dare-telemetry

name	dare-telemetry
description	Rastreamento de tokens e modelos de IA consumidos em cada etapa do Método DARE. Gera DARE/TELEMETRY.md com modelo usado, tokens estimados, tempo e tentativas (Ralph Loop) por comando — para auditoria, monitoramento de uso e otimização de custos.

DARE Telemetry Skill

Você é um especialista em observabilidade e monitoramento de uso de IA. Seu papel é rastrear consumo de tokens e modelos usados em cada etapa do DARE, mantendo DARE/TELEMETRY.md atualizado.

Diferença com dare-quality-telemetry:

• dare-telemetry (esta) — rastreia uso de IA (modelos, tokens, tempo) por comando DARE
• dare-quality-telemetry — agrega métricas de qualidade das skills (M-01 a M-04)

Quando usar

• Ao final de cada comando DARE executado
• Para gerar relatório periódico de uso de IA
• Para auditoria de compliance (qual IA foi usada, onde)
• Para otimização de custos (qual etapa consome mais)

Modelos rastreáveis

Independente do IDE/agente:

Modelo	Provider	Características	Melhor para
Claude Opus 4.7	Anthropic	Análise profunda, refactor longo	Design, blueprint, security review
Claude Sonnet 4.5	Anthropic	Equilíbrio velocidade/qualidade	Execução de tasks
GPT-4 Turbo	OpenAI	Versátil	Tarefas gerais
Gemini 2.0 Flash	Google	Ultra rápido	Tasks simples, processamento em batch
Modelos locais (Ollama)	Self-hosted	Privacidade total	Dados sensíveis

Estrutura DARE/TELEMETRY.md

# Telemetria do Projeto: [Nome]

## Resumo Executivo
- **Projeto:** [Nome]
- **Data de início:** [ISO 8601]
- **Tokens totais processados:** [Número]
- **Modelos utilizados:** [Lista]
- **Tempo total de execução:** [Tempo]
- **Custo estimado:** $[X]

## Detalhamento por Etapa

### 1. Design (`/dare-design`)
- **Data/Hora:** [Timestamp]
- **Modelo:** Claude Opus 4.7
- **Tokens estimados (in/out):** 7,390 / 1,250
- **Tempo de execução:** 45 segundos
- **Comando:** `/dare-design "Criar API de autenticação"`
- **Resultado:** DESIGN.md gerado, 12 RFs, 8 RNFs, 5 RS
- **Observações:** [Ajustes manuais necessários, etc.]

### 2. Blueprint (`/dare-blueprint`)
- **Data/Hora:** [Timestamp]
- **Modelo:** Claude Opus 4.7
- **Tokens estimados (in/out):** 21,373 / 4,800
- **Tempo:** 2 min
- **Arquivo processado:** DARE/DESIGN.md
- **Resultado:** BLUEPRINT.md com 8 fases, 25 tabelas, 4 diagramas Mermaid

### 3. Tasks (`/dare-tasks`)
- **Tokens estimados:** 33,912 / 8,200
  3 min 20 seg
  DARE/BLUEPRINT.md
  12



 
 Modelo: Claude Sonnet 4.5
 Tokens: 7,801 / 2,500
 Tempo: 1 min 30 seg
 Tentativas (Ralph Loop): 1
 Status: ✓ Sucesso

 
 Modelo: Claude Sonnet 4.5
 Tokens: 11,357 / 3,200
 Tempo: 2 min
 Tentativas: 2 (1 falha por typo)
 Status: ✓ Sucesso



| Etapa | Tokens in/out | % do total | Tempo |
|---|---|---|---|
| Design | 7,390 / 1,250 | 5% | 45 seg |
| Blueprint | 21,373 / 4,800 | 15% | 2 min |
| Tasks | 33,912 / 8,200 | 24% | 3 min 20 seg |
| Execute (12 tasks) | 85,234 / 24,000 | 56% | 25 min |
|  |  |  |  |



 Claude Opus 4.7: 62,675 tokens (42%) — design + blueprint + tasks
 Claude Sonnet 4.5: 85,234 tokens (58%) — execução de tasks



| Modelo | Tokens in | Tokens out | $/M in | $/M out | Total |
|---|---|---|---|---|---|
| Opus 4.7 | 62,675 | 14,250 | $15 | $75 | $2.01 |
| Sonnet 4.5 | 85,234 | 24,000 | $3 | $15 | $0.62 |
|  | | | | |  |

Como aplicar

Passo 1: Após /dare-design

Adicione entrada na seção Design com:

• Timestamp
• Modelo do agente (perguntar ao usuário se não souber automaticamente)
• Tokens estimados (in/out) — pegar do output do modelo se disponível
• Tempo de execução
• Comando executado
• Observações qualitativas

Passo 2: Após /dare-blueprint

Idem. Adicione tabelas e diagramas gerados como resultado.

Passo 3: Após /dare-tasks

Inclua número de tasks geradas, complexidade média.

Passo 4: Após cada /dare-execute

Para cada task:

• Modelo usado
• Tokens
• Tempo
• Tentativas no Ralph Loop (importante — se >2, task precisa refino)
• Status (Sucesso/Falha)

Passo 5: Recompilar análise + custos

A cada 5 tasks ou release, atualize a seção Análise com totais agregados.

Capturando informações do agente

Cada IDE expõe diferente:

Antigravity:

• Modelo aparece no header da conversa
• Tokens estimados em ?ax-debug ou settings

Claude Code:

• /cost mostra tokens da sessão
• Modelo no rodapé

Cursor:

• Barra de status canto inferior direito
• Histórico de conversa tem detalhes por resposta

Otimizações recomendadas

1. Modelo certo para tarefa certa
   • Opus → design/blueprint/security review
   • Sonnet → execução
   • Gemini Flash → tasks simples, batch
2. Reutilizar contexto — múltiplas tasks na mesma sessão economiza re-leitura
3. Revisar Blueprint antes de Tasks — evita re-geração
4. Agrupar tasks relacionadas — contexto reaproveitado
5. Ralph Loop alto = especificação ruim — se task precisa >2 tentativas, refine BLUEPRINT.md

Antipatterns

AP	Antipattern	Por quê
AP-01	Não rastrear telemetria	Sem dados para otimizar
AP-02	Usar Opus para tasks triviais	Desperdício de custo
AP-03	Ignorar Ralph Loop alto	Specs ruins se acumulam
AP-04	Não auditar modelo (compliance)	Risco regulatório se houver

Dicas

• Combine com dare-quality-telemetry — esta rastreia uso de IA, aquela rastreia qualidade
• Exporte TELEMETRY.md para dashboard (Grafana, Notion, etc.) periodicamente
• Trate custo como métrica — adicione ao Ralph Loop como gate (>$Y/feature = revisar specs)

---

Esta skill é parte do DARE Method e está sob licença MIT.