Tool use agents na Anthropic: o que muda de verdade
TL;DR
A Anthropic vem refinando o uso de ferramentas em agentes com duas ideias centrais: descobrir ferramentas sob demanda e deslocar parte da orquestração para código. Na prática, isso reduz o que entra no contexto, diminui round-trips e melhora a chance de o agente escolher a ferramenta certa quando o catálogo cresce.
Esse movimento importa porque agentes reais quase nunca usam uma única API isolada: eles precisam consultar serviços, filtrar dados e encadear passos com menos custo e menos erro. O recorte é especialmente relevante para times brasileiros que querem sair do “chatbot que chama função” e chegar a integrações mais robustas com MCP, sem estourar orçamento de tokens nem complexidade operacional.
O que a Anthropic está chamando de tool use agents
No material recente da Anthropic, o foco não está em “mais uma função chamada pelo modelo”, mas em tornar o agente melhor em selecionar, carregar e orquestrar ferramentas. A ideia aparece em Introducing advanced tool use for Claude, onde a empresa descreve avanços como Tool Search Tool, Programmatic Tool Calling e Tool Use Examples.
Isso faz diferença quando o agente cresce. Em vez de injetar todo o catálogo de ferramentas no contexto logo no início, o sistema passa a localizar só o subconjunto útil no momento certo. O resultado é menos ruído no prompt e menos dependência de o modelo “memorizar” toda a superfície de integração.
Tool Search Tool: descoberta dinâmica de ferramentas
A peça mais importante aqui é a Tool Search Tool. Na documentação da Anthropic, ela aparece em duas variantes, uma baseada em regex e outra em BM25, ambas pensadas para busca interna e carregamento tardio de definições de tools. Veja a documentação oficial em Claude Code MCP Tool Search.
O ganho prático é simples de entender: o agente não precisa carregar tudo de antemão. Ele pesquisa o que existe, expande apenas o que parece relevante e segue adiante com menos tokens em circulação. Isso é valioso em cenários com muitos servidores MCP, muitos endpoints ou ferramentas com descrições longas.
Na prática, isso muda o desenho do seu ecossistema de agente. Em vez de pensar “quantas tools eu consigo empilhar?”, você passa a pensar “como faço o agente encontrar a tool certa sem transformar o prompt em uma enciclopédia?”.
Por que isso ajuda em catálogos grandes
Em catálogos grandes, dois problemas aparecem rápido: custo de contexto e queda de precisão na seleção. A Anthropic afirma que a Tool Search Tool foi criada justamente para aliviar essa pressão, com melhora em avaliações internas e redução forte no uso de tokens ao manter acesso a uma biblioteca completa de ferramentas. O exemplo está no post Introducing advanced tool use for Claude.
Para quem trabalha com integrações corporativas, isso é bem concreto. Uma área de produto pode ter CRM, ERP, tickets, base de conhecimento, BI e automações internas. Colocar tudo no contexto desde o começo tende a ser caro e pouco escalável; deixar o agente buscar o que precisa é um desenho mais próximo de produção.
Programmatic Tool Calling: orquestração via código
A segunda mudança é mais arquitetural: a Anthropic descreve o Programmatic Tool Calling como uma forma de o modelo orquestrar tools “through code rather than through individual API round-trips”. Em vez de cada passo voltar ao contexto como texto intermediário, parte da lógica fica em execução controlada.
Isso é importante porque muitos fluxos de agente não são “pergunta e resposta”. Eles envolvem buscar, filtrar, combinar, validar e só então responder. Quando cada etapa volta inteira para o contexto, o custo sobe e a chance de desviar também. Ao mover a coordenação para código, o agente preserva melhor o foco no resultado final.
Se você já montou um pipeline com múltiplas chamadas a APIs, sabe que o gargalo nem sempre é o modelo em si. Muitas vezes o problema é o volume de dados que acaba voltando para o prompt. Programmatic Tool Calling ataca exatamente esse ponto.
Code execution com MCP: menos dados passando pelo contexto
No post Code execution with MCP for efficient agents, a Anthropic mostra o mesmo raciocínio aplicado a fluxos com resultados volumosos. Em vez de trazer grandes tabelas ou listas inteiras para o contexto do modelo, o processamento acontece no ambiente de execução e só o recorte necessário volta para a conversa.
Esse padrão é particularmente útil quando o agente consulta sistemas que podem devolver muita coisa: registros, logs, eventos ou linhas de banco. O desenho muda de “traga tudo e filtre mentalmente” para “filtre onde faz sentido e devolva só o essencial”.
Para times que lidam com automação interna, isso tende a produzir agentes mais previsíveis. Menos texto circulando também significa menor chance de o modelo se perder em detalhes irrelevantes.
Tool Use Examples e design de ferramentas
A Anthropic também enfatiza que schema JSON e validação estrutural não bastam. O artigo Writing effective tools for AI agents defende que descrição de tool, exemplos e convenções de uso influenciam diretamente a taxa de sucesso do agente.
Esse ponto é subestimado com frequência. Muita gente publica uma tool tecnicamente válida, mas mal descrita, e depois atribui ao modelo a culpa por não usá-la bem. Na prática, o agente precisa entender quando usar, com quais parâmetros e em que ordem a chamada faz sentido.
Para quem trabalha com MCP, isso é ainda mais relevante. Um servidor bem desenhado, com nomes claros e exemplos consistentes, ajuda muito mais do que um catálogo enorme e confuso. O ganho não está só em “ter a ferramenta”; está em tornar a escolha da ferramenta inferível pelo agente.
O que muda para quem constrói agentes na prática
O primeiro impacto é na arquitetura. Você deixa de pensar em agente como um consumidor passivo de funções e passa a pensar em agente como um coordenador que pesquisa capacidades, escolhe seu caminho e usa execução auxiliar para reduzir ruído. Isso vale tanto para integrações locais quanto para MCP em ambientes distribuídos.
O segundo impacto é econômico. Contexto é custo, e custo em tokens pesa ainda mais quando a solução está em produção contínua. Ao reduzir o que entra no prompt, você melhora a viabilidade de fluxos com muitos passos e muitos conectores.
O terceiro impacto é de confiabilidade. Menos dados inúteis no contexto significam menos chance de o modelo responder com base em partes irrelevantes da conversa. Em agentes que mexem com dados sensíveis ou decisões operacionais, esse detalhe faz diferença.
Um desenho mental útil
Em vez de imaginar um agente que “sabe tudo”, vale montar um fluxo em camadas:
- descoberta da ferramenta;
- carregamento só do que importa;
- execução do que pode ser automatizado fora do contexto;
- retorno enxuto do resultado;
- resposta final do modelo com base no mínimo necessário.
Esse desenho combina bem com o que a Anthropic está propondo nos materiais de advanced tool use. Não é só uma mudança de feature; é uma mudança de modo de operar.
Por que isso importa pro dev brasileiro
No Brasil, esse tipo de arquitetura pesa mais porque custo e latência entram cedo na decisão técnica. Muitas equipes trabalham com orçamento apertado em BRL, precisam integrar sistemas legados e ainda lidar com tráfego que, em vários casos, cruza regiões em cloud fora do país. Isso torna cada token e cada round-trip mais visível no dia a dia.
Tem também o contexto regulatório. Quando o agente consulta dados de cliente, histórico financeiro ou atendimento, a discussão de LGPD deixa de ser teórica e vira requisito de desenho: o que precisa realmente entrar no contexto, o que pode ficar processado no serviço e o que deve ser minimizado. Uma arquitetura com menos vazamento de informação para o prompt conversa melhor com esse cenário.
Além disso, o mercado brasileiro de software está cheio de equipes pequenas que precisam entregar automação útil sem uma plataforma de agentes gigante. Ferramentas de descoberta dinâmica e orquestração por código ajudam justamente quando não há tempo nem orçamento para manter catálogos de tools inflados e prompts gigantes.
Um exemplo de uso com MCP e agentes
Se você estiver desenhando um agente interno, o padrão pode ser este: o modelo localiza a tool certa via search, carrega só a definição útil, executa o trecho de lógica necessário em um ambiente controlado e devolve um resumo curto. Assim, o prompt final contém decisão e resultado, não o histórico inteiro do processamento.
Esse caminho encaixa bem com times que já usam MCP para expor sistemas internos. Em vez de transformar o prompt em uma central de documentação, você mantém o catálogo consultável e reduz o acoplamento entre o agente e cada backend. O resultado tende a ser um sistema mais fácil de manter quando o conjunto de integrações cresce.
Esta seção descreve um conjunto de recursos em evolução do ecossistema Anthropic. APIs e convenções de tool use mudam rápido — confira a documentação oficial antes de adotar em produção.
Conclusão
O recado principal é que a evolução dos agentes não está só no modelo, mas na forma como ele encontra, carrega e executa ferramentas. Tool Search Tool e Programmatic Tool Calling apontam para agentes mais econômicos no uso de contexto e mais disciplinados na orquestração.
Se você quer sentir isso na prática em menos de uma hora, pegue uma integração MCP simples que você já tenha, liste as tools disponíveis e reescreva as descrições para deixar claro quando cada tool deve ser usada; depois compare o comportamento do agente com um catálogo enxuto e com um catálogo carregado inteiro no contexto.
Conteúdos da DIO para quem quer aprofundar
- Formação Avançada em Orquestração de Agentes de IA — você cria agentes autônomos e orquestra times de agentes que resolvem um problema de ponta a ponta, conectados às ferramentas e aos sistemas da empresa com MCP e com supervisão humana.
- Bradesco - Agentes de IA do Zero a Prática — trilha prática que conecta prompt, SQL, Python, CrewAI, MCP e Lovable para construir sistemas de IA que consultam dados, acionam softwares e devolvem resultados.
- Formação Desenvolvimento de SaaS com IA e Claude Code — você conduz um time de agentes de código no Claude Code, aplica Spec-Driven Development e publica um SaaS com TypeScript, Next.js e Supabase.
- Michael Page - Criando Seu Primeiro Agente de IA — trilha para entender fundamentos de IA, engenharia de prompt, agentes inteligentes e aplicações reais em um único programa.
- AWS - Agentes de IA em Campo — formação focada em Amazon Bedrock, agentes autônomos, automação de fluxos e projetos aplicados em cenários modernos de cloud e IA generativa.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
