A caixa de ferramentas do chatbot: as ações que um LLM pode aplicar ao seu aplicativo

Um chatbot que apenas responde perguntas é uma caixa de pesquisa educada. O nosso faz mais: ele pode propor mudanças concretas no aplicativo que você está visualizando. Você descreve o que deseja em linguagem simples, o modelo escolhe a ferramenta certa e você recebe uma proposta — um chip com um Aplicar botão, o código gerado, a rota de destino e a justificativa do modelo, tudo visível antes que qualquer coisa aconteça.

Se você conhece o MCP (o Protocolo de Contexto do Modelo), o modelo mental é o mesmo: entregue ao modelo um catálogo de ferramentas tipadas e deixe-o chamá-las. Definimos as ferramentas inline contra a API de uso de ferramentas da Anthropic em vez de atrás de um servidor MCP, mas a forma é idêntica — um nome, uma descrição que informa ao modelo quando usá-la e uma lista de argumentos tipados. O modelo nunca toca em um banco de dados; ele produz uma intenção estruturada e o framework é responsável pela execução.

Uma regra se sobrepõe a todas elas: nada é aplicado sem um clique. O modelo propõe, você descarta.

▶ Mídia — clipe de visão geral: pedindo ao chatbot uma ação e o chip de "Aplicar" resultante aparecendo abaixo da resposta.

Abaixo está o catálogo, uma ferramenta de cada vez, cada uma com o tipo de prompt que a aciona.

Ações de grade

propose_toolbar_action

Adiciona um botão personalizado à barra de ferramentas de uma grade de lista, operando na seleção atual, com um callback JavaScript gerado.

Você:  "na grade de pedidos adicione um botão que exporta as linhas selecionadas para CSV"

Bot:  toolbar action  ▸ Aplicar
      route:    pedidos
      callback: const rows = datasource.getSelectedRows();
                const csv = toCsv(rows); download('pedidos.csv', csv);

propose_row_action

Adiciona um botão a uma única linha (no dropdown de ações da linha), com um callback que recebe esse registro.

Você:  "coloque um botão Aprovar em cada linha da grade de solicitações"

Bot:  row action  ▸ Aplicar
      route:    solicitações
      callback: await fetch('/api/requests/approve', {... id ...});
                await datasource.fetchData();

Estilização condicional

propose_table_style

Aplica uma classe CSS a uma linha inteira quando uma condição JS é verdadeira (um destaque a nível de linha).

Você:  "destacar em vermelho as linhas cuja data de vencimento está no passado"

Bot:  table style  ▸ Aplicar
      class:     row-danger
      condition: new Date(record.due_date) < new Date()

propose_column_style

Mesma ideia, restrita a uma única célula em vez de toda a linha.

Você:  "dê ao status da célula um fundo verde quando for 'OK'"

Bot:  column style  ▸ Aplicar
      column:    status
      class:     cell-success
      condition: record.status === 'OK'

A implementação de chatbots com capacidades avançadas pode transformar a interação do usuário com aplicativos, aumentando a eficiência e personalização. Empresas brasileiras podem se beneficiar ao integrar essas soluções, otimizando processos e melhorando a experiência do cliente.