A Recuperação de Ferramentas do Gemini realmente economiza tokens? 200 ferramentas versus 10 ferramentas, dois resultados de custo

Dá para economizar, mas com condições. Segundo os dois exemplos hipotéticos que a documentação oficial do Google apresenta, num cenário com 200 ferramentas e contexto base de 2.000 Tokens, o input de Tokens do Gemini Tool Retrieval cai de 164.000 para 23.650, uma redução de cerca de 85,6%. Já num cenário com 10 ferramentas e contexto base de 30.000 Tokens, o input sobe de 68.000 para 92.830, um aumento de aproximadamente 36,5%. Se compensa ou não depende de uma pergunta: o Schema completo de ferramentas que você deixa de enviar cobre o custo extra de contexto gerado pela busca no servidor?

O que você vai aprender lendo este artigo?

  • Qual parte dos Tokens o Tool Retrieval economiza e qual parte ele acrescenta.
  • Os pressupostos completos e a decomposição item a item dos dois exemplos oficiais: o de 200 ferramentas e o de 10 ferramentas.
  • A fórmula do ponto de equilíbrio derivada dos parâmetros oficiais e o método para julgar “a partir de quantas ferramentas vale a pena ativar o recurso”.
  • Como usar o campo interaction.usage e as regras de cache para calcular o custo real de uma tarefa de Agent.

Índice: começamos com uma tabela de conceitos e um resumo rápido dos impactos, para alinhar a terminologia e ajudar você a identificar a que tipo de leitor pertence. A parte de “Fatos objetivos” explica o mecanismo divulgado pelo Google, as regras de cobrança e os critérios originais dos dois exemplos. A parte de “Análise e julgamento” traz o ponto crítico derivado dos parâmetros oficiais, a diferença entre três tipos de “economia”, a fórmula da fatura de uma única tarefa e a tabela de decisão para ativar o recurso.

gemini-tool-retrieval-token-cost-200-vs-10-tools-pt-pt-image-0


Análise de custos do Gemini Tool Retrieval To Know: explicação dos conceitos

Conceito Explicação resumida
Tokens de entrada Unidade de medida do texto, contexto histórico e declarações de ferramentas enviados ao modelo para processamento
Schema da ferramenta Definição completa dos parâmetros que o modelo usa para gerar chamadas de função; no exemplo de cálculo, cada uma tem cerca de 400 tokens
Lista de ferramentas adiada Com defer_loading: true, o modelo inicialmente vê apenas o nome e a descrição breve de cada ferramenta; nos primeiros testes oficiais, cada item tinha cerca de 26 tokens
Contexto base B Informações históricas e da tarefa que cada invocação do modelo já processaria normalmente no exemplo de cálculo
Raciocínio após busca Uma nova invocação do modelo executada depois que o servidor recupera a ferramenta, levando o contexto atual e o schema recém-adicionado
total_tool_use_tokens Dentro da mesma requisição, o volume extra de entrada das invocações do modelo provocado por ferramentas do servidor e por buscas
total_cached_tokens A parte do uso de entrada processada por cache e cobrada pela tarifa de cache
Ponto de equilíbrio Sob o mesmo conjunto de hipóteses, a fronteira em que o custo de entrada do carregamento estático e o do carregamento sob demanda se igualam
Custo por tarefa bem-sucedida A soma dos custos de cada rodada de invocação do modelo e das ferramentas necessárias para concluir um objetivo de negócio

Gemini Tool Retrieval: visão rápida dos impactos

  • Desenvolvedores de Agent que conectam grandes bibliotecas de ferramentas: quando há muitas ferramentas e cada tarefa usa apenas algumas, existe a oportunidade de reduzir bastante o custo de schema repetido na entrada. Esse é o cenário do exemplo oficial com 200 ferramentas.
  • Desenvolvedores de aplicações com poucas ferramentas e contextos longos: cada busca no servidor exige uma inferência extra do modelo e um novo processamento do contexto longo, então ativar o recurso pode sair mais caro. O exemplo oficial com 10 ferramentas é justamente o contraexemplo.
  • Engenheiros e pessoal de FinOps responsáveis pela apuração de custos: olhar apenas o total_input_tokens da primeira requisição subestima o custo; é preciso incluir também total_tool_use_tokens, os acertos de cache e os tokens de saída.
  • Equipes de plataforma que mantêm o catálogo corporativo de ferramentas: o modo de recuperação no cliente permite combinar filtragem própria de permissões e ferramentas dinâmicas, mas cada busca adiciona uma ida e volta à API, e a base de cálculo de custo precisa ser avaliada separadamente.

Fatos objetivos: lançamento e mecânica de cobrança do Gemini Tool Retrieval

O que é o Gemini Tool Retrieval e quando foi lançado

Em 19 de novembro de 2026, o Google anunciou no blog oficial a abertura do recurso Tool Retrieval em fase de pré-visualização (Preview) na Gemini Interactions API. O recurso está em Preview e exige a versão v1beta da API — o método antigo generateContent não é compatível. Para habilitar o modo servidor, basta incluir {"type": "tool_search"} no array tools e definir defer_loading: true nas function ou mcp_server que você quer carregar sob demanda.

Até 20 de novembro de 2026, a documentação para desenvolvedores lista explicitamente quatro IDs de modelo compatíveis: gemini-4-hydrogen, gemini-4-argon, gemini-3.8-flash e gemini-3.6-flash. A menção no anúncio a “modelos Gemini 3.6 e mais recentes” é mais abrangente, mas modelos que não aparecem na documentação precisam ser verificados por conta própria; definir defer_loading em um modelo não suportado retorna HTTP 400.

Vale destacar um ponto que costuma ser mal interpretado: no modo servidor, o desenvolvedor continua precisando enviar o array tools completo a cada requisição, incluindo todos os parâmetros das ferramentas adiadas — mesmo quando usa previous_interaction_id. O que o Tool Retrieval muda é o momento em que o Schema completo entra na janela de contexto do modelo, e não o fato de essas definições deixarem de ser enviadas no corpo da requisição.

De onde vêm os custos do carregamento estático e do Gemini Tool Retrieval

No carregamento estático, toda invocação do modelo precisa ler o Schema completo de todas as ferramentas, mesmo que nesta rodada só seja usada uma função de reembolso. O Tool Retrieval substitui essas definições completas por uma lista curta de ferramentas; quando o modelo precisa, ele emite um tool_search_call, o servidor devolve um tool_search_result contendo o Schema completo, e o modelo então gera o function_call com base nisso.

O Google afirma explicitamente que o Tool Retrieval não tem taxa de funcionalidade independente, mas os itens abaixo continuam sendo cobrados conforme a tarifa do modelo escolhido:

  1. Todos os itens curtos da lista de ferramentas adiadas.
  2. As instruções de busca fixas adicionadas ao ativar o tool_search.
  3. A inferência extra do modelo disparada a cada recuperação no servidor, que reprocessa todo o contexto e o Schema recém-carregado.
  4. O Schema completo das ferramentas carregadas, bem como sua ocupação contínua nas rodadas seguintes (a documentação atual não oferece mecanismo de descarregamento).
  5. Os Tokens normais de saída, de Thinking e relacionados aos resultados de execução das ferramentas.

gemini-tool-retrieval-token-cost-200-vs-10-tools-pt-pt-image-1

Os dois conjuntos de exemplos vêm da documentação do Tool Retrieval do Google. São cálculos hipotéticos explicitamente marcados como oficiais, não benchmarks de ambiente de produção, e ambos ignoram os tokens de saída e os ganhos de cache. O critério unificado é: cada Schema completo com 400 tokens, cada descrição resumida de ferramenta carregada sob demanda com cerca de 26 tokens, instrução de busca com 150 tokens, uma tarefa com 2 requisições externas, 1 busca no servidor concluída na primeira requisição e 2 ferramentas carregadas no total.

Item de cálculo 200 ferramentas, B=2,000 10 ferramentas, B=30,000
Carregamento estático: 2 × (B + N × 400) 164,000 68,000
Entrada inicial da requisição 1 (B + N × 26 + 150) 7,350 30,410
Inferência após a busca na requisição 1 (mais 2 Schemas) 8,150 31,210
Entrada da requisição 2 8,150 31,210
Total do Tool Retrieval 23,650 92,830
Variação -140,350 +24,830
Magnitude da variação (recalculada a partir dos números oficiais) cerca de -85.6% cerca de +36.5%

O cenário com 200 ferramentas economiza de forma evidente porque o esquema estático carrega 80,000 tokens de definições de ferramentas em toda requisição, enquanto o contexto base tem apenas 2,000; o custo de rodar a inferência mais uma vez na busca é pequeno. O cenário com 10 ferramentas é justamente o contrário: as definições somam apenas 4,000 tokens, então a margem de economia é limitada, e a inferência após a busca precisa reprocessar todo o contexto longo de 30,000 tokens, fazendo a sobrecarga nova superar direto a economia.

Campos usage, preços e regras de cache do Tool Retrieval do Gemini

O Google disponibiliza no interaction.usage os campos necessários para analisar o custo do Tool Retrieval:

Campo Significado Papel na análise de custo
total_input_tokens Entrada da primeira invocação do modelo dentro da solicitação Reflete apenas “quanto o contexto inicial encurtou”
total_tool_use_tokens Entrada de invocações extras do modelo causadas por ferramentas do servidor e busca Principal fonte do custo de busca, e a mais fácil de passar despercebida
total_cached_tokens Parte já incluída na entrada e processada pelo cache Cobrada pela tarifa de cache; não deve ser somada novamente
total_output_tokens Saída gerada pelo modelo Cobrada pela tarifa de saída
total_thought_tokens Tokens gerados durante o processo de raciocínio Cobrados pela tarifa de saída do modelo escolhido

Em relação aos preços, na tabela Standard da página de preços do Google, o Gemini 4 Hydrogen tem entrada de US$ 1,50 por milhão de tokens, saída (incluindo Thinking) de US$ 7,50 e entrada em cache de US$ 0,075. Se usarmos apenas esse preço unitário de entrada para fazer uma conversão aritmética do exemplo oficial, o cenário com 200 ferramentas fica em cerca de US$ 0,246 contra US$ 0,0355, e o cenário com 10 ferramentas fica em cerca de US$ 0,102 contra US$ 0,139. Isso é apenas multiplicar contagens hipotéticas de tokens pelas tarifas oficiais; não se trata de nenhuma fatura real.

Há dois limites nas regras de cache que precisam ser entendidos separadamente. Primeiro, a Interactions API só oferece cache implícito; até 20 de novembro de 2026, a escala mínima de entrada para cache implícito nas séries Gemini 4, Gemini 3.8 Flash e Gemini 3.6 Flash é de 4.096 tokens. Segundo, no diálogo multiturno e no Agent Loop do Gemini 4, a nova solicitação precisa acrescentar pelo menos 2.050 tokens para que o sistema faça cache da solicitação anterior completa; se ficar abaixo disso, os últimos 2.050 tokens da solicitação anterior serão cobrados novamente pela tarifa padrão de entrada, e a saída do modelo, o Thinking e os resultados de funções entram nesse incremento.

Até a data de verificação das informações, o Google não divulgou a proporção de tokens economizados pelo Tool Retrieval em conjuntos de tarefas reais, a melhoria de latência nem o aumento da precisão na seleção de ferramentas, e também não há testes de produção de desenvolvedores independentes suficientemente verificáveis.

Análise: quando o Gemini Tool Retrieval realmente economiza tokens

O ponto de equilíbrio do Gemini Tool Retrieval: com quantas ferramentas vale a pena ativar

A seguir estão exemplos estendidos derivados dos parâmetros do exemplo oficial, e não um limite universal publicado pelo Google. Seja N o número total de ferramentas e B o contexto base, mantendo S=400, D=26, H=150, K=2 e a premissa de “duas requisições, uma busca”:

  • Carregamento estático: T_static = 2 × (B + 400N)
  • Carregamento sob demanda: T_retrieval = 3 × (B + 26N + 150) + 2 × 2 × 400

Essa fórmula reproduz integralmente os dois resultados oficiais. Fazendo T_retrieval < T_static, chegamos a 722N > B + 2050, ou seja, N > (B + 2050) / 722. O 2050 aqui vem de 3 × 150 + 1600 e é apenas um resultado algébrico; não tem nenhuma relação com a condição de acréscimo de 2,050 tokens do cache multirrodada do Gemini 4 no documento de cache. Não misture as duas coisas.

Contexto base B Número de ferramentas N Carregamento estático Tool Retrieval Mudança Percentual Tipo de dado
2,000 200 164,000 23,650 -140,350 -85.6% Exemplo oficial
30,000 10 68,000 92,830 +24,830 +36.5% Exemplo oficial
30,000 44 95,200 95,482 +282 +0.3% Derivação estendida
30,000 45 96,000 95,560 -440 -0.5% Derivação estendida
30,000 50 100,000 95,950 -4,050 -4.1% Derivação estendida
30,000 100 140,000 99,850 -40,150 -28.7% Derivação estendida

Com B=30,000, o ponto crítico é N > 44.39 — ou seja, a partir da 45ª ferramenta o carregamento sob demanda passa a ter uma leve vantagem, e perto do ponto de equilíbrio a economia é quase desprezível. Com a mesma fórmula, se B=2,000, o valor crítico fica em torno de 5.6, ou seja, 6 ferramentas já fazem a balança virar. Daí dá para ver que quanto maior o contexto base, mais ferramentas são necessárias para diluir o custo de reprocessar o contexto durante a busca.

gemini-tool-retrieval-token-cost-200-vs-10-tools-pt-pt-image-2

Legenda: as duas primeiras linhas de dados são exemplos oficiais do Google; o restante é derivação com o mesmo critério. Em tarefas reais, o número de buscas e a quantidade carregada vão mudar a curva. Vale a pena testar de novo com suas próprias requisições de negócio — dá para usar a interface unificada da APIYI apiyi.com para montar rapidamente uma linha de base de carregamento estático de vários modelos e comparar.

Tarefas do mundo real raramente seguem à risca esse conjunto de suposições; as variáveis abaixo deslocam o ponto de equilíbrio:

  1. Número de buscas: cada busca adicional no servidor adiciona uma entrada do modelo próxima do tamanho “B + lista de ferramentas + Schema já carregado”; em cenários de contexto longo, equivale a pagar B novamente a cada busca.
  2. Quantidade efetivamente carregada K: quanto mais ferramentas carregadas, menor a economia; um Schema já carregado não pode ser descarregado e continua se acumulando em sessões longas.
  3. Tamanho de um único Schema S: ferramentas com parâmetros complexos e descrições longas têm maior ganho com carregamento sob demanda; quando o Schema é muito curto, o ganho acaba sendo consumido pelos itens da lista e pelas instruções de busca.
  4. Número de turnos da conversa: na abordagem estática, todos os Schemas precisam ser repetidos a cada turno; quanto mais turnos e quanto menos novas buscas forem disparadas, mais evidente fica a vantagem do carregamento sob demanda.

Menos tokens de entrada, cobrança total menor e respostas mais rápidas: as três “economias” do Gemini Tool Retrieval

Essas três coisas costumam ser confundidas, mas não são equivalentes. A redução de tokens de entrada é a mais intuitiva, mas, se você olhar apenas para total_input_tokens, vai deixar de fora a inferência após a busca registrada em total_tool_use_tokens, superestimando assim a economia.

A queda na cobrança total também depende do cache e do preço unitário. O carregamento sob demanda encurta o prompt inicial; se antes você só ultrapassava o limiar de 4,096 tokens do cache implícito por causa de uma grande quantidade de Schemas, ao ativar o recurso pode acabar perdendo o cache. Se o ciclo curto de chamada de função e retorno de resultado adicionar menos de 2,050 tokens, o Gemini 4 também não consegue obter o cache completo da requisição anterior. Ou seja: menos tokens, mas a estrutura de preços unitários pode piorar.

Respostas mais rápidas ainda não têm qualquer respaldo em dados oficiais ou independentes. A busca no servidor não aumenta as idas e voltas do cliente, mas a requisição realmente executa mais inferência de modelo internamente; já a recuperação no cliente adiciona uma ida e volta de API a cada busca. Se a latência melhora ou piora, só o seu próprio teste de ponta a ponta pode responder.

Como calcular a fatura real de uma tarefa do Gemini Tool Retrieval Agent

Com base na semântica oficial de Usage, partindo do pressuposto de cobrança padrão, tokens de cache já incluídos na entrada e nenhuma outra ferramenta com cobrança por uso, um único request pode ser estimado assim:

USD ≈ [ (I + U − C) × P_in + C × P_cache + (O + T) × P_out ] / 1.000.000

Onde I, U, C, O e T correspondem, na ordem, aos cinco campos da tabela acima. Uma tarefa de Agent normalmente abrange vários requests, então é preciso somar o Usage de cada request antes de fazer o cálculo e, por fim, usar “custo total ÷ número de tarefas concluídas com sucesso” para chegar ao custo por tarefa bem-sucedida.

Antes de ativar o Tool Retrieval, o mais confiável é medir primeiro a linha de base de carregamento estático. Abaixo, rodamos um Function Calling estático pela interface compatível com OpenAI e registramos o Usage da linha de base:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interface unificada da APIYI, usada para rodar a linha de base de carregamento estático
)

resp = client.chat.completions.create(
    model="gemini-3.8-flash",  # Nome do modelo conforme a lista de modelos da plataforma
    messages=[{"role": "user", "content": "Refund 40 USD for order A-1042."}],
    tools=[{"type": "function", "function": {"name": "issue_refund",
            "parameters": {"type": "object", "properties": {
                "order_id": {"type": "string"}, "amount": {"type": "number"}},
                "required": ["order_id", "amount"]}}}]
)
print(resp.usage)  # Registra os tokens de entrada e saída no carregamento estático completo

Vale esclarecer que o próprio Tool Retrieval depende da versão v1beta da Google Interactions API. O exemplo acima serve apenas para obter os dados de comparação do carregamento estático; do lado do carregamento sob demanda, use o método de chamada compatível com a Interactions API e depois coloque o Usage dos dois lados na mesma fórmula de custo para comparar.

Ver o código completo da implementação: cálculo do ponto de equilíbrio + estimativa da fatura de Usage
import openai

# ---------- 1. Cálculo teórico conforme os critérios do exemplo oficial (exemplo estendido, não são limiares oficiais) ----------
def static_tokens(B: int, N: int, S: int = 400) -> int:
    return 2 * (B + N * S)

def retrieval_tokens(B: int, N: int, D: int = 26, H: int = 150,
                     K: int = 2, S: int = 400) -> int:
    return 3 * (B + N * D + H) + 2 * K * S

def breakeven_tools(B: int) -> float:
    return (B + 2050) / 722  # válido apenas quando S=400, D=26, H=150, K=2

for B, N in [(2000, 200), (30000, 10), (30000, 45), (30000, 100)]:
    s, r = static_tokens(B, N), retrieval_tokens(B, N)
    print(f"B={B:>6} N={N:>3} static={s:>7} retrieval={r:>7} "
          f"change={(r - s) / s:+.1%}")
print("Número crítico de ferramentas com B=30000:", round(breakeven_tools(30000), 2))

# ---------- 2. Estimar o custo por requisição (em dólares) a partir do campo Usage ----------
def request_cost(I, U, C, O, T, p_in, p_cache, p_out) -> float:
    """I/U/C/O/T correspondem a total_input / tool_use / cached / output / thought tokens"""
    return ((I + U - C) * p_in + C * p_cache + (O + T) * p_out) / 1_000_000

# Exemplo: preço padrão do Gemini 4 Hydrogen 1.50 / 0.075 / 7.50 (por milhão de tokens)
print(request_cost(I=7350, U=8150, C=0, O=200, T=0,
                   p_in=1.50, p_cache=0.075, p_out=7.50))

# ---------- 3. Baseline de carregamento estático (interface compatível com OpenAI) ----------
client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

def run_static_baseline(prompt: str, tools: list, model: str = "gemini-3.8-flash"):
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        tools=tools
    )
    return resp.usage  # ao agregar tarefas de várias rodadas, some requisição por requisição

🚀 Início rápido: a sugestão é primeiro rodar o baseline de carregamento estático no APIYI apiyi.com com uma única chave, registrar o número de tokens e a taxa de conclusão do conjunto real de tarefas de negócio, e só então decidir se vale migrar o Agent para carregamento sob demanda — evitando alterar a arquitetura com base apenas nos números ilustrativos oficiais.

Decisão de ativação do Gemini Tool Retrieval: sua biblioteca de ferramentas está qualificada?

Combinando as recomendações oficiais de engenharia com a derivação acima, dá para fazer uma avaliação inicial com a tabela a seguir, mas o veredito final ainda deve se basear no custo por tarefa bem-sucedida e na taxa de conclusão em tarefas reais:

Característica da carga de trabalho Estratégia recomendada Motivo
Menos de cerca de 20 ferramentas estáveis, a maioria usada em toda rodada Continuar com carregamento estático Recomendação oficial; a economia de Schema é pequena, e a sobrecarga de busca ocupa uma proporção alta
Poucas ferramentas, mas contexto base muito longo Carregamento estático, ou postergar apenas algumas ferramentas com Schema grande Cada busca reprocessa o contexto longo; o exemplo com 10 ferramentas já é um contraexemplo
Dezenas a centenas de ferramentas, usando apenas poucas por vez Priorizar a avaliação da recuperação no servidor Bibliotecas grandes com cauda longa de ferramentas correspondem ao cenário do exemplo oficial de 200 ferramentas
Mistura de ferramentas de alta frequência + muitas ferramentas especializadas de baixa frequência Carregar diretamente as de alta frequência e usar defer_loading nas de baixa frequência Uso híbrido recomendado oficialmente, evita que tarefas simples também façam busca primeiro
Multi-inquilino, ferramentas dinâmicas, necessidade de filtragem por permissão do usuário Avaliar a recuperação no cliente Pode integrar a um registro próprio, mas cada busca adiciona uma ida e volta
Ferramentas frequentemente citadas nas instruções do sistema Manter o carregamento direto A recomendação oficial alerta que ferramentas postergadas citadas podem ser chamadas diretamente, ignorando a busca, e causar erros

💡 Sugestão de escolha: rode a mesma bateria de tarefas com os dois esquemas, estático e sob demanda, mantendo consistentes o modelo, a biblioteca de ferramentas, o comprimento do contexto e as condições de cache. Através do APIYI apiyi.com é possível alternar entre diferentes Gemini e outros modelos mainstream sob uma interface unificada para comparação de linha de base, o que facilita atribuir a diferença de custo à própria estratégia de carregamento de ferramentas.

Há ainda alguns detalhes de engenharia que afetam diretamente a fatura: ao usar store=false e gerenciar o histórico por conta própria, é obrigatório preservar exatamente tool_search_call, tool_search_result e seus signature, caso contrário as requisições subsequentes podem retornar HTTP 400; não se pode omitir os parameters de ferramentas postergadas para reduzir o corpo da requisição; ao depurar, é preciso verificar os function_call em interaction.steps, e não apenas o interaction.status. Uma vez que esses problemas disparem novas tentativas, os tokens das requisições repetidas também entram no custo.

No fim das contas, Tool Retrieval é uma ferramenta de custo que parte do pressuposto de que “poucas ferramentas são usadas com frequência e a maioria fica ociosa por muito tempo”. Os dois exemplos oficiais com direções opostas já deixam claro o limite: quanto maior a biblioteca de ferramentas, mais curto o contexto e menos buscas, maior a chance de economizar; caso contrário, pode gastar mais. O que realmente deve ser otimizado não é o número de tokens da primeira requisição, mas a conta total por tarefa bem-sucedida.

Como escreveu Chen Danran, da dinastia Qing, em 《寤言·迁都建藩议》: “Quem não planeja o todo não é capaz de planejar uma parte.”


Materiais de referência

  1. Anúncio oficial do Google: Introducing Tool Retrieval in the Gemini API (2026-11-19)
    • Link: blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tool-retrieval
  2. Documentação técnica do Tool Retrieval do Google: configuração, cobrança, exemplos oficiais e limitações
    • Link: aistudio.google.com/docs/tool-retrieval
  3. Documentação de Context caching do Google: limite do cache implícito e regras de cache multi-turn do Gemini 4
    • Link: aistudio.google.com/docs/caching
  4. Preços da Gemini Developer API do Google: tarifas de entrada, saída e cache dos modelos
    • Link: aistudio.google.com/docs/pricing

Autor: Equipe técnica da APIYI
Contato técnico: Se você quiser comparar o custo de tokens de vários modelos (como o Gemini) em cenários de Agent, acesse APIYI apiyi.com para obter créditos de teste. Mais instruções de integração estão no centro de documentação docs.apiyi.com

Deixe um comentário