La Paz, 29 de nov 2025 (ATB Digital) .- Uno de los grandes desafíos en el desarrollo de agentes inteligentes es cómo manejar bibliotecas de herramientas cada vez más extensas sin saturar el sistema. Hasta ahora, los modelos de lenguaje como Claude debían cargar previamente todas las definiciones de herramientas, lo que podía consumir decenas de miles de tokens incluso antes de empezar una tarea.
Con la introducción de Tool Search Tool, este obstáculo se reduce drásticamente. Esta función permite a Claude descubrir herramientas de forma dinámica, accediendo solo a aquellas necesarias para la tarea actual. En lugar de cargar todo el arsenal de funciones disponibles (que puede superar los 100.000 tokens en entornos complejos como MCP), Claude inicia con una carga mínima y busca herramientas relevantes cuando las necesita. Esto no solo preserva la memoria del sistema, sino que también mejora la precisión, al reducir el riesgo de usar una herramienta incorrecta con parámetros mal definidos.
Esta búsqueda se basa en herramientas preconfiguradas de tipo regex o BM25, y los desarrolladores pueden optar por implementar soluciones personalizadas mediante embeddings. Una vez encontrada una herramienta adecuada, Claude la incorpora temporalmente a su contexto, evitando cargar información irrelevante. De esta manera, se ahorra hasta un 85% del espacio de contexto.
Ejecución programática: menos ruido, más resultados útiles
Otro avance significativo es Programmatic Tool Calling, que permite a Claude escribir código para orquestar el uso de herramientas en lugar de depender exclusivamente del lenguaje natural. Este enfoque es particularmente útil cuando se manejan volúmenes grandes de datos o procesos con múltiples pasos intermedios.
Tomemos como ejemplo la tarea de verificar qué empleados superaron su presupuesto de viajes en un trimestre. Con el método tradicional, cada paso (obtener empleados, consultar sus gastos, comparar con el presupuesto) requería llamadas individuales al modelo, introduciendo cada resultado en el contexto, incluso si eran irrelevantes. Esto no solo era ineficiente, sino que también aumentaba el riesgo de errores de interpretación.
Con Programmatic Tool Calling, Claude genera un script en Python que ejecuta todas las operaciones necesarias de forma secuencial o en paralelo. Solo el resultado final entra en su contexto. En lugar de recibir miles de líneas de datos crudos, el modelo ve un resumen claro: quién superó el presupuesto y por cuánto. En pruebas internas, este método logró reducir el consumo de tokens en más de un 35% y mejorar la precisión de respuestas en flujos complejos.
Aprendizaje por ejemplo: enseñar a usar herramientas con claridad
Aunque los esquemas JSON definen estructuras válidas, no siempre explican cómo deben usarse las herramientas en la práctica. Para resolver esto, Claude ahora puede aprender de Tool Use Examples, que permiten incluir ejemplos reales de uso dentro de la definición de una herramienta.
Esto es útil cuando hay múltiples campos opcionales, convenciones específicas o estructuras anidadas. Por ejemplo, al crear un ticket de soporte, no basta con saber que hay un campo «priority» o un objeto «reporter». Hay que entender cuándo incluir datos de contacto, qué formato tiene un ID válido o cómo correlacionar niveles de prioridad con horas de SLA.
Con ejemplos como «Login page returns 500 error» (un caso crítico con contacto completo y escalamiento) frente a «Add dark mode support» (una solicitud de mejora sin necesidad de urgencia), Claude aprende a interpretar correctamente cada escenario. En entornos con herramientas complejas, esta función ha aumentado la precisión de uso de parámetros del 72% al 90%.
Tres funciones, una sinergia potente
Estas nuevas capacidades no compiten entre sí; se complementan. Tool Search Tool reduce el ruido inicial, Programmatic Tool Calling optimiza la ejecución, y Tool Use Examples mejoran la comprensión. Juntas, permiten construir agentes que no solo ejecutan funciones, sino que razonan, filtran y adaptan su comportamiento a tareas complejas.
La clave está en utilizarlas de manera estratégica. Si el principal problema es el exceso de tokens al cargar herramientas, conviene empezar con Tool Search Tool. Si los flujos son largos y producen muchos resultados intermedios, el paso siguiente es Programmatic Tool Calling. Y si hay errores frecuentes en el uso de parámetros, Tool Use Examples puede ser la solución más directa.
Una nueva generación de agentes inteligentes
Con estas funciones, Claude da un paso hacia una forma más madura de interacción con herramientas. Ya no es un asistente que simplemente sigue instrucciones; es un orquestador capaz de descubrir, decidir y ejecutar de forma inteligente. Desde coordinar múltiples servidores en entornos MCP hasta realizar tareas como análisis de hojas de cálculo, estas mejoras amplían drásticamente el tipo de aplicaciones que pueden construirse.
Claude puede ahora integrar Slack, Google Drive, GitHub y Jira en una sola conversación sin perder el hilo. Puede transformar grandes volúmenes de datos en decisiones claras sin atascarse en detalles. Y puede adaptarse a reglas de negocio complejas sin que cada una deba codificarse manualmente.
En un ecosistema en el que las herramientas se multiplican y los datos crecen sin parar, estas capacidades marcan una diferencia fundamental: permiten que los agentes trabajen con precisión, eficiencia y flexibilidad, como un colega que sabe cuándo pedir ayuda, cómo organizar su día y qué detalles realmente importan.
Fuente: WWWHATSNEW