Architettura e infrastruttura

Come funziona Journetta

Journetta non è solo un'interfaccia di chat. Dietro corre un'infrastruttura a sé stante: Supabase Edge Functions, una pipeline di prompt multi-livello e un sistema di memoria basato su una vera ricerca vettoriale, non su una semplice finestra di chat. Ecco come funziona davvero dietro le quinte.

Pipeline di prompt di sistema

Una risposta, sei livelli di contesto assemblati al volo

La chat gira tramite una propria Supabase Edge Function. A ogni messaggio, il prompt di sistema viene ricostruito da zero - non a partire da un modello fisso, ma da un massimo di sei livelli, uniti in tempo reale da fonti diverse prima che qualsiasi richiesta arrivi al modello linguistico.

Identità di sistema e logica delle fasi

Regole fisse per la conduzione della conversazione, il tono e le transizioni tra le fasi di coaching - scritte una sola volta, indipendentemente dalla lingua dell'utente.

Impostazioni della persona

Nome, tono di voce e istruzioni speciali dalle impostazioni proprie dell'utente, ricaricate dal database a ogni richiesta.

Il coach giusto

Uno dei sei coach specializzati, scelto automaticamente in base all'argomento (instradamento multi-agente).

Profilo e obiettivi

Obiettivi, visione e impegni aperti direttamente dai dati dell'utente - senza una chiamata separata, nella stessa richiesta.

Ricordi tramite ricerca vettoriale

I ricordi più rilevanti, trovati per similarità sugli embedding (Retrieval-Augmented Generation) invece che per semplice parola chiave.

Riepilogo e ultimi messaggi

Un riepilogo della conversazione aggiornato di continuo più gli ultimi messaggi così come sono, perché la finestra di contesto del modello non vada in overflow.

Tutto insieme produce, a ogni risposta, un prompt di sistema nuovo e su misura.

Memoria e RAG

Una memoria che cerca davvero, non solo archivia

La memoria a lungo termine di Journetta è costruita sul Retrieval-Augmented Generation: Postgres con l'estensione pgvector come database vettoriale, più un indice HNSW per ricerche veloci per similarità. I ricordi non nascono durante la chat stessa, ma in una pipeline separata che gira in background.

Riconoscimento automatico degli schemi

Le nuove conversazioni vengono analizzate automaticamente alla ricerca di temi e apprendimenti ricorrenti - senza che nessuno debba segnalarli o salvarli manualmente.

Basato su vettori, non su parole chiave

I ricordi vengono salvati come vettori, in modo da trovare contenuti con lo stesso significato anche se espressi in modo diverso.

Deduplicazione invece di doppioni

I ricordi già esistenti nella sostanza vengono riconosciuti e rafforzati invece di essere salvati di nuovo - così emergono nel tempo schemi solidi e ricorrenti.

Recupero in base al contesto

A ogni nuovo messaggio vengono recuperati esattamente i ricordi più rilevanti per la conversazione in corso.

Memoria su più livelli

Più che singoli ricordi

Oltre ai singoli ricordi, Journetta costruisce qualche livello di memoria in più - da riepiloghi condensati su settimane e mesi fino a ipotesi caute sull'utente. Dietro ci sono diversi processi in background piccoli e specializzati, invece di uno solo grande.

Riepiloghi settimanali e mensili

Oltre al riepilogo della conversazione in corso, un workflow separato aggrega i ricordi su periodi più lunghi in report di livello superiore - così i temi ricorrenti diventano visibili anche su settimane e mesi.

Una comprensione più profonda, non solo fatti

Un processo settimanale ricava ipotesi caute sull'utente a partire dai ricordi accumulati - visibili ed esplicitamente contestabili, non un profiling silenzioso in background.

Impulsi di conversazione notturni

Un altro processo in background individua i momenti in cui qualcuno sembra bloccato e li trasforma in propri impulsi di conversazione per il prossimo messaggio proattivo - indipendentemente da qualsiasi sessione di chat attiva.

Tante piccole estrazioni invece di una grande

Estrazione dei fatti, apprendimento dello stile di scrittura, riepiloghi e impulsi notturni girano come workflow separati, ciascuno con una propria chiamata IA mirata - invece di un unico prompt che fa tutto.

Più coach, una sola conversazione

Rilevamento automatico dell'argomento invece della scelta manuale

Invece di un unico prompt di sistema generico, Journetta mantiene sei coach indipendenti nel database. Un passaggio di classificazione determina quale si adatta a ogni messaggio e cambia a metà conversazione non appena l'argomento cambia in modo percettibile.

Coach Carriera

Temi professionali, priorità in conflitto, decisioni

Coach Disciplina

Abitudini, routine, procrastinazione

Coach Mentale

Stress, insicurezza, blocchi interiori

Coach Relazioni

Conflitti, comunicazione, vicinanza

Coach Riflessione

Valori, identità, domande aperte

Generalista

Tutto il resto - il caso più frequente

Automazione in background

n8n come livello di automazione a parte

Buona parte di ciò che fa funzionare Journetta non avviene durante la chat, ma dopo: una rete separata di workflow n8n, eseguiti a orario, che accedono ai medesimi dati della chat tramite l'API di Supabase.

Pipeline di memoria

Viene eseguita automaticamente in background, elabora le nuove conversazioni con una chiamata a un modello di IA e riscrive i risultati nel database.

Messaggi proattivi

Orari dedicati controllano regolarmente schemi ricorrenti o impegni aperti e, quando ha senso, scatenano un messaggio push.

Riflessione settimanale e mensile

Job dedicati riassumono la settimana o il mese, fanno scrivere una sintesi a un modello linguistico e ne salvano il risultato.

Versionato come il resto del codice

Ogni workflow vive come un proprio file nello stesso repository del resto del codice - tracciabile invece che sparso.

App nativa e push

Un'unica codebase, una vera app nativa

Nel suo nucleo, Journetta è un'applicazione Nuxt incorporata in un'app Android nativa tramite Capacitor. Invece di mantenere due codebase separate, l'app carica la versione web in produzione - funzionalità native come le notifiche push passano comunque per veri bridge nativi.

Capacitor invece di una seconda codebase

Un'unica codebase Nuxt, estesa con plugin nativi e una build Android tramite Capacitor.

Push tramite OneSignal

Le notifiche passano per una edge function dedicata e OneSignal, con una propria gestione dei dispositivi - non direttamente tramite Firebase.

Una sola pipeline per web e app

Messaggi proattivi e promemoria usano lo stesso codice sia per le push web che per quelle native - un unico percorso invece di due.

Infrastruttura e privacy

Costruito su uno stack moderno e consolidato

L'intera infrastruttura gira su Supabase. Ai modelli di IA arriva esclusivamente il contenuto scritto dagli utenti stessi - mai il nome, l'indirizzo e-mail o altri dati che identifichino direttamente una persona. È una separazione costruita così dal punto di vista tecnico, non solo una policy.

Nuxt 4 (SSR)Supabase (Postgres, Auth, Edge Functions, RLS)pgvector + indice HNSWn8n (orchestrazione dei workflow)LLM self-hostedCapacitor (wrapper Android nativo)Cloudflare (hosting)Stripe (fatturazione)