, do contrato de entrada e saída e da política de execução. Se a ferramenta devolve dados inconsistentes, o código só automatiza o erro mais rápido.
O segundo cuidado é de operação. A especificação menciona janela de espera e prazo de resposta, então o time precisa pensar em tempo limite, retomada e erros parciais. Em agentes de produção, a experiência do usuário costuma degradar mais por timeouts mal tratados do que por falhas lógicas em si.
Conclusão
Programmatic Tool Calling com MCP não é apenas uma novidade de interface; é uma mudança de arquitetura para agentes que precisam coordenar múltiplas ferramentas com menos ruído no contexto. O principal ganho vem de usar o sandbox para orquestrar, filtrar e condensar, deixando o modelo trabalhar com menos carga desnecessária. Para equipes que constroem agentes em produção, isso abre espaço para tool use mais previsível e mais modular.
Se você quer avaliar esse padrão em menos de 1 hora, abra a documentação oficial de Programmatic Tool Calling e compare com o seu fluxo atual de tools: identifique uma tarefa repetitiva, escolha duas integrações MCP que ela usa e desenhe como o sandbox filtraria o resultado antes de voltar ao modelo aqui.
Conteúdos da DIO para quem quer aprofundar
- Formação Desenvolvimento de SaaS com IA e Claude Code — Você passa a desenvolver software conduzindo um time de agentes de código no Claude Code, a partir de uma especificação.
- Aceleração: AI Reports com Excel, GPT Agents e Claude Code 2º Semestre — Uma trilha focada em automação com agentes, Excel e Claude Code aplicada a cenários de análise e produtividade.
- Aceleração: AI Reports com Excel, GPT Agents e Claude Code — Versão da aceleração voltada à construção de fluxos com agentes e Claude Code em uma rotina de trabalho orientada a dados.
- Aceleração Microsoft - Azure AI Agents — Trilha para quem quer entender construção de agentes de IA em ambiente Microsoft Azure.
- Formação Desenvolvimento de SaaS com IA e Claude Code — A descrição destaca um case real com TypeScript, Next.js e Supabase para publicar um SaaS.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.



