Anthropic e Claude: o que mudou no tool use em 2026
TL;DR
Em 2026, a conversa sobre Claude e agentes ficou menos centrada em “um prompt melhor” e mais na arquitetura por trás do tool use. O recorte mais útil é entender três peças: Skills para modularizar capacidades, o Claude Agent SDK para orquestrar agentes com ferramentas e hooks, e um modelo com comportamento mais agentic para execução multi-step.
Na prática, isso troca improviso por componentes reutilizáveis. Para times que automatizam atendimento, análise ou backoffice, a pergunta deixa de ser “o modelo sabe chamar uma tool?” e passa a ser “como eu empacoto essa capacidade para repetir com controle, rastreabilidade e menos atrito?”.
O que aparece como “latest” no stack da Anthropic
O brief aponta que não houve uma única release de setembro de 2026 dedicada exclusivamente a “Claude agents tool use”. O que aparece, com mais força, são anúncios e componentes que compõem esse stack: Agent Skills, Claude Sonnet 5, o Claude Agent SDK for Python e demos oficiais em claude-agent-sdk-demos.
Esse conjunto importa porque desloca parte da integração para estruturas mais previsíveis. Em vez de carregar toda a lógica de ação no prompt, você passa a separar o que é comportamento, o que é ferramenta e o que é execução. Isso reduz o acoplamento e facilita manutenção quando o fluxo cresce para múltiplas etapas.
Agent Skills: tool use como pacote reutilizável
A peça mais interessante do recorte é o Agent Skills. A própria Anthropic descreve Skills como pastas que incluem instruções, scripts e recursos que o Claude pode carregar quando necessário. Essa ideia muda o jogo porque transforma capacidades em unidades portáteis, em vez de depender de instruções soltas espalhadas pelo prompt.
Na prática, isso ajuda a organizar tarefas repetitivas. Se uma equipe precisa ler PDFs, gerar planilhas ou acionar uma integração específica, a Skill vira o lugar natural para guardar instrução, código auxiliar e contexto de execução. O benefício técnico é simples: menos improviso, mais contratos explícitos entre o agente e a tarefa.
Skills são especialmente úteis quando a automação precisa manter comportamento consistente ao longo do tempo. Em vez de reinventar a mesma sequência de passos a cada chamada, você embala a habilidade como um artefato reutilizável.
Por que isso é diferente de prompt engineering tradicional
Prompt engineering continua importante, mas aqui ele deixa de ser o único mecanismo de controle. Skills permitem separar responsabilidade: o prompt define intenção, a Skill define execução aderente, e as tools fazem a ponte com o sistema externo. Essa divisão facilita versionamento, revisão e teste, especialmente quando a aplicação cresce para vários times.
Para quem trabalha com dados, esse padrão é útil em tarefas como montar relatórios, ler planilhas e padronizar saídas. Em uma empresa brasileira, isso pode virar um fluxo para conciliar planilhas operacionais com bases internas sem depender de uma sequência manual de cliques. O ganho não é “IA mágica”, e sim menos variabilidade operacional.
Claude Sonnet 5 e a camada agentic de execução
Outro ponto do brief é o Claude Sonnet 5, descrito como o modelo “mais agentic” da linha Sonnet e com capacidade de usar tools como browsers e terminals em workflows multi-step. O valor aqui está menos no rótulo e mais no tipo de execução: planejar, chamar ferramentas, ajustar o rumo e continuar até concluir a tarefa.
Para quem constrói produto, isso significa que parte do raciocínio operacional passa a ocorrer em uma sequência de ação observável. Em vez de uma resposta única e estática, o agente pode iterar. Em tarefas longas, isso é relevante porque a saída final depende da qualidade do loop, não só da primeira geração textual.
Esse tipo de execução é especialmente importante em automação de engenharia, pesquisa e operações internas. É o caso de fluxos que precisam procurar informação, validar algo em terminal, abrir contexto em browser e então voltar com uma resposta ou artefato. A arquitetura fica mais próxima de um sistema de trabalho do que de um chatbot convencional.
O papel do Claude Agent SDK
O Claude Agent SDK for Python mostra a camada programática por trás dessa abordagem. O repositório descreve suporte a custom tools e hooks, o que dá ao desenvolvedor controle para intervir em pontos do loop do agente. Essa é a parte que costuma separar protótipos de algo que cabe em ambiente de engenharia real.
Custom tools permitem expor funções específicas para o agente chamar no momento certo. Hooks, por sua vez, permitem interceptar passos do loop para validar, registrar ou restringir comportamento. Essa combinação é útil quando o time precisa garantir que o agente siga política interna, respeite limites de acesso ou não execute ações fora do perímetro esperado.
Um padrão prático: agente, ferramenta e fiscalização
O padrão mais sólido aqui é pensar em três camadas. A primeira é o agente, que decide o próximo passo. A segunda são as tools, que executam ações delimitadas. A terceira são os hooks, que criam pontos de fiscalização e conserto de rota.
Esse desenho ajuda muito em fluxos com dados sensíveis. Se o agente precisa consultar informação regulada, você pode limitar o que ele enxerga, registrar por que chamou uma função e bloquear respostas incompletas antes de seguir adiante. Em organizações no Brasil, isso conversa diretamente com LGPD e com políticas internas de auditoria, porque nem toda automação pode operar com acesso amplo a dados pessoais ou financeiros.
Em ambientes sujeitos à LGPD, o valor de hooks e tools não é só conveniência: é controle de escopo, trilha de auditoria e redução de exposição desnecessária de dados pessoais.
Demos oficiais e arquitetura de decomposição
As demos em Claude Agent SDK Demos ajudam a ver os padrões na prática. O brief cita exemplos como Email Agent e Research Agent, com decomposição de tarefa e subagentes especializados. Esse tipo de organização é útil para tarefas que não cabem numa única passada, especialmente quando a etapa de busca, síntese e formatação são diferentes entre si.
O ganho aqui é arquitetural. Em vez de um único agente fazendo tudo, você separa responsabilidades: um subagente pesquisa, outro sintetiza, outro formata ou valida. Para automações corporativas, isso reduz acoplamento entre passos e facilita ajustar apenas a parte que falhou, sem reescrever o fluxo inteiro.
Por que isso importa pro dev brasileiro
No Brasil, o contexto de adoção pesa bastante. Muitas equipes ainda operam com planilhas críticas, processos manuais e integrações legadas, e ao mesmo tempo precisam lidar com LGPD e com prazos curtos de entrega. Nesse cenário, modularizar agentes em Skills e controlar a execução com SDK e hooks ajuda a sair do improviso sem exigir uma plataforma inteira nova.
Tem também o lado de custo e ambiente. É comum times brasileiros começarem em infra global, como regiões nos EUA, por preço ou disponibilidade, e depois perceberem latência, compliance e custo de transferência de dados como parte real da conta. Quando você estrutura o agente com tools explícitas e passos rastreáveis, fica mais fácil decidir onde o dado pode circular e quando vale manter o processamento mais próximo da fonte.
Outro ponto prático é a formação do time. No mercado brasileiro, muita gente entra em IA vindo de Excel, SQL, automação e desenvolvimento web, não necessariamente de pesquisa em ML. Um stack que separa Skill, tool e loop de execução é mais amigável para esse perfil, porque permite aprender por partes e integrar com o que o time já usa no dia a dia.
O que fazer com isso agora
Se você quer transformar essa leitura em ação, comece pequeno: escolha um processo repetitivo do seu time, como geração de relatório, consulta a base interna ou triagem de tickets, e desenhe três coisas — a Skill que descreve a tarefa, a tool que executa a ação e o hook que impede comportamento fora de política. Depois compare o fluxo manual com o fluxo agentic e identifique onde a automação realmente economiza tempo.
Se esse fluxo tocar dados reais, faça a primeira versão com escopo mínimo e registro de cada chamada. Isso ajuda a validar se o ganho vem da agentização ou apenas da integração parcial. A pergunta certa não é se o agente “parece inteligente”, e sim se ele repetidamente faz o trabalho certo com menos intervenção humana.
Conclusão
O recorte de setembro de 2026 não aponta para uma única “grande release” isolada, e sim para a consolidação de um stack: Skills para empacotar capacidades, Sonnet 5 para execução agentic multi-step, e o Claude Agent SDK para dar estrutura programática ao controle de tools e hooks. Para quem constrói automações, o aprendizado principal é que o tool use amadureceu de truque de prompt para arquitetura de sistema.
Se você quer testar isso em menos de uma hora, abra a documentação do Agent Skills e do Claude Agent SDK for Python, escolha um processo interno simples da sua equipe e desenhe a primeira divisão entre Skill, tool e hook.
Conteúdos da DIO para quem quer aprofundar
- Bradesco - Agentes de IA do Zero a Prática — ensina a construir sistemas de IA que consultam dados, acionam software e devolvem resultados de forma autônoma, com Python, SQL, CrewAI e MCP.
- Microsoft - Foundry Agentic Engineer — mostra como criar agentes no Microsoft Foundry e levá-los até o fluxo de pull request no GitHub Enterprise.
- AWS - Agentes de IA em Campo — cobre a construção de agentes com Amazon Bedrock, automação de fluxos e projetos aplicados em arquitetura cloud.
- Nexa - Engenharia de Prompts na AWS com Claude — conecta fundamentos de prompt, AWS e Claude em uma trilha prática para aplicações de IA generativa.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
