Rocketgraph komprimiert Milliarden Logs zu KI-lesbaren Debug-Snapshots
TL;DR
Rocketgraph ist ein selbst gehosteter Open-Source-Dienst, der bestehende Logquellen wie Loki, Datadog, New Relic, CloudWatch, Sentry, ClickHouse oder lokale Logdateien anzapft, statt eine neue Observability-Pipeline zu verlangen. Die ML-Engine verdichtet rohe Logs per Drain3 zu Strukturmustern, bewertet sie mit Isolation Forest und prüft neue Logs in Echtzeit mit Half-Space-Trees. Im Repo-Beispiel werden 2,002,271 Logs zu 58 Templates und 9 Anomalien in 90 Sekunden.
Nauti's Take
Das beste Detail ist die Trennung: ML sortiert und komprimiert, das LLM erklärt danach. Genau so sollten AI-Observability-Tools gebaut werden, weil ein Modell mit Millionen roher Logs schnell zur teuren Nebelmaschine wird.
Der Haken: Das Repo zeigt starke Eigenbenchmarks, aber noch keine breite Produktionshärtung. Für Teams mit Log-Chaos ist Rocketgraph trotzdem ein spannender Prüfstein: erst lokal gegen echte Incident-Logs laufen lassen, dann über Agenten reden.
Einordnunganzeigen
AI-Code erhöht die Menge an Logs und verschiebt Fehler in Bereiche, die klassische Alerts oft verpassen: neue Fehlermuster, Schema-Brüche, seltene DB-Probleme. Rocketgraph versucht, aus Log-Masse eine kleine, erklärbare Debugging-Fläche zu machen. Der PR-Anteil ist klar sichtbar, aber die technische Richtung ist sinnvoll: weniger Grep, mehr strukturierte Vorarbeit für Mensch und LLM.
Quellen