exec-fn
Herramienta de planificación personal autoalojada con IA que combate la parálisis por ansiedad. FastAPI + pipeline LLM con voz GLaDOS.
Ficha actualizada 22 sept 2026, 18:24 · upstream 22 sept 2026, 17:36 · release sin release detectada
Qué es exec-fn
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
exec-fn es un asistente personal autoalojado diseñado para combatir la parálisis por ansiedad (ADHD). Se construye sobre una arquitectura de composición en Python 3.12 usando FastAPI como backend, con un pipeline de lenguaje que combina razonamiento y clasificación. Incluye tres componentes principales: un tablero de tareas, un planner semanal basado en timeline, y un bucle de recordatorios que descompone tareas en pasos intermedios. Todo se ejecuta mediante cron jobs y se comunica con una API externa para el modelo LLM.
- Planificación diaria para personas con ADHD
- Organización de tareas por categorías y prioridades
- Generación de recordatorios inteligentes en voz alta
- Planificación semanal basada en timeline visual
- Automatización de retrospectivas diarias
- Asistente personal con interfaz sin navegador
- Arquitectura sin SPA ni base de datos, todo en JSON y composición server-side
- Pipeline de LLM que combina razonamiento complejo con clasificación simple
- Voz GLaDOS como interfaz de salida para reducir la ansiedad
- Diseño modular con separación clara entre lógica de negocio y frontend
- Soporte de cron jobs para automatización de tareas diarias
- Estado persistente en archivos JSON sobre volumen bind-mounted
- Dependencia de una API externa para el modelo LLM, lo que introduce latencia
- No incluye frontend web propio, todo se renderiza vía JS desde el servidor
- El sistema no maneja errores de red o fallos en la conexión con la API
- La interfaz es monolítica y no soporta actualizaciones en tiempo real sin reingreso
- No incluye autenticación ni persistencia de sesión entre sesiones
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Se recomienda desplegar el servicio en un servidor Linux (DigitalOcean droplet) con Docker. Configurar cron jobs para ejecutar la pipeline del día y la retrospectiva. Usar nginx como reverse proxy sobre el puerto 8080. Para producción, considerar una base de datos para persistencia de estado o migración a un backend más robusto.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.