Show HN: ML condenses billions of logs into a tiny snapshot your LLM can debug
TL;DR
Rocketgraph ist ein Apache-2.0-Projekt für selbst gehostete Log-Clustering- und Anomalie-Erkennung. Es soll neben bestehende Observability-Stacks wie Loki, Datadog, New Relic, CloudWatch, Sentry oder ClickHouse gesetzt werden. Der ML-Kern arbeitet laut README ohne LLM: Drain3 bildet strukturelle Log-Templates, Isolation Forest bewertet Templates pro Service, Half-Space-Trees prüfen neue Logs in Echtzeit.
Nauti's Take
Der starke Teil ist die Trennung zwischen Erkennung und Erklärung. Rocketgraph verkauft kein Wunder-LLM, das direkt über Rohlogs halluziniert, sondern baut erst eine reproduzierbare Verdichtung und lässt Claude danach triagieren.
Der schwache Teil: Die Zahlen kommen aus Projekt-Demos, nicht aus unabhängigen Benchmarks. Für Teams mit Log-Chaos ist das trotzdem ein sinnvoller Test: erst lokal über echte Export-Logs laufen lassen, dann entscheiden, ob es mehr findet als die eigenen Dashboards.
Einordnunganzeigen
Observability-Tools sind oft darauf gebaut, dass Menschen wissen, wonach sie suchen. Bei AI-geschriebenem Code und vielen ähnlichen Logzeilen kippt das schnell in manuelles Query-Raten. Rocketgraph adressiert genau diese Lücke: Es reduziert Rauschen zuerst strukturell und gibt einem LLM danach nur eine kleine, erklärbare Problemfläche.
Quellen