🔄 /ulw-loop: loop ate a perfeicao
O /ulw-loop e o modo mais persistente do swarm. Em vez de entregar na primeira tentativa, ele entra em um ciclo de execucao, revisao e correcao que so para quando o resultado atinge zero erros e qualidade satisfatoria.
💡 Como funciona o loop
# No chat do Sisyphus:
/ulw-loop
# O que acontece:
# Ciclo 1: Executa → Revisa → Encontra 5 problemas
# Ciclo 2: Corrige 5 problemas → Revisa → Encontra 2 problemas
# Ciclo 3: Corrige 2 problemas → Revisa → Zero problemas
# → Resultado final entregue!
# Ideal para:
# - Projetos onde qualidade e mais importante que velocidade
# - Codigo que precisa estar production-ready
# - Quando voce quer "set and forget" com maxima qualidade📊 Quando usar
- Use quando: Qualidade maxima e prioridade, voce pode esperar mais
- Evite quando: Prototipo rapido, tarefa simples, orcamento limitado (cada loop consome tokens)
- Tipicamente: 2-4 ciclos para convergir em projetos medios
📂 /init-deep: contexto profundo do projeto
Em projetos grandes, os agentes podem perder contexto sobre a estrutura do codebase. O /init-deep gera automaticamente um arquivo AGENTS.md em cada pasta do projeto, documentando o que cada diretorio contem e como os arquivos se relacionam.
💡 Usando init-deep
# No chat do Sisyphus:
/init-deep
# O que acontece:
# 1. Explorer escaneia todo o projeto
# 2. Cria AGENTS.md em cada diretorio
# 3. Cada arquivo documenta:
# - O que esta pasta contem
# - Quais arquivos sao criticos
# - Dependencias entre modulos
# - Convencoes do projeto
#
# Resultado: agentes tomam decisoes muito melhores
# porque entendem a estrutura completa do codebase🔍 /review: revisao antes do deploy
O /review e sua ultima camada de seguranca antes de entregar. Ele ativa o agente revisor que analisa o diff das mudancas, busca problemas de seguranca, performance e qualidade, e sugere melhorias.
💡 Executando review
# No chat:
/review
# O agente revisor:
# 1. Analisa o diff (mudancas desde ultimo commit)
# 2. Busca problemas:
# - Seguranca (XSS, injecao, dados expostos)
# - Performance (assets pesados, loops ineficientes)
# - Qualidade (codigo duplicado, funcoes longas)
# - Acessibilidade (alt em imagens, contraste)
# 3. Gera relatorio com sugestoes
# 4. Pode corrigir automaticamente se voce autorizar🖼️ Multimodal Looker: de imagem para codigo
O Multimodal Looker e o agente visual do swarm. Voce fornece uma imagem (screenshot, mockup do Figma, foto de um rascunho no papel) e ele converte em codigo HTML/CSS. Acelera drasticamente a implementacao de designs.
💡 Usando o Multimodal Looker
- •Screenshot de site: Tire print de um site que voce gosta e peca para replicar o layout
- •Mockup Figma: Exporte a tela como PNG e o agente converte em HTML pixel-perfect
- •Rascunho no papel: Tire foto do seu wireframe e o agente interpreta a estrutura
- •Erro visual: Mostre um screenshot de um bug visual e peca para corrigir
🔧 Trocar provedor no meio da execucao
Isso aconteceu na aula real: os creditos de Claude acabaram no meio de um projeto. A solucao? Editar o arquivo de configuracao e trocar o modelo — sem perder nenhum progresso.
💡 Procedimento de troca
# 1. Abrir o arquivo em outro terminal/aba
nano .opencode/oh-my-opencode.jsonc
# 2. Trocar o modelo do agente afetado
# Exemplo: Claude acabou, trocar Sisyphus para GPT:
# "sisyphus": { "model": "openai/gpt-5.3-codex" }
# 3. Salvar o arquivo (Ctrl+O, Enter, Ctrl+X)
# 4. O OpenCode detecta automaticamente
# → Agente continua com novo modelo
# → Zero progresso perdido
# → Execucao nao para
# Dica: mantenha uma "lista B" de modelos alternativos
# para trocar rapidamente se necessario📊 Monitorando custo e tokens
Com multiplos agentes trabalhando em paralelo, os custos podem subir rapidamente se voce nao monitorar. Cada agente consome tokens do seu provedor, e os custos variam entre modelos.
💡 Estrategias de monitoramento
- •Dashboard do provedor: Acesse console.anthropic.com, platform.openai.com ou console.cloud.google.com para ver consumo em tempo real
- •Custo por agente: Sisyphus e Prometheus consomem mais (modelos grandes). Oracle, Librarian e Explore consomem menos (modelos leves/gratuitos)
- •Otimizacao: Use modelos gratuitos para suporte, reserve pagos para tarefas criticas
- •Alerta: Configure alertas de gasto nos dashboards dos provedores para evitar surpresas
📊 Estimativas de custo tipicas
- Tarefa simples (natural): ~$0.05 - $0.20
- Projeto medio (Prometheus): ~$0.50 - $2.00
- Projeto grande (ultrawork): ~$2.00 - $8.00
- Com /ulw-loop: Multiplique por 2-4x (cada ciclo consome tokens)
- 100% gratuito: $0.00 (mas qualidade menor)
📚 Resumo do Modulo
Proximo Modulo:
4.8 - Projeto guiado completo: do zero ao deploy