Muito longo? Leia isto primeiro
- A seleção de ferramentas depende de tools/list: o servidor MCP envia o nome, a descrição e o JSON Schema de cada ferramenta, e o modelo escolhe apenas a partir dessa lista.
- O Claude não chama uma ferramenta para perguntas de conhecimento geral sobre um serviço conectado. Ele só chama uma quando o pedido corresponde a uma ação específica ou a uma consulta de dados.
- A precisão cai à medida que o número de ferramentas aumenta. A OpenAI recomenda menos de 20 ferramentas por turno, e a Anthropic documentou queda de precisão quando uma sessão expõe de 30 a 50 ferramentas ao mesmo tempo.
- A Tool search tool da Anthropic e a flag defer_loading resolvem isso ocultando as descrições das ferramentas até que o agente as busque, para que um catálogo grande não fique no contexto por padrão.
- Uma conexão com o MCP da Wati funciona da mesma forma: o seu assistente só vê wati_send_message, wati_get_contacts ou wati_list_templates quando a sua formulação pede por elas, e não o catálogo inteiro de ferramentas a cada turno.
Este artigo foi traduzido do inglês com auxílio de IA. Leia a versão original em inglês.
Um agente de IA escolhe uma ferramenta MCP comparando o seu pedido com os nomes, as descrições e os schemas de entrada das ferramentas que o servidor entregou durante a descoberta e, em seguida, prevendo a única chamada que melhor atende ao pedido.
Não existe um "módulo de raciocínio" separado para isso. O modelo subjacente lê a mesma lista de ferramentas toda vez e trata a seleção de ferramentas como mais uma previsão do próximo token, guiada inteiramente pela clareza com que cada ferramenta é descrita.
Este artigo mostra como funciona a seleção de ferramentas, por que mais ferramentas prejudicam a precisão e como a qualidade dos nomes e das descrições resolve isso. Também mostra o carregamento adiado na prática, usando o MCP da Wati como exemplo ao longo de todo o texto.
O Que Realmente Acontece Durante a Seleção de Ferramentas
Quando um cliente MCP se conecta a um servidor, ele chama tools/list. O servidor retorna o nome de cada ferramenta, uma descrição em linguagem natural e um JSON Schema que descreve suas entradas. O cliente repassa essa lista ao modelo no mesmo formato de definição de ferramentas usado no function calling nativo.
Quando um usuário envia uma mensagem, o modelo lê a conversa, examina as descrições das ferramentas e prevê uma sequência de tokens de chamada de ferramenta. Ele faz isso quando a descrição de uma ferramenta corresponde à intenção de forma suficientemente próxima.
A própria documentação do conector MCP da Anthropic define a condição de acionamento: o Claude chama uma ferramenta MCP quando o pedido do usuário corresponde à capacidade descrita de uma ferramenta, seja de forma explícita ou implícita. Ele não chama uma ferramenta para uma pergunta de conhecimento geral sobre o serviço conectado.
Perguntar "como funcionam os templates do WhatsApp?" é respondido com base nos dados de treinamento. Perguntar "quais templates estão aguardando aprovação?" aciona uma chamada de ferramenta, porque esses dados só existem no servidor.
O Modelo Prevê uma Chamada de Ferramenta; Ele Não Decide Sobre Ela
É tentador descrever isso como o agente raciocinando sobre qual ferramenta usar. Na prática, o modelo está prevendo tokens que por acaso representam uma chamada de ferramenta, condicionados a quatro entradas:
- As ferramentas expostas a ele naquele momento
- A redação da descrição e do schema de cada ferramenta
- Os padrões que o próprio modelo aprendeu nos dados de treinamento sobre tarefas semelhantes
- Qualquer direcionamento explícito no prompt de sistema
Mude qualquer uma dessas quatro entradas, e a mesma mensagem do usuário pode gerar uma escolha de ferramenta diferente.
É por isso que dois servidores MCP que expõem ações funcionalmente idênticas com nomes ou descrições diferentes podem ser chamados com frequências diferentes para o mesmo prompt. O modelo está comparando texto, não avaliando capacidades.
Por Que Mais Ferramentas Pioram a Seleção
Cada definição de ferramenta (nome, descrição, schema) consome tokens da janela de contexto antes que o modelo faça qualquer trabalho real. Equipes que executam dezenas de ferramentas em vários servidores MCP conectados já mediram dezenas de milhares de tokens gastos apenas com definições de ferramentas, antes mesmo de responder a uma única pergunta do usuário.
Essa sobrecarga tem dois efeitos: tira espaço da conversa em si e dos dados recuperados, e dá ao modelo mais descrições quase duplicadas para confundir. A OpenAI recomenda manter menos de 20 ferramentas disponíveis por turno, e a Anthropic documenta queda de precisão quando uma sessão expõe de 30 a 50 ferramentas.
Como as Descrições Orientam as Escolhas de Ferramentas do Modelo
O modelo escolhe ferramentas comparando texto, então a descrição de uma ferramenta determina se ela será escolhida corretamente. Uma ferramenta chamada update_record com uma descrição de uma linha obriga o modelo a adivinhar o que "record" significa.
Uma ferramenta chamada update_contact_attributes, com uma descrição que nomeia exatamente os campos que aceita, o objeto que modifica e quando deve ser preferida em vez de ferramentas semelhantes, deixa pouca margem para erro.
As instruções no nível do servidor também importam, não apenas as descrições de cada ferramenta. A documentação do Claude Code diz que as instruções do servidor ajudam o modelo a entender que categoria de tarefas as suas ferramentas executam e quando ele deve buscá-las.
As descrições de ferramentas e de servidores são truncadas em 2KB cada. Coloque primeiro os detalhes relevantes para a decisão, não no final.
O Carregamento Adiado Muda a Ordem da Seleção de Ferramentas
A solução para a precisão na seleção de ferramentas não é um modelo mais inteligente. É mostrar menos ferramentas ao modelo de uma vez.
Com a configuração defer_loading da Anthropic, a descrição completa de uma ferramenta não é enviada logo de início. O modelo vê um nome e busca a definição completa somente quando uma tarefa parece relevante, por meio da Tool search tool.
A integração MCP do Claude Code funciona da mesma forma por padrão. Apenas os nomes das ferramentas e as instruções do servidor são carregados no início da sessão; as definições completas são carregadas sob demanda, então adicionar mais servidores MCP tem "impacto mínimo" na janela de contexto, em vez de aumentá-la de forma linear.
Isso reorganiza todo o processo de seleção. Em vez de examinar cinquenta descrições completas a cada turno, o modelo examina cinquenta nomes curtos, busca as duas ou três que parecem relevantes e só então avalia os schemas delas.
A pergunta deixa de ser "qual dessas cinquenta ferramentas é a certa?" e passa a ser "qual dessas três é a certa?". Essa é exatamente a redução que, segundo as orientações da OpenAI e da Anthropic sobre a quantidade de ferramentas, melhora a precisão.
Como Isso Funciona em uma Conexão com o MCP da Wati
Uma sessão do MCP da Wati expõe ferramentas para contatos, templates, campanhas, conversas e gerenciamento do Astra AI Agent.
Com categorias distintas suficientes, é a qualidade das descrições, e não a capacidade bruta, que determina se o assistente chama corretamente wati_send_template, wati_send_message ou wati_list_templates logo na primeira tentativa.
O servidor da Wati agrupa essas ferramentas por categoria de tarefa e mantém os nomes próximos da terminologia do WhatsApp (wati_get_contact_profile, wati_get_contact_count, wati_list_templates), em vez de verbos genéricos de banco de dados. Isso dá ao modelo uma correspondência mais restrita e literal para trabalhar.
Fator de seleção | Efeito na precisão | O que melhora |
|---|---|---|
Quantidade de ferramentas no contexto | Cai depois de ~20 a 50 ferramentas | Carregamento adiado/tool search |
Especificidade da descrição | Descrições vagas causam escolhas erradas | Nomear o objeto exato e o caso de uso |
Convenção de nomes | Verbos genéricos geram ambiguidade | Nomes específicos do domínio (send_template vs update) |
Instruções do servidor | Orientam quais ferramentas buscar primeiro | Antecipar a categoria e as condições de acionamento |
Teste se o Seu Agente Escolhe a Ferramenta Certa
Antes de confiar tráfego de produção a um agente conectado via MCP, execute-o com um conjunto fixo de prompts mapeados para cada ferramenta e verifique três coisas: se ele chamou alguma ferramenta quando deveria, se escolheu a correta entre opções semelhantes e se os argumentos que preencheu correspondem ao schema.
É o mesmo ciclo de testes por cenário que separa uma demo que funciona de uma integração em produção: testar a descoberta de ferramentas, a validação de schemas e as saídas esperadas antes que qualquer coisa toque a conta de um cliente real.
Acerte a Seleção de Ferramentas em Três Passos
O agente não decide qual ferramenta chamar; ele prevê comparando o seu pedido com os nomes e as descrições das ferramentas. Acerte esses elementos, junto com um conjunto pequeno de ferramentas ativas, e a previsão acerta. O MCP da Wati é um exemplo disso funcionando em produção, e é por isso que ele apareceu em todas as seções acima.
Conecte o Claude ou o ChatGPT ao seu próprio workspace usando o servidor MCP da Wati e observe quais ferramentas ele chama em pedidos reais antes de colocá-lo diante dos clientes.
Prefere uma demonstração guiada primeiro? Agende uma demo gratuita da Wati e peça para ver a seleção de ferramentas MCP ao vivo.
Perguntas frequentes
O agente de IA entende o que uma ferramenta faz ou apenas compara texto?
Ele compara texto. O modelo se condiciona ao nome, à descrição e ao schema da ferramenta, além da conversa até aquele momento, e prevê uma chamada de ferramenta da mesma forma que prevê qualquer outra sequência de tokens. Não existe uma etapa separada de compreensão que verifique se a ferramenta realmente faz o que a descrição afirma.
Posso obrigar um agente a sempre usar uma ferramenta específica?
Sim, dentro de certos limites. Você pode direcionar o uso de ferramentas pelo prompt de sistema, e o conector MCP do Claude permite ativar, desativar ou colocar em uma allowlist ferramentas individuais por servidor, para que apenas as que você quer fiquem visíveis para o modelo.
Por que o meu agente chama a ferramenta errada quando duas parecem semelhantes?
Descrições quase duplicadas são a causa mais comum. Se duas ferramentas mencionam "update contact", o modelo quase não tem como diferenciá-las. Reescreva uma das descrições para nomear os campos ou o cenário específico que ela cobre.
Adicionar mais servidores MCP sempre prejudica a precisão?
Não, se o cliente suportar carregamento adiado. O tool search do Claude Code mantém apenas os nomes das ferramentas no contexto no início da sessão, independentemente de quantos servidores você conectar, então o limite prático passa a ser o orçamento da sua janela de contexto, e não uma quantidade fixa de ferramentas.