Show HN: ML condenses billions of logs into a tiny snapshot your LLM can debug
TL;DR
Rocketgraph ist ein Open-Source-Tool für selbst gehostete Log-Analyse. Es hängt sich neben bestehende Observability-Stacks wie Datadog, Loki, CloudWatch, Sentry oder ClickHouse und zieht Log-Fenster, statt eine zweite Ingest-Pipeline aufzubauen. Die ML-Schicht verdichtet rohe Logs zu Struktur-Templates, bewertet Auffälligkeiten und kann neue Logzeilen in Echtzeit gegen ein trainiertes Modell scoren. Laut Projekt nutzt sie Drain3, Isolation Forest und Half-Space-Trees, nicht direkt ein LLM.
Nauti's Take
Der interessante Teil ist nicht der AI-Triage-Wrapper, sondern die Vorarbeit davor. Wenn die ML-Schicht aus Log-Müll reproduzierbare Muster macht, bekommt ein LLM endlich ein brauchbares Debugging-Fenster statt Millionen Zeilen Konfetti.
Trotzdem ist der Auftritt stark PR-getrieben: Die großen Claims müssen sich erst in echten, dreckigen Produktionssystemen beweisen.
Einordnunganzeigen
Observability ist noch stark auf Menschen ausgelegt: Dashboards, Alerts, manuelle Queries. Wenn Code häufiger von AI geschrieben und debuggt wird, braucht der Debugging-Kontext eine Form, die Maschinen gut prüfen können. Rocketgraph adressiert genau diese Lücke: weniger rohe Logs, mehr robuste Muster, damit ein LLM nicht im Rauschen sucht.
Quellen