📐 Force-Directed 3D
Simulação física (Barnes-Hut) posiciona arquivos em coordenadas (x, y, z) ∈ [-1, 1]³. Atração proporcional ao acoplamento; repulsão entre independentes.
📊 GSE · Analytics
2h de setup.
2h de setup.
3 fontes cruzadas.
5 descobertas.
Uma prova de conceito real desenvolvida para o GSE.
Setup de 1 hora + processamento de minutos.
O mesmo trabalho, no fluxo manual, levaria aproximadamente 3 semanas.
O que 2 horas de setup produziram
108 laboratórios na base original + 3 fontes consultadas. Resultado abaixo.
113
Laboratórios mapeados
108 originais + 5 novos descobertos
108 originais + 5 novos descobertos
3
Fontes cruzadas
Google + Maps + Base interna + Dados GSE
Google + Maps + Base interna + Dados GSE
3
Modelos IA validaram
3 provedores diferentes, mesmo resultado
3 provedores diferentes, mesmo resultado
~3 semanas
Tempo estimado no fluxo manual
vs 2h de setup + minutos de execução
vs 2h de setup + minutos de execução
O que é Topos R³
Um motor de inteligência espacial que transforma qualquer base de arquivos em um grafo tridimensional. Cada arquivo vira um ponto (x, y, z) — próximos quando acoplados, distantes quando independentes.
📏 Distância = Acoplamento
Distância euclidiana como métrica de coupling: d < 0.5 = hard coupled (revisar juntos); d ≥ 1.2 = decoupled (edição segura).
🧭 8 Octantes
O cubo unitário dividido em 8 octantes. Arquivos no mesmo octante compartilham contexto arquitetural. Experience Cards ancorados por octante.
$$d(v_i, v_j) = \|\phi(v_i) - \phi(v_j)\|_2$$
Distância euclidiana entre dois arquivos no espaço R³
Geometria vs Embeddings
RAG otimiza para similaridade semântica (cosseno entre vetores). R³ otimiza para acoplamento estrutural (distância euclidiana). Complementares — mas fundamentalmente diferentes.
| Métrica | R³ Wave Search | RAG Local (BGE-small) | RAG Cloud (estimado) |
|---|---|---|---|
| Latência | 0.34 ms | 22 ms | 999 ms |
| Tokens / Query | 0 | 0 | 655 |
| Precisão@5 | 100% | 50% | 90% |
| Recall@10 | 97% | 55% | 93% |
| Custo / Query | $0 | $0 | $0.000166 |
| Velocidade relativa | 1× (baseline) | 65× mais lento | 2.927× mais lento |
📐 Similaridade de Cosseno (RAG)
$$\cos(\theta) = \frac{A \cdot B}{\|A\| \|B\|}$$
Mede o ângulo entre vetores semânticos. Útil para linguagem natural: "qual arquivo fala sobre autenticação?"
Requer: embeddings (384d+), API externa opcional, custo por query.
📏 Distância Euclidiana (R³)
$$d = \sqrt{(x_i - x_j)^2 + (y_i - y_j)^2 + (z_i - z_j)^2}$$
Mede a proximidade real no espaço de dependências. Captura acoplamento estrutural: "qual arquivo está próximo do auth.ts?"
Requer: indexação local (uma vez), zero API, zero tokens por query.
💡 Insight central
Enquanto RAG pergunta "qual arquivo fala sobre X?" (semântica), R³ pergunta "qual arquivo está estruturalmente próximo de X?" (geometria). Dois arquivos podem ser semanticamente distantes (auth vs metrics) e estruturalmente acoplados (compartilham tipo de sessão). A geometria captura isso; embeddings não.
O que funciona na prática
Cada demo resolve um problema real. Clique para explorar.
Estatística e Analytics
Dashboard, testes de hipótese, cruzamento de fontes
Dashboard de Indicadores 108 laboratórios mapeados. 21 alto potencial. Gráficos Chart.js com Score. Ver demo → Análise Estatística Shapiro-Wilk + Mann-Whitney. p < 0.001. Fórmulas KaTeX. Ver demo → Cruzamento 3 Fontes Google + Maps + Base interna. 5 novos descobertos. Ver demo → Matemática + KaTeX 7 expressões: Mann-Whitney, Shapiro-Wilk, Score, desvio padrão. Ver demo →
Prototipação de Produto
Descreva a tela → IA gera o HTML
Automação para o Time
Newsletter e curadoria automatizadas