Architettura e infrastruttura
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
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.
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.
Nome, tono di voce e istruzioni speciali dalle impostazioni proprie dell'utente, ricaricate dal database a ogni richiesta.
Uno dei sei coach specializzati, scelto automaticamente in base all'argomento (instradamento multi-agente).
Obiettivi, visione e impegni aperti direttamente dai dati dell'utente - senza una chiamata separata, nella stessa richiesta.
I ricordi più rilevanti, trovati per similarità sugli embedding (Retrieval-Augmented Generation) invece che per semplice parola chiave.
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
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.
Le nuove conversazioni vengono analizzate automaticamente alla ricerca di temi e apprendimenti ricorrenti - senza che nessuno debba segnalarli o salvarli manualmente.
I ricordi vengono salvati come vettori, in modo da trovare contenuti con lo stesso significato anche se espressi in modo diverso.
I ricordi già esistenti nella sostanza vengono riconosciuti e rafforzati invece di essere salvati di nuovo - così emergono nel tempo schemi solidi e ricorrenti.
A ogni nuovo messaggio vengono recuperati esattamente i ricordi più rilevanti per la conversazione in corso.
Memoria su più livelli
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.
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.
Un processo settimanale ricava ipotesi caute sull'utente a partire dai ricordi accumulati - visibili ed esplicitamente contestabili, non un profiling silenzioso in background.
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.
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
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.
Temi professionali, priorità in conflitto, decisioni
Abitudini, routine, procrastinazione
Stress, insicurezza, blocchi interiori
Conflitti, comunicazione, vicinanza
Valori, identità, domande aperte
Tutto il resto - il caso più frequente
Automazione in background
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.
Viene eseguita automaticamente in background, elabora le nuove conversazioni con una chiamata a un modello di IA e riscrive i risultati nel database.
Orari dedicati controllano regolarmente schemi ricorrenti o impegni aperti e, quando ha senso, scatenano un messaggio push.
Job dedicati riassumono la settimana o il mese, fanno scrivere una sintesi a un modello linguistico e ne salvano il risultato.
Ogni workflow vive come un proprio file nello stesso repository del resto del codice - tracciabile invece che sparso.
App nativa e push
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.
Un'unica codebase Nuxt, estesa con plugin nativi e una build Android tramite Capacitor.
Le notifiche passano per una edge function dedicata e OneSignal, con una propria gestione dei dispositivi - non direttamente tramite Firebase.
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
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.