Luca Sacchi Ricciardi
1.5 KiB
Documento di Analisi Funzionale Flusso dei Dati Trigger: L'utente clicca sul pulsante "Save to Drive" nell'estensione.
Scraping: Il Content Script estrae il testo dal container principale della chat (es.
o selettori specifici per provider).Inference (Core Logic):
Il testo viene passato a un Web Worker per non bloccare la UI.
Il modello LLM esegue un task di "Structuring": identifica i turni di conversazione.
Output: [{role: "user", content: "..."}, {role: "assistant", content: "..."}].
Formatting: Un modulo helper trasforma il JSON in una stringa Markdown, aggiungendo metadati (Data, URL sorgente, Titolo).
Export:
Controllo del token OAuth tramite chrome.identity.
Chiamata POST a https://www.googleapis.com/drive/v3/files.
Mimetype: text/markdown o conversione in Google Doc.
Casi d'Uso Principali UC1: Archiviazione Sessione di Debug: Lo sviluppatore salva una sessione di coding con ChatGPT per riferimento futuro nel proprio Drive tecnico.
UC2: Creazione di Documentazione: Trasformazione di un brainstorming con Gemini in una bozza di progetto strutturata.
Gestione Errori e Casi Limite Modello troppo pesante: Se la GPU non è disponibile, fallback su Wasm (CPU) con avviso di latenza all'utente.
Chat molto lunghe: Implementazione di un sistema di "sliding window" per il contesto dell'LLM locale (limite tipico 2k-8k token).
Cambio DOM: Se il modello non identifica blocchi validi, fallback su un parser basato su regole (Regex/CSS) e log dell'errore per aggiornare le specifiche.