Por dentro de um agente de AI: sete ferramentas que transformam uma LLM em executora

Se você der a um modelo de linguagem um terminal, sistema de arquivos e acesso à internet, ele deixa de ser um assistente tagarela e se torna um agente — é assim que Claude Code, Codex e outras ferramentas para desenvolvedores funcionam por baixo do capô. A segunda parte do tutorial explica como adicionar sete ferramentas básicas a um modelo e ensinar a escolher independentemente a correta dependendo da tarefa.

O que são ferramentas de agente

Um modelo de linguagem por si só só pode fazer uma coisa — gerar texto com base no contexto de entrada. Para se tornar um agente, ele precisa de ferramentas: funções específicas que a estrutura do agente executa por comando do modelo e retorna o resultado de volta ao contexto. O princípio é simples: o modelo recebe um prompt com descrições de ferramentas disponíveis — nome, parâmetros, o que faz. Durante o funcionamento, ele avalia a tarefa e decide por si só se algo precisa ser chamado, e se sim — o quê exatamente e com quais argumentos. O desenvolvedor define o conjunto de funções disponíveis; escolher a ferramenta específica para uma situação específica depende do modelo.

No tutorial, o agente recebe sete ferramentas básicas:

• Leitura de arquivos do sistema de arquivos
• Escrita e edição de arquivos
• Execução de comandos no terminal
• Navegação por diretórios e listagem de conteúdo
• Execução de scripts Python em tempo real
• Busca de informações na internet
• Obtenção de informações sobre o sistema e ambiente

Este conjunto já permite que o agente leia independentemente código alheio, faça edições, execute testes e verifique seus resultados — sem participação humana em cada etapa.

Como o modelo escolhe uma ferramenta

O momento-chave não é o conjunto de ferramentas em si, mas o mecanismo de seleção. Isso é chamado de tool calling ou function calling, e é aqui que os LLMs modernos diferem fundamentalmente dos chatbots da geração anterior. Quando um modelo decide que uma ferramenta é necessária para uma tarefa, ele retorna não apenas texto, mas JSON estruturado: nome da função e argumentos. A estrutura do agente intercepta este JSON, executa a operação real — executa um comando, lê um arquivo, faz uma solicitação HTTP — e retorna o resultado ao contexto. O modelo olha o resultado, pensa novamente e chama a próxima ferramenta ou encerra o trabalho.

Este loop — pensar, chamar uma ferramenta, obter um resultado, pensar novamente — é o que transforma um modelo de linguagem estático em um sistema dinâmico. Ao mesmo tempo, o modelo não segue um roteiro rígido: cada vez re-analisa a situação levando em conta todo o contexto acumulado — passos anteriores, resultados intermediários, tarefa original. Isso é o que torna o agente flexível: ele pode corrigir o plano sobre a marcha se um resultado intermediário se mostrar inesperado.

O loop e o problema de parada

O agente funciona em um ciclo: gera uma resposta → se uma ferramenta for necessária, a chama → obtém um resultado → gera novamente. O ciclo continua até que a tarefa seja concluída ou o agente decida que outras chamadas não são necessárias. Aqui reside a principal complexidade de engenharia: como o modelo entende que é hora de completar o loop?

Em implementações simples, usa-se uma das duas abordagens. Primeira — limite de iterações: se após N passos a tarefa não for concluída, o agente é forçadamente interrompido. Segunda — sinal de conclusão especial: o modelo retorna um marcador "pronto", e a estrutura sai do loop.

Claude Code e Codex resolvem isso de forma muito mais sofisticada: levando em conta o contexto da tarefa, o custo de cada chamada e análise de resultados intermediários. Mas o princípio fundamental é o mesmo — um loop com uma condição de saída explícita. Esta condição determina se o agente será uma ferramenta útil ou ficará preso em um loop infinito.

O que isso significa

O tutorial mostra claramente: a diferença entre um simples chatbot e uma ferramenta poderosa como Claude Code — não está no tamanho do modelo e não está em mágica, mas na arquitetura. Adicione um loop, várias funções e uma regra de parada — você obtém um sistema que pode trabalhar com o mundo real: ler código, editar arquivos, executar testes e buscar informações na web. Isso é o que torna os agentes de IA modernos praticamente úteis para desenvolvedores, em vez de apenas impressionantes em demonstrações.