Para cada algoritmo/pipeline, calcular:
- Complexidade de tempo: T(n) com constantes explícitas
- Complexidade de espaço: S(n) incluindo stack frames
- Complexidade amortizada: Φ(estrutura) com potencial de Banach
- Complexidade de comunicação: para sistemas distribuídos/BT

Modelar como grafo dirigido G = (V, E) onde:
- V = componentes/módulos/funções
- E = dependências/chamadas/fluxo de dados
- Detectar: ciclos (dependências circulares), cliques (acoplamento excessivo)
- Calcular: centralidade de betweenness (single points of failure)
- Analisar: componentes fortemente conectados (SCCs)

Representar máquinas de estado como matrizes de transição M:
- M[i][j] = probabilidade de i→j
- Eigenvalues de M = estados estacionários
- Matriz de acessibilidade R = I + M + M² + ... + Mⁿ

Para cada interface/API, calcular:
- Entropia H(X) = -Σ p(x)log₂p(x) dos estados possíveis
- Informação mútua I(X;Y) entre inputs e outputs
- Capacidade de canal C = max I(X;Y) para otimização de throughput

Processo P = (S, s₀, Σ, δ, F) onde:
- S = conjunto de estados
- s₀ = estado inicial
- Σ = alfabeto de eventos
- δ: S × Σ → S = função de transição
- F ⊆ S = estados de aceitação

Verificar:
- Deadlock: estado s onde ∄ evento e: δ(s,e) definido
- Livelock: ciclo de estados não-produtivos
- Race condition: ∃ dois processos P, Q onde P ≻ Q ≠ Q ≻ P (não-comutatividade)

Propriedades a verificar:
- Safety: AG(¬bad_state) — "nunca acontece algo ruim"
- Liveness: AG(AF(good_state)) — "sempre eventualmente algo bom"
- Fairness: GF(enabled) → GF(executed) — "habilitado implica executado"

Relação → (happens-before):
- a → b se ∃ sequência de comunicações a₁→a₂→...→b
- Race condition iff ∃ a,b: ¬(a→b) ∧ ¬(b→a) ∧ acessam mesmo dado

Para pipelines de dados (voz → STT → LLM → TTS):
- Modelar como rede de Jackson: M/M/1 ou M/M/k queues
- λ = taxa de chegada, μ = taxa de serviço
- ρ = λ/μ = utilização (deve ser < 1 para estabilidade)
- E[W] = ρ/(μ(1-ρ)) = tempo médio de espera
- E[N] = ρ/(1-ρ) = número médio de itens

Para problemas de scheduling e alocação de recursos:
- Reformular como min f(x) s.t. g(x) ≤ 0, h(x) = 0
- Verificar convexidade: ∇²f(x) ⪰ 0 (Hessiana PSD)
- Dual de Lagrange: máx L(x,λ,ν) = f(x) + λᵀg(x) + νᵀh(x)
- Condições KKT para otimalidade global

Para sistemas de tempo real (Bluetooth SCO, STT latency):
- Modelar como processo estocástico {X_t}
- Calcular: média μ, variância σ², autocorrelação R(τ)
- Detectar: estacionariedade (ADF test), outliers (Grubbs test)
- Predizer: ARIMA(p,d,q) para latência futura
- Bounds probabilísticos: P(latência > T) com concentração de Markov/Chebyshev

Para cada função/método, escrever:
{Pré-condição P} código {Pós-condição Q}

Onde:
- P = conjunto de estados válidos de entrada (em lógica predicativa)
- Q = conjunto de estados válidos de saída
- Invariante de loop I: P→I, {I∧B}corpo{I}, I∧¬B→Q

Exemplos para Kotlin:
{token ≠ null ∧ |token| > 0} sendRequest(token) {result.isSuccess ∨ result.isError}
{isConnected = true} startSCO() {isRecording = true ∨ throws BluetoothException}

Em Kotlin, tipos são proposições:
- A? = A ∨ ⊥ (nullable = pode falhar)
- Result<A,E> = A ∨ E (pode ser sucesso ou erro)
- Flow<A> = □A (sempre A, eventualmente)
- suspend fun = continuação monadica

Analisar: força o compilador a provar propriedades? Ou há "buracos" (force unwrap `!!`)?

Para arquitetura MVVM:
- Model: categoria de dados (objetos = tipos, morfismos = transformações)
- ViewModel: functor F: Model → ViewModel que preserva estrutura
- View: functor G: ViewModel → View

Composição: G∘F: Model → View (deve ser functorial — preservar identidades e composição)

Verificar: naturalidade das transformações (não depende de implementação específica)

Identificar padrões monádicos no código:
- Maybe/Option: computação que pode falhar
- IO/Suspend: computação com efeitos colaterais
- State: computação com estado mutável
- Reader: computação com ambiente/configuração

Uma mônada M deve satisfazer:
1. Left identity: return a >>= f ≡ f a
2. Right identity: m >>= return ≡ m
3. Associativity: (m >>= f) >>= g ≡ m >>= (λx. f x >>= g)

Violações dessas leis = bugs sutis de composição

Modelar como máquina de Mealy M = (S, I, O, δ, λ, s₀):
S = {IDLE, RECORDING, TRANSCRIBING, QUERYING_LLM, SPEAKING, ERROR}
I = {startRecording, stopRecording, sttResult, llmResult, ttsComplete, error}
O = {audioCapture, sttRequest, llmRequest, ttsRequest, notification}

Verificar:
- Completude: δ definida para todos (s,i) ∈ S×I?
- Determinismo: δ é função (não relação)?
- Alcançabilidade: todos estados em S são alcançáveis?
- Ausência de deadlock: ∄ s ∈ S: ∀i, δ(s,i) = s (estado absorvente indesejado)

Sistema de prioridade de roteamento como função monotônica:
priority: AudioSource → ℤ
priority(BLE) > priority(SCO) > priority(USB) > priority(WIRED) > priority(BUILTIN)

Invariante: O sistema sempre usa o source disponível de maior prioridade.
Verificar: quando um source de maior prioridade aparece, ocorre switching correto?
Corolário: sem starvation — source de alta prioridade não é ignorado indefinidamente

Factory como functor F: Provider → LlmClient
F deve ser:
- Total: definido para todos providers
- Determinístico: mesmo provider → mesmo tipo de cliente
- Composável: F(provider).send(msg) tem semântica consistente para todos providers

Análise de interface: LlmClient.send() deve satisfazer contrato uniforme:
{msg ≠ null ∧ apiKey válida} send(msg) {result é LlmResponse ∨ throws tipificado}

9 ferramentas = 9 operações com side effects sobre sistema Android
Cada tool é uma IO monad: IO<Result<ToolResult, ToolError>>

Analisar:
- Idempotência: tool(x) = tool(tool(x))? (critical para retry logic)
- Comutatividade: executar tool A então B = B então A? (para paralelização)
- Atomicidade: tool falha parcialmente ou tudo-ou-nada?

StateFlow como processo reativo S = (State, Ev

undefined

// código concreto

---

viewModelScope: Ciclo = onCreate → onCleared()
  - Sobrevive a rotações de tela (Configuration Changes)
  - Cancela apenas quando ViewModel é destruído (backstack pop, finish())
  - Usado para: operações de dados, observação de StateFlow

lifecycleScope: Ciclo = onCreate → onDestroy()
  - Cancela em qualquer destruição, incluindo rotações
  - Menos útil que repeatOnLifecycle para maioria dos casos

repeatOnLifecycle(State.STARTED): Ciclo = onStart → onStop (cicla!)
  - O padrão moderno correto para coletar Flows na UI
  - A cada onStop, cancela o collect; a cada onStart, reinicia
  - Evita processamento de updates quando app está em background

Invariante crítico para Auri VoicePipeline:
observeSttResults() usa viewModelScope → collect() continua em background
Correto para voice assistant (queries LLM mesmo em background)
Mas: STT callbacks chegam mesmo com UI destruída → UI updates tentam
atualizar Compose que não existe mais → crash potencial se não há guarda

Verificar: toda emissão para _state (StateFlow de UI) deve verificar
se há collector ativo, OU usar repeatOnLifecycle na UI

Seja L = (CREATED, STARTED, RESUMED, PAUSED, STOPPED, DESTROYED)
repeatOnLifecycle(State.X) define um processo que:
- ACTIVE quando lifecycle.state >= X
- CANCELLED quando lifecycle.state < X

Para cada transição de ciclo de vida → restart automático do Flow collect
Semantica: exatamente como ligar/desligar uma tomada em onStart/onStop

Quando usar o quê:
- StateFlow de UI state → repeatOnLifecycle(STARTED)
- StateFlow de dados de negócio → viewModelScope (sem parar)
- Events one-shot (toast, navigation) → SharedFlow ou Channel + viewModelScope

StateFlow<T>:
  - Buffer = 1 (apenas último valor)
  - Replay = 1 (novo subscriber recebe último valor imediatamente)
  - Fusão: emissões rápidas são fundidas — estados intermediários PERDIDOS
  - Invariante: _state.value sempre reflete o estado ATUAL

SharedFlow<T>(replay=0, extraBufferCapacity=N):
  - Buffer = N (configurgável)
  - Replay = configurgável (0 = sem replay para novos subscribers)
  - Sem fusão: cada emissão distinta é entregue (se buffer não transborda)
  - Uso: eventos one-shot (erros, navegação, toasts)

Channel<T>(BUFFERED):
  - Produção-consumo: cada item entregue exatamente uma vez
  - Sem replay
  - Hot: produção pode bloquear se buffer cheio
  - Uso: comunicação ponto-a-ponto entre coroutines

Decisão matemática para cada caso em Auri:
pipelineState         → StateFlow ✅ (UI quer estado atual, não histórico)
erros para toast      → SharedFlow(extraBufferCapacity=10) ✅ (one-shot events)
audio PCM chunks      → Channel(BUFFERED) ✅ (stream point-to-point)
sttResult            → StateFlow ✅ (UI quer resultado atual)

// ERRADO: usar StateFlow para eventos one-shot
private val _error = MutableStateFlow<String?>(null)

// Problema 1: novo observer recebe o erro antigo ao se registrar
// Problema 2: para "consumir" o erro, precisa emitir null depois
// Problema 3: race condition entre emitir null e próxima leitura

// CORRETO: SharedFlow para eventos one-shot
private val _error = MutableSharedFlow<String>(extraBufferCapacity = 1)
fun sendError(msg: String) { _error.tryEmit(msg) }

RCI(C) = CC(C) × (1 - stability_ratio(C)) × depth_of_state_reads(C)

Onde:
- CC = complexidade ciclomática da função @Composable
- stability_ratio = fração de parâmetros @Stable ou primitivos
- depth_of_state_reads = quantos StateFlows diferentes são lidos em C

Para DiagnosticsScreen (CC=54, lê 4+ StateFlows, poucos params estáveis):
RCI ≈ 54 × 0.8 × 4 = 172.8  ← CRÍTICO

Para comparação: HomeScreen ideal teria RCI < 20

Consequência: qualquer mudança em qualquer um dos 4+ StateFlows
aciona recomposição do scope INTEIRO de DiagnosticsScreen.
Se STT state muda 10x/segundo → DiagnosticsScreen recompõe 10x/segundo.

// PADRÃO 1: derivedStateOf — só recompõe se resultado muda
val isRecording by remember {
    derivedStateOf { pipelineState.value.stage == RECORDING }
}

// PADRÃO 2: dividir em sub-composables menores
@Composable fun DiagnosticsScreen(...) {
    Column {
        SttDiagnostics(sttState)      // recompõe só quando sttState muda
        BtDiagnostics(btState)        // recompõe só quando btState muda
        LlmDiagnostics(llmState)      // recompõe só quando llmState muda
    }
}

// PADRÃO 3: key() para forçar identidade estável
LazyColumn {
    items(items = tools, key = { it.id }) { tool ->
        ToolCard(tool)  // apenas o item com id mudado recompõe
    }
}

Intent I = (action?, componentName?, data?, extras, flags)

Segurança formal:
- Explicit Intent: componentName ≠ null
  → Entregue exatamente ao componente especificado
  → Seguro: só aquele app recebe

- Implicit Intent: componentName = null, action ≠ null
  → Sistema resolve para apps com intent-filter matching
  → INSEGURO se múltiplos apps podem responder
  → Risco: app malicioso declara intent-filter → intercepta

Análise AuriToolExecutor:
makePhoneCall()  → ACTION_CALL (implicit) → qualquer app pode interceptar
setAlarm()       → ACTION_SET_ALARM (implicit) → qualquer app de alarme
sendEmail()      → GmailClient direto (API) → não usa Intent → SEGURO
sendWhatsApp()   → URL scheme "https://wa.me/" → qualquer browser intercepta
                   EXCETO quando usa ACTION_SEND + setPackage("com.whatsapp") → SEGURO

Risco de Intent Hijacking para chamada telefônica:
P(interceptado | app malicioso instalado) = 1.0 (se app registrou ACTION_CALL)
P(app malicioso instalado) = baixo em dispositivos normais, mas não zero
Mitigação: verificar intent.resolveActivity() antes de lançar, ou usar
ACTION_DIAL (mais seguro: exige confirmação do usuário)

// INSEGURO: URL scheme pode ir para qualquer browser
startActivity(Intent(Intent.ACTION_VIEW, Uri.parse("https://wa.me/$phone?text=$text")))

// SEGURO: explicit via setPackage
val intent = Intent(Intent.ACTION_SEND).apply {
    type = "text/plain"
    putExtra(Intent.EXTRA_TEXT, "$phone: $text")
    setPackage("com.whatsapp")  // força WhatsApp específico
}
if (intent.resolveActivity(packageManager) != null) {
    startActivity(intent)
} else {
    // fallback gracioso
}

Seja C_n = custo acumulado após n chamadas LLM (em USD)
C_n = Σ(i=1..n) X_i

Onde X_i = custo da i-ésima chamada:
X_i = (input_tokens_i × price_input + output_tokens_i × price_output) / 1000

Para gpt-4o (2025): price_input=$0.0025/1K, price_output=$0.010/1K
X_i típico: 200 input tokens + 150 output tokens ≈ $0.0005 + $0.0015 = $0.002

E[C_n] = n × E[X_i] = n × $0.002
Var[C_n] = n × Var[X_i]

Risco de ruína: P(C_n > L) → 1 para n → ∞ (crescimento inevitável)

Concentração de Chebyshev:
P(|C_n - E[C_n]| > k×sqrt(Var[C_n])) ≤ 1/k²

Para n=100 chamadas: E[C_100] ≈ $0.20, P(> $0.50) < 10% (k≈3)
Para n=1000 chamadas: E[C_1000] ≈ $2.00, P(> $5.00) < 10%

Histórico de conversação em Auri: _conversationHistory.value = history + listOf(...)
Crescimento: O(n) tokens por n turnos (sem truncamento)

Para gpt-4o com max_context=128k tokens:
Ponto de ruptura: n_max = 128000 / avg_tokens_per_turn ≈ 128000 / 350 ≈ 365 turnos

Após 365 turnos: HTTP 400 "context_length_exceeded" — não tratado explicitamente
Comportamento atual: exceção genérica → estado ERROR no pipeline

Estratégia ótima de truncamento (Sliding Window com preservação):
Manter: [system_prompt] + [últimas K mensagens completas] + [resumo comprimido das antigas]
K ótimo: K = max_context / (2 × avg_tokens_per_turn) — usa metade do contexto
Resumo: comprimir messages[0..n-K] em 1-2 frases via LLM summary call
Custo extra do resumo: 1 chamada adicional a cada K turnos ≈ amortizado para 0