Rocketgraph verdichtet Millionen Logs zu KI-tauglichen Debug-Snapshots
TL;DR
Rocketgraph ist ein selbst hostbares Open-Source-Projekt für Log-Clustering und Streaming-Anomalieerkennung. Es hängt sich neben bestehende Observability-Stacks wie Datadog, Loki, CloudWatch, Sentry, ClickHouse oder New Relic. Der ML-Kern arbeitet laut README ohne LLM: Drain3 erkennt strukturelle Log-Templates, Isolation Forest bewertet auffällige Templates pro Service, Half-Space-Trees prüfen neue Logs in Echtzeit.
Nauti's Take
Der HN-Aufhänger verkauft das als LLM-Debugging, die brauchbare Idee liegt im Schritt davor: Logs müssen erst in eine Form gebracht werden, die ein Mensch oder Modell überhaupt sinnvoll lesen kann. Gut ist, dass Rocketgraph den Kern deterministisch hält und LLMs nur zur Erklärung darüberlegt.
Schwach bleibt die Beweisführung: Eine 2M-Logs-Demo ersetzt keinen Vergleich mit bestehenden Anomaly-Detection-Setups, falschen Alarmen und echten Postmortems. Trotzdem ist die Richtung richtig, weil grep-artige Incident-Arbeit bei AI-generiertem Code schneller an ihre Grenze kommt.
Einordnunganzeigen
Observability wird gerade zum Flaschenhals für AI-gestützte Entwicklung: Code ändert sich schneller, Logs werden lauter, und klassische Dashboards zeigen oft nur, wonach jemand vorher gefragt hat. Rocketgraph greift ein reales Problem an, indem es Rohlogs erst verdichtet und Abweichungen sichtbar macht. Für Teams zählt am Ende weniger die Demo-Zahl als die Frage, ob die Cluster im eigenen Incident-Alltag präzise genug sind.
Quellen