빌딩 센서는 물리적 토폴로지, 공간 계층 구조 및 운영 컨텍스트에 내장되어 있지만, 기존의 예측 모델들은 종종 이를 고립된 시계열(time series)로 취급하거나 고정된 공변량(covariate) 세트에 의존합니다. 우리는 제로샷 빌딩 IoT (Internet-of-Things) 예측을 위한 훈련이 필요 없는 프레임워크인 TopoBrick을 제시합니다. TopoBrick은 빌딩 지식 그래프를 사용하여 간결한 구조적 골격(structural skeleton)을 구성하고, 에이전트적 토폴로지 샘플러(agentic topology sampler)를 활용하여 목표 특정 외생 변수(exogenous variables)를 선택합니다. 선택된 변수들은 배포 시점 가용성에 따라 조직되어, 과거에 알려진 센서 상태와 미래에 알려진 캘린더, 스케줄 및 기상학적 외생 변수를 분리합니다. 세 개의 실제 빌딩을 대상으로 한 테스트에서 TopoBrick은 강력한 제로샷 파운데이션 모델(foundation-model) 기준 성능을 능가하며, 완전히 훈련된 빌딩별 특정 모델과도 경쟁할 수 있는 수준을 유지했습니다. 제거 분석(Ablations) 결과는 토폴로지 인식 샘플링이 무작위(random), 온톨로지 전용(ontology-only), 또는 고정 호프(fixed-hop) 선택보다 더 신뢰성이 높다는 것을 보여주었으며, 특히 물리적으로 연결된 HVAC 및 날씨 구동 센싱 변수에 대해 그러했습니다.