Tool use (uso de ferramentas) é o nome geral para a capacidade do LLM de não responder só "do conhecimento próprio", mas chamar funções externas — APIs, bancos de dados, navegadores, calculadoras, code execution — para obter informação ou executar ações no mundo real.
É essencialmente sinônimo de function calling, mas com escopo mais amplo: function calling é a mecânica técnica; tool use é o conceito de o modelo "estender suas capacidades" via ferramentas.
Tipos comuns de ferramentas:
- Search: web search, busca interna, RAG.
- Code execution: Python sandbox, JavaScript, SQL.
- Math: calculadora, Wolfram Alpha.
- Data access: APIs internas, banco de dados, planilhas.
- External actions: enviar e-mail, criar evento no calendário, pagar via Stripe.
- Computer use: clicar, digitar, navegar.
- Multimodal: gerar imagem, transcrever áudio, analisar vídeo.
- Scientific: rodar simulações, consultar PubMed.
Por que tool use é crucial em 2026:
- Contorna limitações do treino: dados desatualizados, conhecimento incompleto.
- Reduz hallucination: para fatos, modelo busca em vez de "lembrar".
- Habilita ação: modelo deixa de só "falar" e passa a "fazer".
- Especialização barata: em vez de fine-tunar, dê ferramentas específicas.
Implementação:
- Function calling APIs (OpenAI, Anthropic, Gemini): nativo, padrão.
- MCP: protocolo padronizado da Anthropic.
- LangChain Tools / LangGraph: abstrações em frameworks.
- Vercel AI SDK: fácil para Next.js/TS.
- CrewAI Tools: para multi-agent.
Boas práticas:
- Descrições precisas: o modelo decide qual usar baseado em descrição.
- Parâmetros tipados: schema claro em JSON Schema.
- Tratamento de erros: o que retornar quando falha.
- Idempotência: ações que podem rodar várias vezes sem efeito acumulado.
- Confirmação para ações destrutivas: "deletar" sempre com human-in-the-loop.
- Logs: registre toda chamada para debug e auditoria.
- Limites: max calls por execução para evitar loops.
Anti-patterns:
- Tool em excesso: agente confuso com 50+ tools. Limite a 10-15 relevantes por sessão.
- Tool ambígua: duas tools que poderiam servir — modelo escolhe errado.
- Sem error handling: tool falha, agente trava.
- Sem human-in-the-loop: agente faz pagamento sem confirmar.
Casos de uso brasileiros:
- Atendimento que de fato resolve: bot que consulta CRM, abre ticket, agenda.
- DevOps assistant: kubectl, AWS CLI, Docker via tools.
- Operações financeiras: assistente de tesouraria com tools para consultar saldos, gerar boletos.
- RH: bot que consulta políticas, agenda férias, envia formulários.
- E-commerce: assistente de vendas que checa estoque, cria pedido, gera frete.
Em 2026, tool use é o que diferencia "demo de IA" de "produto de IA". Sem tools, LLM é chatbot. Com tools, é assistente operacional. Quem domina tool use bem (definir tools certas, prompts bons, error handling, observability) constrói os produtos que estão sendo vendidos por dezenas de milhões de reais para grandes empresas brasileiras.