Cinema para quem lembra da cena, da sensação — mas não do título.
Que filme é esse?
Conte o que você lembra. Uma cena, uma frase, o clima da história — nós conectamos os pontos.
Mais filmes nessa vibe
Parta de um filme que você gostou e encontre conexões de tema e público.
Digite um filme que você curtiu e veja outros parecidos — por tema e por quem também gostou. Ex.: gostei de Blade Runner, quero mais como ele.
Essenciais do cinema
Explore o cânone por gênero, estilo ou diretor, já em ordem para assistir.
Os filmes que todo cinéfilo precisa ver — por gênero (terror...), estilo (giallo, noir, slasher...) ou diretor (Dario Argento...). Cada filme conta uma vez, no seu gênero principal (Pulp Fiction fica no Crime, não na Comédia). Ranking de clássico: aclamação (nota) + fama (votos) + longevidade (continua relevante décadas depois).
Escolha filmes que você curte
Monte um perfil rápido e receba recomendações personalizadas.
Clique nos filmes que você curte — quanto mais escolher, melhor o seu perfil. Depois é só recomendar.
Traga seu Letterboxd
Use suas notas existentes para começar com um perfil mais completo.
Exporte suas notas no Letterboxd em
Settings → Import & Export → Export your data
e envie o ratings.csv de dentro do .zip.
Diário de filmes
Notas, curtidas, resenhas e datas em um histórico só seu.
Seu diário: nota em estrelas, ❤ de curtida, resenha e data — tudo salvo aqui na plataforma. Para avaliar (ou editar), abra a ficha de qualquer filme.
Listas para assistir
Organize filmes e franquias na sequência que fizer sentido para você.
Monte listas com a ordem certa de assistir — arraste para reordenar. Pela ficha de um filme dá para adicioná-lo a qualquer lista, ou importar a franquia inteira de uma vez.
Como o motor funciona
Busca por sinopse = recuperação híbrida: vários sinais independentes
(léxico, semântico, temático, personagem, enredo da Wikipédia), fundidos e medidos, mais uma
dupla de passos que consulta uma LLM (Groq, grátis) pra entender a consulta antes
de buscar e conferir a sinopse antes de decidir. Recomendação = filtragem colaborativa (SVD) +
perfil de conteúdo. Os números abaixo vêm da avaliação executável
(python -m eval.run) versionada no repo, não são chute.
Boa parte disso nasceu de busca real de gente usando o site: o painel administrativo loga toda consulta (sem dado pessoal), e ler esse log revelou padrões de erro (objeto citado uma vez, personagem com erro de grafia, fato composto) que motivaram cada técnica abaixo, na ordem em que foram descobertas.
Ablação por sinal
Cada sinal isolado vs. a fusão — recuperação known-item, split de teste held-out.
Orçamento de latência do encoder
nDCG@10 × latência de encode × RAM. O servidor de produção é CPU, sem GPU.
Latência por etapa, ao vivo
p50 / p95 / p99 em ms do tráfego real deste processo — via cinerd_stage_seconds.