# Anthropic lance la recherche dynamique d’outils pour Claude

_Publié le 2 novembre 2026 — https://ip73.fr/2026/11/02/anthropic-lance-la-recherche-dynamique-d-outils-pour-claude/_

Anthropic annonce le lancement de trois fonctionnalités pour Claude : l'outil de recherche d'outils, l'appel d'outils par programme et les exemples d'utilisation d'outils. Ces ajouts visent à résoudre le problème de surcharge contextuelle lorsque les agents doivent interagir avec des centaines, voire des milliers d'outils.

Le défi est conséquent. L'intégration de nombreux serveurs MCP (Multi-Cloud Platform) peut rapidement consommer des jetons. Selon anthropic.com, un scénario regroupant GitHub, Slack, Sentry, Grafana et Splunk peut déjà générer environ 55 000 jetons avant même que l'agent ne traite la première requête. Si l'on ajoute des systèmes comme Jira, l'encombrement peut dépasser les 100 000 jetons, l'entreprise ayant constaté en interne des consommations atteignant 134 000 jetons avant optimisation.

La méthode traditionnelle, qui charge toutes les définitions d'outils au départ, met ces données en compétition avec l'historique de la conversation et le prompt système. L'outil de recherche d'outils change la donne : Claude découvre les outils à la demande. Seul l'outil de recherche lui-même est chargé initialement, nécessitant environ 500 jetons. Les outils spécifiques, par exemple ceux pour interagir avec GitHub, ne sont chargés que lorsqu'ils sont nécessaires.

Ce mécanisme apporte un gain notable. La consommation contextuelle initiale passe d'environ 77 000 jetons à seulement 8 700 jetons, soit une réduction de 85 % des jetons, selon anthropic.com. Les tests internes montrent aussi des améliorations de précision : Opus 4 est passé de 49 % à 74 % avec cette fonctionnalité activée.

## L'orchestration par code et la gestion des flux longs

Au-delà de la simple recherche, anthropic.com insiste sur la capacité des agents à appeler des outils directement depuis du code. Lorsque l'appel d'outil se fait en langage naturel, chaque invocation nécessite un passage complet d'inférence, ce qui fait s'accumuler des résultats intermédiaires sans toujours apporter une valeur ajoutée au contexte. Le code est plus adapté à la logique d'orchestration, comme les boucles ou les conditions.

Ce besoin de gestion des flux complexes trouve un écho chez d'autres acteurs. OpenAI, par exemple, propose l'appel d'outil asynchrone. En activant `async: true` sur une définition d'outil, le modèle peut lancer une requête longue — comme une recherche météo — et continuer à traiter d'autres parties de la requête sans attendre la réponse immédiate. L'application cliente injecte le résultat plus tard, en utilisant l'identifiant de l'appel (`call_id`).

Les développeurs peuvent affiner cette gestion. OpenAI suggère d'ajouter un outil de type « attendre » (`wait_for_tasks`). Ce dernier permet au modèle de signaler quels ensembles de tâches en arrière-plan sont prêts à être comparés, évitant ainsi de bloquer le cycle de pensée du modèle au moment où l'information est requise.

## Au-delà de la syntaxe : apprendre les usages

Anthropic signale un autre point de friction : les schémas JSON ne suffisent plus à décrire l'usage d'un outil. Un schéma définit ce qui est structurellement valide, mais il ne peut pas exprimer les schémas d'usage réels, comme quand inclure un paramètre optionnel ou quelles combinaisons d'API sont cohérentes.

Pour résoudre cela, Anthropic introduit les « Tool Use Examples ». Cela fournit une norme universelle pour montrer au modèle non seulement *quoi* faire, mais *comment* le faire concrètement.

Ce mouvement s'inscrit dans une tendance plus large. Des experts en ingénierie des agents, comme ceux de LangChain, notent que si les solutions pour des tâches standardisées (recherche d'outils, résumé de threads) sont bien établies, les défis actuels se concentrent sur les agents proactifs, la gestion de la mémoire fine, et la cohérence sur de très longues périodes.

Il faut surveiller comment cette capacité de découverte dynamique va impacter la construction d'agents d'entreprise, surtout dans les environnements où les systèmes connectés sont hétérogènes.

## Sources

- [Introducing advanced tool use for Claude](https://www.anthropic.com/research/advanced-tool-use), anthropic.com
- [Async tool calling \| OpenAI API](https://developers.openai.com/api/docs/guides/async-tool-calling), developers.openai.com
- [New context engineering challenges in late 2026](https://www.langchain.com/blog/context-engineering-challenges-late-2026), LangChain, 2 novembre 2026