Anthropic adiciona à API execução de código, conectores MCP, arquivos e cache de 1 hora em vez de 5 minutos
A Anthropic adicionou à API quatro blocos prontos para agentes: execução de código Python em sandbox, conexão de serviços pelo protocolo MCP, upload único de arquivos e cache de prompt de 1 hora em vez de 5 minutos. Um agente pode receber uma tabela de clientes uma única vez, calcular a taxa de churn com código e não reenviar instruções longas a cada passo. Segundo a empresa, o cache reduz em até 90% o custo de prompts longos. Equipes devem verificar qual código de infraestrutura próprio pode ser eliminado.
Processado por IA de X: @AnthropicAI; editado por Hamidun News
Para construir um agente de IA apenas com a API de um modelo de linguagem, o modelo não basta. É preciso ter um lugar seguro para executar o código que ele escreveu. É preciso conectar serviços externos, como um rastreador de tarefas ou um CRM. E é preciso, a cada vez, reenviar os mesmos documentos e pagar pelo seu processamento.
Em 22 de maio de 2025, a Anthropic anunciou quatro recursos da API que resolvem exatamente esses problemas. A code execution tool executa o código Python do modelo em uma sandbox do lado da Anthropic. O MCP connector conecta serviços externos pelo protocolo MCP, e você não precisa escrever um cliente próprio para cada um. A Files API permite enviar um documento uma única vez e depois referenciá-lo. O cache de prompt estendido mantém a parte repetida da requisição por até uma hora, em vez dos cinco minutos anteriores, o que barateia as requisições e as torna mais rápidas.
No próprio post no X, constam apenas os nomes dos recursos e um link para o anúncio. Os detalhes estão na documentação e no blog da empresa. A seguir, uma análise de cada item; os números são os da documentação na data do anúncio.
Code execution tool: o modelo executa código por conta própria
A primeira ferramenta permite que o Claude escreva e execute código Python em uma sandbox isolada. É algo parecido com um notebook Jupyter integrado. O modelo faz cálculos, gera gráficos, processa tabelas e verifica as próprias hipóteses, em vez de chutar a resposta de cabeça.
Exemplo: você pede para identificar quais clientes de uma exportação têm maior probabilidade de cancelar. Antes, o desenvolvedor precisava montar a própria sandbox e cuidar de segurança e timeouts. Agora basta habilitar a ferramenta na requisição. Segundo a documentação, na fase beta cada organização recebe 50 horas gratuitas de contêiner por dia; depois disso, cobra-se cerca de 5 centavos de dólar por hora de contêiner.
MCP connector e Files API: menos cola entre serviços
MCP (Model Context Protocol) é um protocolo aberto da Anthropic por meio do qual o modelo se comunica com ferramentas externas, como rastreadores de tarefas, CRMs e bases de conhecimento. Antes, era preciso escrever um cliente próprio para cada servidor MCP. O MCP connector permite informar, na própria requisição, o endereço de um servidor MCP remoto. A API se conecta sozinha, obtém a lista de ferramentas e chama a que for necessária. Para o product manager, isso significa que integrações prontas de terceiros podem ser conectadas mais rapidamente.
A Files API resolve o problema cotidiano do reenvio. Um documento, como um PDF com regulamento ou uma planilha, é enviado uma vez, recebe um identificador e passa a ser referenciado em qualquer requisição. Não é preciso recodificar e reenviar o mesmo arquivo a cada etapa da conversa. Combinados com a code execution, os recursos formam um fluxo: você envia os dados, o modelo executa o código e devolve os resultados prontos.
Cache de prompt estendido: uma hora em vez de cinco minutos
O cache de prompt funciona como um marcador de página em um livro. Um trecho longo e inalterado da requisição (instruções, documentos, exemplos) não é reprocessado pelo modelo; ele é recuperado do cache. Isso reduz tanto o custo quanto a latência. Antes, o cache durava cerca de cinco minutos. Se o agente demorava mais para responder ou o usuário se atrasava, todo o contexto precisava ser recalculado. Agora existe a opção com validade de até uma hora.
A Anthropic afirma que o cache pode reduzir o custo de prompts longos em até 90% e a latência em até 85%. A hora de retenção é especialmente útil em tarefas longas de agentes, em que o contexto é grande e as etapas têm pausas. Pelo armazenamento mais longo há cobrança adicional: gravar no cache de uma hora custa mais do que no de cinco minutos, enquanto ler do cache sai bem mais barato do que o input comum.
O que isso significa na prática
Os quatro recursos chegaram junto com os modelos Claude 4. Juntos, formam um conjunto para plataformas de agentes: execução de código, integrações, arquivos e economia de contexto. A Anthropic assume parte do trabalho de infraestrutura que antes ficava com frameworks de terceiros e código próprio.
Há também limitações a considerar. Parte dos recursos está em beta, então interface e preços podem mudar. O código é executado nos servidores da Anthropic, o que exige verificar requisitos de segurança e armazenamento para dados sensíveis. E quanto mais lógica passa para a API de um único fornecedor, maior a dependência desse fornecedor.
O que o desenvolvedor deve fazer: se você já tem um agente com sandbox própria ou com contexto longo e repetitivo, meça o resultado com o cache de uma hora e com a execução de código integrada. Para protótipos, a combinação de MCP connector e Files API provavelmente economiza alguns dias de integração.
- 21 de nov. de 2026Anthropic cortou em 20% o preço do Claude Fable 5.2, e no teste de código ele quase empata com o Opus 5.5
- 21 de nov. de 2026Califórnia processa OpenAI: seus agentes de IA saíram do controle ao menos 80 vezes
- 21 de nov. de 2026Dreamteam capta US$ 53 milhões para um CRM que se preenche sozinho a partir de e-mails e ligações
- 21 de nov. de 2026Claude Opus 5.5 completa o horror Dimension 9 a partir de 15 salas criadas pelo autor
Perguntas frequentes sobre a notícia
O que se sabe sobre Code execution tool: o modelo executa código por conta própria?
A primeira ferramenta permite que o Claude escreva e execute código Python em uma sandbox isolada. É algo parecido com um notebook Jupyter integrado. O modelo faz cálculos, gera gráficos, processa tabelas e verifica as próprias hipóteses, em vez de chutar a resposta de cabeça. Exemplo: você pede para identificar quais clientes de uma exportação têm maior probabilidade de cancelar. Antes, o desenvolvedor precisava montar a própria sandbox e cuidar de segurança e timeouts.
O que se sabe sobre MCP connector e Files API: menos cola entre serviços?
MCP (Model Context Protocol) é um protocolo aberto da Anthropic por meio do qual o modelo se comunica com ferramentas externas, como rastreadores de tarefas, CRMs e bases de conhecimento. Antes, era preciso escrever um cliente próprio para cada servidor MCP. O MCP connector permite informar, na própria requisição, o endereço de um servidor MCP remoto. A API se conecta sozinha, obtém a lista de ferramentas e chama a que for necessária.
O que se sabe sobre Cache de prompt estendido: uma hora em vez de cinco minutos?
O cache de prompt funciona como um marcador de página em um livro. Um trecho longo e inalterado da requisição (instruções, documentos, exemplos) não é reprocessado pelo modelo; ele é recuperado do cache. Isso reduz tanto o custo quanto a latência. Antes, o cache durava cerca de cinco minutos. Se o agente demorava mais para responder ou o usuário se atrasava, todo o contexto precisava ser recalculado. Agora existe a opção com validade de até uma hora.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.