Nous Research lançou o Tool Search para o Hermes Agent: a precisão aumentou 49–74% no Opus 4

Nous Research apresentou uma atualização para o Hermes Agent — adicionando um recurso Tool Search que resolve um problema antigo dos agentes de IA ao trabalhar com MCP (Model Context Protocol). A nova abordagem permite que o agente selecione apenas ferramentas relevantes em vez de carregar a descrição completa de todas as ferramentas disponíveis no contexto.

Sobrecarga de Contexto em MCP

Quando um agente de IA interage com um sistema de ferramentas através do MCP, a abordagem tradicional requer carregar descrições de todas as ferramentas disponíveis no contexto do modelo logo de início. Se houver trinta, cinquenta ou cem ferramentas, e cada uma tiver descrições detalhadas de parâmetros e exemplos de uso, isso rapidamente se torna um problema: o contexto incha, os tokens acabam antes do necessário, e o próprio modelo pode se perder em mares de informação. Nous Research notou esse gargalo e decidiu aplicar uma abordagem clássica da recuperação de informação — classificação BM25.

Este é um algoritmo de busca em texto completo que leva em conta a relevância de um documento (neste caso, uma descrição de ferramenta) para a consulta do usuário. Em vez de carregar o catálogo inteiro, o sistema agora procura pelas ferramentas mais adequadas e passa seus esquemas para o contexto progressivamente.

Como o Tool Search Funciona na Prática

A mecânica é simples, mas eficaz. Ao inicializar o agente, o sistema indexa os metadados de todas as ferramentas disponíveis — seus nomes, descrições e propósitos. Quando um usuário dá um comando, o agente não olha para a lista completa, mas primeiro procura pelas K ferramentas principais relevantes para a consulta:

• Primeiro passo: executar busca BM25 nos nomes e descrições das ferramentas
• Segundo passo: carregar esquemas breves para os resultados principais no contexto do modelo
• Terceiro passo: se necessário, revelar parâmetros completos apenas para a ferramenta selecionada
• Resultado: o contexto permanece gerenciável, o agente escolhe com mais precisão

Esse arranjo resolve vários problemas ao mesmo tempo: o tamanho do contexto é reduzido, a velocidade de funcionamento melhora, e o mais importante — a precisão da seleção da ferramenta aumenta, porque o modelo não se distrai com opções irrelevantes.

Números da Anthropic

Nous Research testou o Tool Search nos padrões de benchmark Anthropic Evals e obteve resultados que valem a pena notar. No modelo Claude Opus 4, a melhoria de precisão variou de 49% a 74% dependendo do tipo de tarefa e do conjunto de ferramentas. Isso não é meramente ruído estatístico — é uma melhoria significativa que mostra que restringir o contexto a ferramentas relevantes realmente ajuda o modelo a se focar melhor na escolha certa. Interessante notar que o efeito é mais notável precisamente com grandes conjuntos de ferramentas — quanto mais opções para escolher, maior o ganho do filtro inteligente.

O Que Isso Significa para Agentes de IA

Tool Search é um pequeno, mas revelador exemplo de como o gerenciamento adequado de contexto pode ser mais importante do que o poder bruto do modelo. Em vez de simplesmente aumentar a janela de contexto, às vezes é suficiente abordar de forma mais inteligente que informação carregar nesse contexto. Isso se aplica não apenas ao MCP, mas também a sistemas RAG, integrações com API, sistemas de automação onde o agente deve escolher entre muitas opções de ação. Com o crescimento da complexidade dos sistemas de IA, essas otimizações se tornarão cada vez mais críticas. Isso significa que o futuro pertence não aos modelos maiores, mas aos mais inteligentes em escolher o que olhar.