klorn
Klorn es un firewall de atención para bandejas de entrada que clasifica correos en 5 carriles (PUSH, MEETING, QUEUE, INFO, SILENT) usando reglas deterministas + LLM con presupuesto diario limitado y fallback a keywords.
Ficha actualizada 24 sept 2026, 22:42 · upstream 24 sept 2026, 22:38 · release desktop-v0.4.80102
Qué es klorn
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Klorn transforma señales de trabajo dispersas en decisiones listas para aprobación. A diferencia de otras herramientas de IA que añaden superficies de chat o tarjetas de sugerencias, Klorn asigna exactamente una clasificación por correo basada en bytes específicos analizados. El sistema no añade ruido visual ni agentes multi-herramienta; el resultado es una sola decisión por mensaje.
El motor clasifica usando cuatro características (confidence, senderTrust, reversibility, urgency) entre 0 y 1, mapeadas a carriles mediante reglas auditables en tier-policy.ts. Soporta modo BASIC (solo notificaciones importantes) o AUTO (respuestas autónomas bajo guías editables con receipts hash-verificados). Incluye presupuesto diario de gasto en IA que detiene antes de exceder límites.
El despliegue es self-hosted con AGPLv3, usando Docker Compose y PostgreSQL. Soporta múltiples modelos LLM con fallback a clasificación por keywords si el modelo falla o está rate-limited (82.1% overall). Cada decisión incluye hash SHA256 de los bytes leídos para prevenir invalidación silenciosa.
- Clasificación automática de correos entrantes en 5 carriles según urgencia y confianza del remitente
- Respuestas autónomas bajo guías editables con receipts hash-verificados para auditoría
- Ahorro de costes de IA mediante presupuesto diario configurable con fallback a keywords
- Auto-aprendizaje desde correos leídos en Gmail sin clicks adicionales en la app
- Reglas deterministas auditables separan percepción del modelo de decisión final (tier-policy.ts)
- Fallback automático a clasificación por keywords con 82.1% accuracy si LLM está down
- Presupuesto diario hard cap en gasto de IA que detiene antes de exceder límites
- Content-hash-bound: cada decisión incluye SHA256 de bytes leídos para prevenir invalidación
- AGPLv3 self-hostable end-to-end con PostgreSQL y soporte Docker Compose
- Set de evaluación real necesita re-etiquetado contra la ontología de 5 carriles antes de citar métricas históricas
- Lane SILENT no puede ser aprendido automáticamente para remitentes (precaución deliberada)
- Solo un inbox como ground truth hasta ahora; lane urgent tiene solo 4 muestras etiquetadas
- Requiere re-rendering de videos demo tras cambios en la ontología de carriles
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Usar Docker Compose con PostgreSQL. Portos: 5432, 8001, 8000, 11434, 8002, 3000, 3001. RAM 8GB, CPU 4 cores, disco 20GB mínimo. Configurar JUDGE_MODEL antes de evaluar (default: gemini-2.5-flash). Modo AUTO requiere guías escritas editables. Verificar eval-floors.ts para umbrales: overall ≥80%, urgent recall ≥90%, silenced precision ≥90%.
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.