Como criar um agente IA com Claude em 2026: guia prático

Criar um agente IA com Claude resume-se a encadear três blocos: um modelo capaz de chamar ferramentas, um loop que executa essas chamadas, e uma escolha de tier que não faz a conta disparar. A API Claude expõe tudo isso nativamente. O que mais trava, na verdade, é a escolha do modelo, não a arquitetura.

Este guia parte do zero e cobre cinco passos concretos, desde a escolha do modelo até a colocação em produção, passando pelos obstáculos que vemos repetidamente entre nossos clientes. Se você vem mais do lado do no-code, ainda é útil: compreender o que acontece por baixo dos panos evita várias surpresas desagradáveis na fatura.

1. Escolher o modelo Claude certo para seu agente

Anthropic reformulou sua linha de produtos este ano. Fim da abordagem com um único flagship: a série Claude 5 repousa agora em três tiers dedicados, Opus 5, Sonnet 5 e Fable 5, que compartilham uma janela de contexto de um milhão de tokens no nível da API.

tech-insider.org, Claude Opus 5 vs Sonnet 5 vs Fable 5, agosto de 2026 "Anthropic's Claude 5 lineup replaced the old single-flagship approach with three purpose-built tiers, all sharing a 1-million-token context window at the API level."

Segundo este artigo, o Opus 5 foi lançado em 24 de julho de 2026. É o modelo reservado para tarefas de raciocínio complexo: planejamento multietapas, orquestração entre agentes. Sonnet 5 cobre a maioria dos casos de uso de agente clássico: atendimento ao cliente, extração de dados, resumo de tickets. Fable 5, por sua vez, visa velocidade e custo para tarefas repetitivas em alto volume.

A maioria das equipes começa com o modelo mais caro, por reflexo. Raramente é necessário. Quanto ao custo: Fable 5.1 cobra 10 $ por milhão de tokens de entrada e 50 $ por milhão de saída, sem cache.

VentureBeat, 1º de setembro de 2026 "Fable 5.1 retains Fable 5's headline API rates: $10 per 1 million input tokens and $50 per million output."

Segundo VentureBeat, a leitura do cache custa 75% a menos com esta versão. Na prática: se seu agente relê o mesmo prompt de sistema a cada chamada, ativar o cache muda a conta no final do mês.

Armadilha: partir com Opus 5 "porque é o mais poderoso" para um agente que faz simples classificação. Teste primeiro no tier mais barato. Suba de nível só se a qualidade da saída realmente exigir.

2. Definir as ferramentas que o agente pode chamar

Um agente sem ferramentas é apenas um chatbot. Nada mais. A diferença está aqui: você descreve cada função disponível com um esquema JSON, e o modelo decide sozinho quando chamá-la.

{
  "name": "get_order_status",
  "description": "Récupère le statut d'une commande à partir de son numéro",
  "input_schema": {
    "type": "object",
    "properties": {
      "order_id": { "type": "string" }
    },
    "required": ["order_id"]
  }
}

O modelo retorna um bloco tool_use quando julga a chamada necessária. Seu código executa a função real, depois retorna o resultado na próxima volta da conversa. É todo o princípio do function calling nativo da API Claude, sem precisar de um framework de terceiros para começar.

Um agente também pode solicitar duas ou três ferramentas na mesma volta, em paralelo. Isso é útil para um agente que precisa cruzar um pedido do Shopify e um ticket de suporte antes de responder, por exemplo.

3. Construir o loop do agente (agent loop)

É aqui que a maioria dos tutoriais para muito cedo. Um agente não é uma única chamada à API. É um loop que continua enquanto o modelo solicita ferramentas.

O fluxo típico:

1. Enviar a mensagem do usuário e a lista de ferramentas disponíveis
2. Se a resposta contiver tool_use, executar a função correspondente
3. Devolver o resultado ao modelo em uma nova mensagem
4. Repetir até que o modelo retorne uma resposta final sem chamada de ferramenta

Armadilha: esquecer um limite de voltas. Um agente mal limitado pode fazer loop em uma ferramenta que sempre retorna erro, consumindo tokens a cada iteração sem nunca parar. Um teto de dez voltas é suficiente para a maioria dos casos que tratamos entre nossos clientes.

Entramos nos detalhes deste tipo de desvio em nosso artigo sobre o custo de agentes IA em produção: o loop sem limite é justamente uma das causas mais frequentes de contas que explodem.

4. Adicionar memória e contexto persistente

Um agente que esquece tudo entre sessões não é muito útil para uso em negócio. Duas opções: gerenciar a memória você mesmo resumindo e reinjetando o histórico, ou passar por um servidor MCP que expõe uma fonte de dados externa como memória persistente.

Entramos nos detalhes do protocolo em nossa definição do servidor MCP. Resumindo rapidamente: MCP padroniza a forma como um agente se conecta a um banco de dados, um CRM ou um sistema de arquivos, sem reescrever um conector por ferramenta e por cliente.

Com o cache de prompt 75% mais barato no Fable 5.1, manter um contexto longo fica bem menos penalizador financeiramente do que alguns meses atrás. Isso muda o cálculo para agentes que precisam se lembrar de um histórico de conversa inteiro.

5. Securizar e monitorar o agente antes da colocação em produção

Antes de conectar um agente a dados reais, três verificações são necessárias. Limitar as permissões de cada ferramenta ao estritamente necessário. Registrar cada chamada de ferramenta com seu custo em tokens. Prever um modo degradado se a API retornar um erro. Essas três verificações são a base de qualquer agente IA em produção, independentemente do modelo por trás.

Vimos esse cenário com um cliente que gerencia suporte de e-commerce: uma ferramenta que retornava sistematicamente erro, nenhum limite de voltas, e uma sessão que rodou a noite toda antes de alguém perceber.

A própria Anthropic documenta este assunto sobre segurança. Suas equipes publicaram uma pesquisa sobre como agentes Claude, em ambiente controlado, contribuíram para corrigir falhas de alinhamento, sinal de que a confiabilidade dos agentes autônomos vai muito além do escopo de um tutorial técnico.

Se sua equipe tem menos de cinco desenvolvedores, não construa um sistema de observabilidade do zero. Uma tabela Postgres com o custo por chamada e o nome da ferramenta é suficiente para começar. Você refina mais tarde.

Conclusão

Três coisas para lembrar. A escolha do modelo, Opus 5, Sonnet 5 ou Fable 5, pesa mais na sua conta do que a arquitetura do loop em si. O loop do agente sempre deve ter um limite de voltas, sem exceção. E a memória persistente deve ser pensada desde o início, não de forma urgente após o primeiro bug em produção.

Se quiser que a gente analise como conectar um agente IA às suas ferramentas de negócio existentes, a equipe fstck.co acompanha esse tipo de projeto de ponta a ponta.