JulianFlux es un sistema de gestión de datos que reemplaza las bases de datos vectoriales estáticas por un motor de razonamiento dinámico. Diseñado para resolver las limitaciones de los modelos de recuperación asistida por generación (RAG) tradicionales, que suelen caer en alucinaciones y bucles lógicos al depender de métricas euclidianas discretas como la similitud coseno, este proyecto introduce conceptos de física electromagnética para la recuperación y enrutamiento de información.
El sistema comprime embeddings de alta dimensión en un manifold de baja dimensión y calcula un campo electrodinámico continuo. En lugar de medir distancia, utiliza una fuerza de Lorentz modificada para guiar a los agentes de IA. La arquitectura incluye la Transformación Rápida de Julian-Gauss (JG-FT), que reduce espacios semánticos de 768D a 128D, y bandas de ancho dinámicas que adaptan la densidad semántica local. Además, asigna cargas topológicas a los datos para repeler matemáticamente las contradicciones y los hechos obsoletos mediante la Ley de Inducción de Faraday.
El proyecto, de código abierto, ofrece herramientas en Python para demostrar estas matemáticas, incluyendo un benchmark adversarial que busca un 0% de alucinaciones a escala. Para entornos de producción de alta frecuencia, se ofrece una versión en Rust/CUDA que elimina el bloqueo global del intérprete de Python (GIL) para ejecutar ecuaciones en tiempo real. Esta solución busca mejorar la fiabilidad de los agentes de IA en entornos corporativos mediante una arquitectura de campo continuo en lugar de archivos estáticos.