O que é chamada de ferramentas?

A chamada de ferramentas é a capacidade de um modelo de AI de interagir com ferramentas externas, APIs ou sistemas para realizar ações e recuperar informações além do que o modelo consegue fazer por conta própria. Em vez de depender apenas do conhecimento integrado aos seus dados de treinamento, um modelo com recursos de chamada de ferramentas pode reconhecer quando a solicitação de um usuário exige ajuda externa, selecionar a ferramenta apropriada e estruturar uma solicitação para realizar o trabalho.

Essa é a capacidade que separa um chatbot estático de um agente de AI funcional. Sem a chamada de ferramentas, um grande modelo de linguagem só consegue gerar texto com base em padrões que aprendeu durante o treinamento. Com ela, o mesmo modelo pode verificar o estoque em tempo real, consultar um banco de dados, enviar um e-mail, executar código ou chamar uma API de terceiros. A chamada de ferramentas dá "mãos" aos modelos de AI.

Por que a chamada de ferramentas é importante para agentes de AI

Agentes de AI são sistemas que podem perceber seu ambiente, tomar decisões e agir para alcançar objetivos. A chamada de ferramentas é o que torna possível a parte de "agir". Um agente que não pode chamar ferramentas limita-se à conversação. Um agente que pode chamar ferramentas torna-se um trabalhador.

A transição da AI generativa para a AI agentiva

A AI generativa produz texto, imagens e código. A AI agentiva vai além, planejando fluxos de trabalho de várias etapas, usando ferramentas para executar cada etapa e se adaptando com base nos resultados. A chamada de ferramentas é a ponte entre esses dois paradigmas. É o mecanismo pelo qual um modelo de AI deixa de descrever o que poderia ser feito e começa a fazê-lo.

Por que as empresas estão prestando atenção

O caso de uso de negócios é simples. De acordo com a Gartner, 40% dos aplicativos empresariais integrarão agentes de AI específicos para tarefas até o final de 2026, em comparação com menos de 5% em 2025. Esse crescimento depende de chamadas de ferramentas confiáveis. Se um agente não puder consultar um CRM, atualizar um registro ou acionar um fluxo de trabalho downstream de forma confiável, ele não poderá entregar valor de nível de produção.

A chamada de ferramentas também muda a forma como as equipes pensam sobre automação. Em vez de criar integrações rígidas e baseadas em regras para cada fluxo de trabalho possível, as organizações podem implantar agentes de AI que selecionam e invocam dinamicamente as ferramentas certas com base no contexto. Isso torna os sistemas mais flexíveis e reduz a sobrecarga de engenharia para manter conexões ponto a ponto frágeis.

Como funciona a chamada de ferramentas de AI?

A chamada de ferramentas segue um ciclo estruturado. O modelo não executa as ferramentas diretamente. Em vez disso, ele gera solicitações estruturadas que uma camada de aplicação atende e, em seguida, incorpora os resultados em sua resposta. Veja como o processo funciona passo a passo.

Etapa 1. Reconhecer quando uma ferramenta é necessária

O processo começa quando um usuário envia uma solicitação que o modelo não consegue responder apenas com seus dados de treinamento. Se um usuário perguntar "Qual é a capital da França?", o modelo responderá diretamente. Se um usuário perguntar "Quais foram os nossos números de vendas do Q2?", o modelo reconhecerá que precisa consultar uma fonte de dados externa.

Esse reconhecimento depende do treinamento do modelo. Os modelos que oferecem suporte à chamada de ferramentas foram ajustados para identificar quando uma consulta está fora do seu limite de conhecimento e quando uma ferramenta disponível poderia ajudar. O modelo avalia a intenção do usuário em relação à lista de ferramentas às quais recebeu acesso.

Etapa 2. Escolher a ferramenta certa

Assim que o modelo determina que uma ferramenta é necessária, ele seleciona a mais apropriada em seu conjunto disponível. Cada ferramenta é descrita para o modelo usando um esquema que inclui o nome da ferramenta, o que ela faz e quais parâmetros aceita. O modelo compara a solicitação do usuário com essas descrições para escolher a ferramenta certa.

Por exemplo, se um agente tiver acesso a uma API de clima e a uma ferramenta de consulta de banco de dados, e o usuário perguntar sobre a previsão para amanhã, o modelo selecionará a API de clima. Se o usuário perguntar sobre a receita do mês passado, ele selecionará a ferramenta de consulta de banco de dados.

Etapa 3. Construir e enviar a solicitação

Após selecionar uma ferramenta, o modelo gera uma saída estruturada, normalmente em JSON, que especifica qual ferramenta chamar e quais argumentos passar. O modelo não executa essa chamada por si mesmo. Ele produz a solicitação, e a camada de aplicação cuida da execução.

Etapa 4. Receber e processar a resposta

A ferramenta externa executa a solicitação e retorna um resultado. Isso pode ser um payload de dados de um banco de dados, uma confirmação de que uma ação foi concluída, uma mensagem de erro ou qualquer outra resposta estruturada. A camada de aplicação passa esse resultado de volta ao modelo como contexto para gerar sua resposta final.

Etapa 5. Entregar a resposta ou executar uma ação

Com a resposta da ferramenta em mãos, o modelo sintetiza uma resposta em linguagem natural para o usuário. Se o usuário solicitou os números de vendas do Q2, o modelo pode responder: "As vendas do Q2 de 2026 na América do Norte totalizaram US$ 14,3 milhões, um aumento de 12% em relação ao Q1." O modelo combina os dados brutos da ferramenta com suas capacidades de linguagem para produzir uma resposta clara e contextualizada.

Em alguns casos, o resultado não é uma resposta conversacional, mas uma ação executada, como um e-mail enviado, um registro de banco de dados atualizado ou um fluxo de trabalho acionado. O modelo confirma a ação para o usuário.

Etapa 6. Iterar e refinar o resultado

A chamada de ferramentas nem sempre ocorre em uma única etapa. Solicitações complexas podem exigir várias chamadas de ferramentas em sequência. Um agente solicitado a "preparar um resumo do desempenho do último trimestre e enviá-lo por e-mail para a equipe de liderança" pode primeiro consultar um banco de dados para obter métricas de desempenho, depois chamar uma ferramenta de execução de código para gerar um gráfico e, em seguida, invocar uma API de e-mail para enviar o resumo.

A cada etapa, o modelo avalia se possui informações suficientes para prosseguir ou se são necessárias chamadas de ferramentas adicionais. Esse ciclo iterativo é o que torna os sistemas de AI agentivos capazes de lidar com fluxos de trabalho de várias etapas.

Tipos comuns de chamada de ferramentas

A chamada de ferramentas não é um padrão único. Diferentes casos de uso exigem diferentes tipos de ferramentas, cada uma servindo a um propósito distinto no fluxo de trabalho de um agente.

Recuperação de informações e busca

O tipo mais comum de chamada de ferramentas envolve a busca de dados que o modelo não possui. Isso inclui consultar bancos de dados, pesquisar repositórios de documentos, chamar APIs de busca ou recuperar informações em tempo real, como preços de ações, dados meteorológicos ou notícias. A geração aumentada de recuperação (RAG) é uma forma específica desse padrão em que o modelo consulta uma base de conhecimento para fundamentar suas respostas em dados verificados.

Execução de código

Algumas tarefas exigem que o modelo escreva e execute código em vez de simplesmente gerar texto. As ferramentas de execução de código permitem que os agentes realizem cálculos, transformem dados, gerem visualizações ou executem scripts analíticos. Um agente de codificação de AI pode escrever uma função Python, executá-la em um ambiente de sandbox e retornar a saída para o usuário.

Automação de processos

A chamada de ferramentas permite que os agentes acionem ações em sistemas externos. Isso inclui enviar e-mails, criar tíquetes em ferramentas de gerenciamento de projetos, atualizar registros de CRM, iniciar fluxos de trabalho de aprovação ou postar mensagens em plataformas de comunicação. Essas ferramentas transformam os agentes em participantes ativos nos processos de negócios, em vez de observadores passivos.

Dispositivos inteligentes e monitoramento de IoT

Em contextos industriais e operacionais, a chamada de ferramentas conecta agentes de AI a sistemas físicos. Um agente pode consultar dados de sensores de equipamentos de fabricação, ajustar as configurações do termostato em um edifício inteligente ou monitorar a telemetria de veículos de frota. Essas integrações estendem os recursos de AI do mundo digital para o físico.

Chamada de ferramentas vs. chamada de função

Esses dois termos estão intimamente relacionados e costumam ser usados de forma intercambiável, mas há uma distinção importante que vale a pena entender.

A chamada de função (function calling) foi como a chamada de ferramenta (tool calling) começou. Quando a OpenAI introduziu o recurso pela primeira vez, ele foi apresentado como uma forma de os modelos gerarem argumentos estruturados para funções definidas por desenvolvedores. À medida que o ecossistema amadureceu e os agentes começaram a orquestrar fluxos de trabalho mais complexos envolvendo múltiplos sistemas externos, o termo mais amplo "chamada de ferramenta" tornou-se o padrão.

Na prática, se você estiver lendo uma documentação que diz "chamada de função", ela está descrevendo o mesmo mecanismo subjacente. A Databricks oferece suporte a ambos os termos em sua documentação e recursos da plataforma. Para uma análise mais detalhada de como a chamada de função é avaliada na prática, consulte os benchmarks de chamada de função da Databricks.

Exemplos reais de chamada de ferramenta de IA em ação

A chamada de ferramenta já está operando em produção em diversos setores. Aqui estão exemplos concretos de como as organizações a utilizam.

Agentes de suporte ao cliente

Um agente de suporte recebe uma mensagem de um cliente perguntando sobre o status de um pedido. O agente chama uma ferramenta para consultar o sistema de gerenciamento de pedidos, recupera as informações de rastreamento e responde com uma estimativa de entrega. Se o cliente quiser alterar o endereço de entrega, o agente chama uma ferramenta de atualização para modificar o registro. Cada interação com a ferramenta é governada e auditável por meio de plataformas como o Unity Catalog, que aplica controles de acesso e mantém a linhagem desde as ações do agente até os dados de origem.

Fluxos de trabalho de análise de dados

Um analista pede a um agente de IA para comparar a receita deste trimestre entre as regiões. O agente chama uma ferramenta de consulta SQL para extrair dados do lakehouse, chama uma ferramenta de execução de código para calcular as taxas de crescimento e gerar um gráfico, e retorna um resumo formatado. O que levaria 30 minutos de consultas manuais e trabalho em planilhas para um analista acontece em uma única troca de mensagens.

Operações de TI e monitoramento

Uma equipe de operações implanta um agente que monitora a integridade da infraestrutura. Quando o uso de CPU de um servidor excede um limite, o agente chama uma ferramenta de diagnóstico para coletar logs do sistema, chama uma ferramenta de alerta para notificar o engenheiro de plantão e chama uma ferramenta de correção para escalar os recursos automaticamente. O agente lida com o fluxo de trabalho de primeira resposta sem intervenção humana.

Busca empresarial e gestão do conhecimento

Um funcionário pergunta a um assistente de IA interno sobre a política de licença parental da empresa. O agente chama uma ferramenta de recuperação para pesquisar na base de conhecimento de RH, encontra o documento de política relevante e retorna uma resposta concisa com um link para o documento completo. Esse padrão substitui a experiência comum de pesquisar em uma intranet e ler várias páginas para encontrar uma resposta específica.

Comece a criar agentes de IA com chamada de ferramenta na Databricks

A Databricks oferece uma plataforma completa para criar, implantar e governar agentes de chamada de ferramenta por meio do Agent Bricks. De acordo com a Databricks, as organizações já criaram mais de 100.000 agentes na plataforma, processando mais de um quatrilhão de tokens por ano.

Como a Databricks oferece suporte à chamada de ferramenta

O Agent Bricks oferece suporte nativo ao Model Context Protocol (MCP), o padrão aberto emergente para integração de ferramentas. Isso oferece aos agentes acesso seguro a APIs, bancos de dados e aplicativos SaaS por meio de uma interface padronizada. As ferramentas MCP podem ser descobertas e compartilhadas em toda a organização por meio de um catálogo integrado, com cada integração visível, autorizada e auditável por meio do Unity Catalog.

Os desenvolvedores podem conectar agentes a ferramentas de várias maneiras:

• Servidores MCP gerenciados para fontes de dados da Databricks
• Servidores MCP externos registrados como serviços MCP governados
• Funções do Unity Catalog para lógica personalizada e ferramentas específicas de tarefas
• Ferramentas personalizadas criadas com o Agent SDK baseado em Python

O Agent SDK lida com a execução de ferramentas, chamada de função, fluxos de trabalho de várias etapas e gerenciamento de estado de conversação. Os desenvolvedores definem quais ferramentas o agente pode usar e como ele deve se comportar em conversas de vários turnos.

Primeiros passos

Para equipes que estão explorando a chamada de ferramenta pela primeira vez, o AI Playground oferece um sandbox sem código onde você pode selecionar um LLM, adicionar ferramentas e testar o comportamento do agente antes de exportar para o código. O Agent Bricks oferece suporte a frameworks de agentes populares, incluindo LangGraph, CrewAI, Agno, o Claude Code SDK e os SDKs de agente da OpenAI, para que as equipes possam criar com as estruturas que já conhecem.

A governança é integrada desde o início. A governança de agentes e a governança de dados são gerenciadas diretamente no Unity Catalog, com controles de acesso baseados em funções aplicados a modelos, ferramentas e conexões. As políticas de toda a organização para prevenção de injeção de prompt, detecção de dados confidenciais e filtragem de conteúdo são configuradas em um único plano de controle.

Para começar a criar e testar agentes de chamada de ferramenta em seus próprios dados, explore o Agent Bricks e o framework de ferramentas de agente da Databricks.

Perguntas frequentes

O que significa chamada de ferramenta em IA?

A chamada de ferramenta é a capacidade de um modelo de IA de invocar ferramentas externas, APIs ou sistemas para realizar tarefas além da geração de texto. Ela permite que os modelos recuperem dados em tempo real, executem códigos e acionem ações em aplicativos externos.

Qual é a diferença entre chamada de ferramenta e chamada de função?

A chamada de função é um subconjunto da chamada de ferramenta. A chamada de função refere-se especificamente a um modelo que gera argumentos estruturados para uma função predefinida. A chamada de ferramenta é o conceito mais amplo que abrange a chamada de função, juntamente com integrações de API, consultas de banco de dados, execução de código e outras interações externas.

Como funciona a chamada de ferramenta em LLMs?

Um LLM com suporte para chamada de ferramenta segue um ciclo: ele reconhece quando a solicitação de um usuário exige uma ferramenta externa, seleciona a ferramenta apropriada em seu conjunto disponível, gera uma solicitação estruturada com os parâmetros corretos e, em seguida, incorpora a resposta da ferramenta em sua resposta final. O modelo não executa as ferramentas diretamente. Ele produz uma saída estruturada que é processada por uma camada de aplicação.

Qual LLM é o melhor para chamada de ferramenta?

O desempenho da chamada de ferramenta varia de acordo com o modelo e o caso de uso. O Berkeley Function Calling Leaderboard (BFCL) é o benchmark mais referenciado para avaliar a confiabilidade da chamada de ferramenta em vários modelos. A Databricks oferece suporte a vários provedores de LLM, incluindo modelos da OpenAI, Anthropic, Google e Meta, para que as equipes possam selecionar e comparar modelos com base em seus requisitos específicos.

Qual é a diferença entre chamada de ferramenta de IA e MCP?

A chamada de ferramenta é a capacidade. O MCP (Model Context Protocol) é uma camada de padronização para a forma como as ferramentas são descritas, descobertas e invocadas. O MCP fornece uma interface consistente para que os agentes possam se conectar a qualquer ferramenta compatível com MCP sem a necessidade de código de integração personalizado. O Agent Bricks da Databricks oferece suporte nativo ao MCP para acesso governado a ferramentas.

Por que a chamada de ferramenta é importante para agentes de IA?

Sem a chamada de ferramenta, os agentes de IA limitam-se a gerar texto com base em seus dados de treinamento. A chamada de ferramenta dá aos agentes a capacidade de agir: consultar bancos de dados, chamar APIs, enviar mensagens, executar códigos e acionar fluxos de trabalho. É o mecanismo central que transforma um modelo de linguagem em um agente de IA autônomo capaz de realizar tarefas do mundo real.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original