← Voltar à página principal 🔬 Aprofundamento

Fundamentos Técnicos do Harness

A matemática, a arquitetura e os diferenciais do R³ explicados em detalhe.

🧠 A Tecnologia

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.

📐 Force-Directed 3D

Simulação física (Barnes-Hut) posiciona arquivos em coordenadas (x, y, z) ∈ [-1, 1]³. Atração proporcional ao acoplamento; repulsão entre 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

⚡ Wave Search vs RAG

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.

🏗️ Arquitetura

Como o Harness orquestra agentes

O fluxo completo de uma tarefa: da entrada do usuário à entrega do resultado, passando por classificação, delegação, execução paralela e validação multi-modelo.

🔄 Ciclo de Execução

1. Entrada
Usuário faz um pedido em linguagem natural
→
2. Classificação
Orquestrador identifica o tipo de tarefa (análise, código, pesquisa...)
→
3. Delegação
Worker especializado recebe a tarefa com contexto completo
→
4. Execução
Worker executa (código, script, API) e produz resultado
→
5. Validação
Code-reviewer + security-analyst revisam
→
6. Memória
kb_postflight registra Experience Card no R³

🧠 Spatial Preflight

Antes de qualquer edição de código, o kb_preflight consulta o grafo R³ para encontrar:

  • Vizinhos com acoplamento forte (d < 0.5)
  • Experience Cards relevantes do mesmo octante
  • Relatório de estabilidade algébrica

💾 Experience Cards

Cada tarefa concluída gera um Experience Card — uma cápsula de conhecimento ancorada nas coordenadas 3D dos arquivos alterados. Inclui:

  • Contexto da tarefa
  • Ação executada
  • Lição aprendida
  • Confiança (1-10)
🧱 Stack

Tecnologias do Ecossistema

O Harness integra múltiplas ferramentas e provedores em um fluxo coerente.

🔧 Orquestração

  • OpenCode (runtime de agentes)
  • Plan → Build → Orquestrador
  • Worker, Debugger, Explorer
  • Code-Reviewer, Security-Analyst

🤖 Provedores de IA

  • Groq (Llama-4, visão, alta velocidade)
  • Gemini (Google, multimodal)
  • GPT-4 (OpenAI, via Codex)
  • Grok (xAI, via OpenRouter)

🔗 Integrações (MCP)

  • Playwright (navegador headless)
  • Semble (busca semântica de código)
  • Scrapling (web scraping avançado)
  • Pencil (design .pen files)
← Voltar à página principal Ver resultados