Rocketgraph komprimiert Milliarden Logs für LLM-Debugging auf Mini-Snapshots
TL;DR
Rocketgraph ist ein selbst hostbares Observability-Tool, das neben bestehende Stacks wie Datadog, Loki, CloudWatch, Sentry oder ClickHouse gesetzt wird und Logzeilen zu strukturellen Mustern verdichtet. Die ML-Pipeline nutzt Drain3 für Log-Templates, Isolation Forest für Anomalien pro Service und Half-Space-Trees für neue Logs in Echtzeit. Genannter Test: 2 Mio. Logs zu 58 Templates und 9 Anomalien in 90 Sekunden.
Nauti's Take
Spannend ist hier nicht die LLM-Schicht, sondern die bewusste Trennung: erst deterministische Muster finden, dann optional erklären lassen. Das ist deutlich sauberer als Observability-Produkte, die direkt alles in einen Chat kippen.
Trotzdem bleibt Vorsicht angebracht: 2 Mio. Logs in 90 Sekunden klingt gut, aber Teams brauchen niedrige False Positives, gute Connectoren und klare Runbooks, sonst wird aus der kleinen Momentaufnahme nur ein weiteres Alarmfenster.
Einordnunganzeigen
Wenn AI-Code schneller in Produktion landet, wird manuelles Log-Grep zum Engpass. Rocketgraph greift genau an der Stelle an: nicht noch ein Dashboard, sondern eine Verdichtungsschicht, die seltene neue Muster sichtbar macht, bevor ein Mensch die passende Query kennt. Der Wert hängt aber daran, wie gut die Anomalien in echten, chaotischen Produktionslogs bleiben.
Quellen