Topos R³ indexa qualquer repositório em um grafo 3D. Busca por geometria, não por embedding.
Zero tokens, sub-milissegundo, offline.
Um motor de inteligência espacial que transforma qualquer codebase em um grafo tridimensional. Cada arquivo vira um ponto no espaço 3D — arquivos que compartilham símbolos e imports ficam próximos; independentes ficam distantes.
Simulação física (Barnes-Hut) posiciona arquivos em coordenadas (x, y, z) ∈ [-1, 1]³. Atração proporcional ao acoplamento; repulsão entre independentes.
Distância euclidiana como métrica de coupling: d < 0.5 = hard coupled (revisar juntos); d ≥ 1.2 = decoupled (edição segura).
O cubo unitário é dividido em 8 octantes. Arquivos no mesmo octante compartilham contexto arquitetural. Experience Cards ancorados por octante.
Distância euclidiana entre dois arquivos no espaço R³
O Topos R³ atende de ponta a ponta a cadeia de desenvolvimento, negócios e analytics.
APIs, escalabilidade, integração. Acoplamento zero: edite arquivos sem quebrar vizinhos. Preflight automático antes de cada alteração.
API · Scaling · CouplingWave Search para encontrar arquivos por geometria. Testes de hipótese, pipelines reprodutíveis, relatórios com fórmulas KaTeX.
Wave Search · Pipelines · ReprodutibilidadeEficiência operacional: protótipos em 2 minutos (não dias). Autonomia do time, validação multi-modelo, ROI mensurável.
ROI · Autonomia · Speed-to-PrototypeCada demo resolve um problema real. Clique para explorar.
108 laboratórios mapeados. 21 alto potencial. Gráficos Chart.js com Score em KaTeX.
Ver demo →Shapiro-Wilk + Mann-Whitney. p < 0.001 entre Alto e Médio. Fórmulas KaTeX.
Ver demo →Google + Maps + Base interna. 5 novos descobertos. Pipeline reprodutível.
Ver demo →Vision API analisa design. IA recria em HTML+CSS. Design original vs recriação.
Ver demo →Newsletter automática: Hacker Noon, HN, Daily.dev, The Verge + papers.
Ver demo →7 expressões: Mann-Whitney, Shapiro-Wilk, Score, desvio padrão, IC 95%.
Ver demo →R³ DB é um banco de dados geométrico nativo. Registros não são indexados por chave ou texto — são indexados por proximidade espacial no espaço de dependências.
O motor Go analisa imports, exports e call sites. Aplica simulação force-directed (80 iterações). Cada arquivo recebe coordenadas (x, y, z).
Linguagem de consulta que estende predicados espaciais com semântica estrutural:
Quando uma região do espaço R³ acumula 3+ arquivos em raio 0.5, ela é classificada como Hot Zone — área de instabilidade arquitetural onde mudanças se propagam rapidamente. O agente recebe um campo de tensor de risco sobre o codebase.
RAG otimiza para similaridade semântica (cosseno entre vetores). R³ otimiza para acoplamento estrutural (distância euclidiana no espaço de dependências). 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 | 1x (baseline) | 65x mais lento | 2.927x mais lento |
Mede o ângulo entre vetores semânticos. Útil para linguagem natural: "qual arquivo fala sobre autenticação?"
Requer: embeddings (384d+), API externa opcional, custo por query.
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.
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.
Validação em produção: 3 dias de prospecção comercial real.