Rocketgraph schrumpft Log-Fluten zu Debug-Snapshots für KI-Agenten
TL;DR
Rocketgraph ist ein Open-Source-Projekt für Log-Clustering und Streaming-Anomalie-Erkennung, das neben bestehende Observability-Stacks wie Datadog, Loki, CloudWatch, Sentry, New Relic oder ClickHouse gesetzt wird. Der Kern verdichtet Rohlogs über Drain3 zu strukturellen Templates und bewertet Auffälligkeiten mit Isolation Forest sowie Half-Space-Trees. Ein Beispiel aus dem Repo nennt 2 Mio. Logs, 58 Templates und 9 Anomalien in 90 Sekunden.
Nauti's Take
Das Interessante ist nicht der LLM-Teil, sondern die Disziplin davor. Wenn die ML-Schicht reproduzierbar aus Lograuschen wenige verdächtige Templates macht, kann ein LLM danach deutlich nützlicher arbeiten.
Genau so sollte AI-Observability aussehen: erst harte Reduktion, dann Erklärung. Der Haken bleibt die Praxisfrage: Connector-Qualität, False Positives und Betrieb unter echten Incident-Bedingungen entscheiden mehr als der Demo-Snapshot.
Einordnunganzeigen
Observability ist noch stark auf menschliche Suche, Dashboards und manuell gebaute Queries ausgelegt. Wenn AI mehr Code schreibt und betreibt, wird die Frage wichtiger, welche Signale ein Agent überhaupt sinnvoll verarbeiten kann. Rocketgraph setzt genau dort an: nicht mehr Millionen Logzeilen in ein LLM kippen, sondern erst strukturieren, reduzieren und auffällige Muster isolieren.
Quellen