Tool Calling Explicado: Como Agentes de IA Decidem o Que Fazer

Se você vem acompanhando a evolução dos modelos de linguagem, já deve ter notado uma mudança fundamental: os LLMs deixaram de ser apenas geradores de texto para se tornarem agentes capazes de executar ações no mundo real.

O segredo por trás dessa transformação? Tool calling — o mecanismo que permite que uma IA decida qual ferramenta externa usar e com quais parâmetros.

O que é Tool Calling?

Tool calling (também chamado de function calling) é o mecanismo pelo qual um LLM pode solicitar a execução de funções externas ou APIs como parte da sua resposta. Em vez de simplesmente retornar texto, o modelo pode indicar: "execute esta função específica com estes argumentos específicos".

O ponto mais importante: o modelo não executa a ferramenta. Ele apenas decide qual ferramenta chamar e com quais argumentos. A execução real acontece no seu código — e essa distinção é uma das fontes mais comuns de confusão entre iniciantes.

Na prática, uma tool call significa que o modelo retorna uma resposta estruturada (via function calling), onde content é None e tool_calls contém o nome da função e os argumentos.

Exemplo prático: assistente de clima

Vamos ver um exemplo com a API da OpenAI. Primeiro, definimos a ferramenta:

tools = [{
    "type": "function",
    "function": {
        "name": "get_current_weather",
        "description": "Obtém o clima atual para uma cidade",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "Nome da cidade"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
            },
            "required": ["city"]
        }
    }
}]

Ao enviar "Qual é o clima em Atenas agora?" junto com essa definição, o modelo retorna algo como:

ChatCompletionMessage(
    content=None,
    tool_calls=[{
        id='call_abc123',
        function=Function(
            name='get_current_weather',
            arguments='{"city": "Athens"}'
        )
    }]
)

O código então executa a função de fato (consultando a Open-Meteo API), adiciona o resultado ao histórico de mensagens e envia de volta ao modelo, que gera a resposta final: "Está 29°C em Atenas."

Cenários mais avançados

Múltiplas ferramentas simultâneas

Em aplicações reais, o modelo tem acesso a várias ferramentas e precisa decidir qual usar. Se adicionarmos uma ferramenta de conversão de moedas (usando a API Frankfurter), o modelo automaticamente escolhe convert_currency quando perguntamos "Quanto é 200 USD em EUR?" — preenchendo corretamente amount: 200, from_currency: "USD", to_currency: "EUR".

Chamadas paralelas

Modelos como o GPT-4o podem chamar múltiplas ferramentas em uma única resposta quando a pergunta do usuário exige. Se alguém pergunta "Qual o clima em Atenas e quanto é 100 USD em EUR?", o modelo retorna duas tool calls de uma só vez — get_current_weather e convert_currency — economizando latência.

O loop ReAct (Reason + Act)

Em agentes sofisticados, o ciclo de tool calling executa várias vezes: o modelo usa o resultado de uma chamada para decidir se (e qual) ferramenta chamar em seguida. Esse padrão, conhecido como ReAct loop, permite que agentes lidem com tarefas complexas e multi-etapas de forma autônoma.

Por que isso importa

O que torna o tool calling realmente fascinante é como ele muda a natureza de um LLM. Até agora, um modelo de linguagem era essencialmente uma função input-output sofisticada: texto entra, texto sai. Com tool calling, ganhamos acesso a um segundo canal de saída — um canal que produz ações em vez de palavras.

Isso transforma o LLM de um "oráculo passivo" em um componente ativo dentro de um sistema maior, capaz de consultar bancos de dados, enviar e-mails, controlar dispositivos, fazer cálculos precisos e muito mais. É a peça central que viabiliza os agentes de IA que estão dominando as manchetes — e os investimentos bilionários — em 2026.