Rocketgraph verdichtet Milliarden Logs zu Debug-Snapshots für LLMs
TL;DR
Rocketgraph ist ein self-hosted Open-Source-Tool für Observability: Es clustert Logs in strukturelle Templates und markiert Ausreißer, ohne eine neue Ingest-Pipeline aufzubauen. Unter der Haube laufen Drain3, Isolation Forest und Half-Space-Trees. LLMs sind optional nur für die Triage-Erklärung, nicht für die eigentliche Erkennung. Der README-Beleg: 2 Mio. Logs werden zu 58 Templates und 9 Anomalien in 90 Sekunden auf einem Container verdichtet. Die Milliarden-Formulierung bleibt PR-lastiger als dieser Test.
Nauti's Take
Der starke Teil ist die harte Vorverdichtung: Erst Templates und Anomalien, dann ein LLM als Debug-Helfer. Genau so gehört AI in Observability, weil Rohlogs für Sprachmodelle teuer, verrauscht und oft sicherheitsheikel sind.
Vorsicht beim HN-Titel: Milliarden Logs klingen groß, der öffentliche Beleg im Repo ist kleiner. Für Teams zählt am Ende, ob Rocketgraph bei den eigenen Logs weniger falsche Alarme produziert und echte neue Muster früh genug hochzieht.
Einordnunganzeigen
Wenn AI mehr Code schreibt, steigt die Zahl kleiner, ungewohnter Produktionsbrüche. Klassische Dashboards zeigen oft nur Metriken, für die jemand vorher ein Panel oder Alert gebaut hat. Rocketgraph dreht den Fokus auf neue oder seltene Muster im Logstrom.
Das kann SREs helfen, einem LLM eine kleinere, besser erklärbare Fallakte zu geben statt Rohlogs zu übergeben.
Quellen