rereflect
Rereflect es una plataforma open-source para inteligencia de feedback de clientes que se auto-hospeda. Convierte comentarios en análisis de sentimiento, puntos de dolor y riesgos de abandono usando NLP y LLMs locales o BYOK, sin telemetría ni cuotas.
Ficha actualizada 25 sept 2026, 13:28 · upstream 25 sept 2026, 13:13 · release v1.0.0
Qué es rereflect
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Rereflect es una solución open-source de código abierto bajo licencia MIT diseñada para la inteligencia de feedback de clientes en infraestructura propia. Ingesta datos desde múltiples fuentes como CSV, email, webhooks, Slack, Intercom y Zendesk, sincronizando con rastreadores de incidencias como Linear, Jira y Asana. Utiliza procesamiento de lenguaje natural (NLP) y modelos de LLM opcionales para clasificar sentimientos, identificar puntos de dolor y solicitudes de características, además de detectar riesgos de abandono.
La arquitectura se basa en Next.js 16 para el frontend y FastAPI con PostgreSQL para el backend, orquestado mediante Docker Compose. Ofrece análisis local gratuito usando VADER o modelos locales (Ollama) sin costes de API, permitiendo añadir claves propias para LLMs de proveedores como OpenAI, Anthropic o Google. Incluye un dashboard multi-inquilino con roles RBAC, tablero Kanban y flujos de trabajo de equipo para asignación automática y seguimiento de incidencias.
Destaca por su enfoque en la privacidad con cero telemetría, cifrado de claves LLM en reposo y capacidad de ejecutar análisis offline. Permite exportar datos a CSV/PDF, compartir vistas de solo lectura y configurar reglas de automatización para alertas o campañas de email vía Resend. La herramienta incluye analíticas de tendencias temporales y perfiles 360 del cliente con integración opcional a HubSpot y Salesforce.
- Clasificación automática de feedback en sentimiento, puntos de dolor y solicitudes de características
- Detección temprana de riesgos de abandono (churn) con playbooks de retención automatizados
- Gestión de incidencias con tablero Kanban y asignación round-robin entre miembros del equipo
- Análisis de tendencias temporales para identificar temas acelerantes en el feedback del cliente
- Integración con CRM (HubSpot, Salesforce) para enriquecimiento de datos y escritura de puntuaciones de salud
- Generación de informes programados y redacción de respuestas mediante AI Copilot offline o BYOK
- 100% open source sin "open core", todas las funcionalidades avanzadas incluidas sin cuotas ni límites de asientos
- Auto-hospedado con Docker Compose, cero telemetría y datos que nunca salen de la infraestructura propia
- Análisis local gratuito por defecto con VADER o modelos locales (Ollama), añadiendo costes solo si se usa LLM cloud
- Claves LLM cifradas en reposo con BYOK, sin proxy ni uso de claves del proveedor por defecto
- Per-org self-improving classifiers que aprenden de correcciones humanas y promueven modelos mejores automáticamente
- Churn-triggered playbooks con confirmación humana obligatoria antes de etiquetar o enviar emails a clientes
- Requiere configuración manual de variables de entorno (JWT_SECRET, LLM_ENCRYPTION_KEY) para despliegue seguro
- Las funcionalidades de AI Copilot y análisis avanzado requieren clave LLM opcional o modelo local configurado
- La integración con CRM (HubSpot, Salesforce) es opcional y requiere configuración explícita de pipelines de renovación
- El análisis offline depende de la disponibilidad de un endpoint compatible con OpenAI (Ollama u otro)
- Las sugerencias de churn desde CRM están desactivadas por defecto y requieren confirmación humana en cola de revisión
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.
Despliegue recomendado vía Docker Compose (.env.prod.example). Generar secretos JWT y cifrado antes de iniciar. Portos 3000 (frontend), 8000 (API/docs), 6379 (Redis). Requiere 4 núcleos CPU, 8GB RAM y 30GB disco mínimo. Funciona offline con VADER por defecto; añadir clave LLM para análisis avanzado. Verificar TLS en SELF_HOSTING.md.
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.