Nous Research lança Tool Search para o Hermes Agent: precisão sobe 49–74% no Opus 4

A Nous Research apresentou uma atualização do Hermes Agent que traz o Tool Search, recurso voltado a um antigo problema dos agentes de IA que trabalham com MCP (Model Context Protocol). Na nova abordagem, o agente escolhe apenas as ferramentas relevantes, em vez de carregar no contexto a descrição completa de todas as ferramentas disponíveis.

Sobrecarga de contexto no MCP

Quando um agente de IA interage com um conjunto de ferramentas via MCP, a abordagem tradicional exige carregar no contexto do modelo, logo de início, as descrições de todas as ferramentas disponíveis. Se são trinta, cinquenta ou cem ferramentas, cada uma com descrição detalhada de parâmetros e exemplos de uso, o problema aparece rápido: o contexto incha, os tokens acabam antes da hora e o próprio modelo pode se perder num mar de informações.

A Nous Research identificou esse gargalo e aplicou uma técnica clássica de recuperação de informação: o ranqueamento BM25. É um algoritmo de busca em texto completo que avalia a relevância de um documento (aqui, a descrição de uma ferramenta) em relação à consulta do usuário. Em vez de carregar o catálogo inteiro, o sistema agora busca as ferramentas mais adequadas e passa seus esquemas ao contexto de forma progressiva.

Como o Tool Search funciona na prática

A mecânica é simples, mas eficaz. Na inicialização do agente, o sistema indexa os metadados de todas as ferramentas disponíveis: nomes, descrições e finalidade. Quando o usuário dá um comando, o agente não olha a lista completa; primeiro busca as top-K ferramentas relevantes para o pedido:

• Primeiro passo: executar uma busca BM25 nos nomes e descrições das ferramentas
• Segundo passo: carregar no contexto do modelo esquemas resumidos dos melhores resultados
• Terceiro passo: se necessário, expandir os parâmetros completos apenas da ferramenta escolhida
• Resultado: o contexto continua gerenciável e o agente escolhe com mais precisão

Esse desenho resolve vários problemas ao mesmo tempo: reduz o tamanho do contexto, melhora a velocidade e, principalmente, aumenta a precisão na escolha da ferramenta, porque o modelo não se distrai com opções irrelevantes.

Os números da Anthropic

A Nous Research testou o Tool Search nos benchmarks padrão Anthropic Evals e obteve resultados que merecem destaque. No Claude Opus 4, o ganho de precisão ficou entre 49% e 74%, conforme o tipo de tarefa e o conjunto de ferramentas. Não se trata de mera margem de erro estatística: é uma melhora significativa, que indica que restringir o contexto às ferramentas relevantes de fato ajuda o modelo a se concentrar na escolha certa.

Curiosamente, o efeito é mais visível em conjuntos grandes de ferramentas: quanto maior a oferta, maior o ganho com o filtro inteligente.

O que isso significa para os agentes de IA

O Tool Search é um exemplo pequeno, mas revelador, de como um bom gerenciamento de contexto pode importar mais que a potência bruta do modelo. Em vez de simplesmente aumentar a janela de contexto, às vezes basta ser mais esperto na escolha das informações que entram nela. Isso vale não só para o MCP, mas também para sistemas RAG, integrações com APIs e sistemas de automação em que o agente precisa escolher entre muitas ações possíveis.

À medida que os sistemas de IA ficam mais complexos, essas otimizações serão cada vez mais críticas. O futuro não é dos maiores modelos, mas dos mais espertos na hora de decidir para o que olhar.