LogClaw: SRE de IA de Código Abierto para Auto-Ticketing a partir de Registros
LogClaw es una plataforma AI SRE de código abierto que se despliega en tu VPC y crea automáticamente tickets de incidentes a partir de anomalías en los registros. Creada por Robel tras la frustración con alertas vagas de herramientas como Datadog, se centra en convertir el ruido de los registros en tickets accionables sin intervención manual.
Cómo funciona
El sistema ingiere registros mediante OpenTelemetry y detecta anomalías utilizando puntuación compuesta basada en señales en lugar de alertas de umbral simples. Extrae 8 señales de tipo de fallo: OOM, fallos, agotamiento de recursos, fallos de dependencia, bloqueos de base de datos, tiempos de espera, errores de conexión y fallos de autenticación. Estas se combinan con análisis estadístico de puntuación z, radio de impacto, velocidad de error y señales de recurrencia en una puntuación compuesta.
Los fallos críticos (OOM, pánicos) activan la detección inmediata. Una vez confirmada una anomalía, un motor de correlación de trazas de 5 capas agrupa los registros por traceId, mapea las dependencias de servicio, rastrea las cascadas de propagación de errores y calcula el radio de impacto en los servicios afectados.
El Agente de Tickets luego extrae la línea de tiempo correlacionada, la envía a un LLM para el análisis de causa raíz y crea un ticket deduplicado en Jira, ServiceNow, PagerDuty, OpsGenie, Slack o Zammad. Todo el ciclo, desde el ruido del registro hasta el ticket archivado, toma aproximadamente 90 segundos.
Arquitectura
LogClaw utiliza esta arquitectura: OTel Collector → Kafka (Strimzi, modo KRaft) → Bridge (Python, 4 hilos concurrentes: ETL, detección de anomalías, indexación de OpenSearch, correlación de trazas) → OpenSearch + Agente de Tickets.
La capa de IA admite OpenAI, Claude u Ollama para despliegues completamente aislados. Todo se despliega con un único chart de Helm por inquilino, aislado por namespace sin plano de datos compartido.
Limitaciones actuales
- Las métricas y trazas aún no son compatibles — esto es solo para registros. El soporte de métricas está en la hoja de ruta.
- La detección de anomalías está basada en señales + estadística (puntuación compuesta con puntuación z), no en aprendizaje profundo. Detecta el 99.8% de los fallos críticos pero aún no detecta patrones sutiles de desviación de rendimiento.
- El panel de control es funcional pero básico. Se utilizan OpenSearch Dashboards para el trabajo pesado.
Despliegue y precios
La plataforma está licenciada bajo Apache 2.0. Una versión gestionada en la nube está disponible por $0.30/GB ingerido si no deseas autoalojarla. Según la fuente, LogClaw puede proporcionar ahorros de costos del 80-90% frente a Splunk/Datadog, con un costo anual de observabilidad de $38K versus $1.2M para Splunk a 500GB/día.
Para desarrollo local, la documentación está disponible en https://docs.logclaw.ai/local-development.
📖 Read the full source: HN AI Agents
👀 Ver también
Títulos de artículos de Pokémon Showdown: Agentes de IA creados con APIs de LLM gratuitas y llamadas a herramientas
Un sistema que usa Llama 3, Qwen, Gemma a través de niveles gratuitos de API para jugar de forma autónoma batallas de Pokémon Showdown con llamadas a herramientas estructuradas, compatible con modos humano vs IA e IA vs IA.
Framework de agentes múltiples de código abierto extraído de la filtración del código de Claude
Un desarrollador extrajo el sistema de orquestación multiagente del código fuente filtrado de Claude Code y lo reconstruyó como un framework de código abierto independiente del modelo con licencia MIT. El framework de 8,000 líneas de TypeScript incluye programación de tareas, mensajería entre agentes y herramientas integradas.
SmallClaw V1.0.3 Agrega Soporte para Webhooks, Automatización n8n y Servidor MCP
SmallClaw V1.0.3 introduce endpoints de webhook para activadores de servicios externos, flujos de trabajo de automatización local con n8n y conexiones de servidor MCP para integración de herramientas. La actualización mantiene el enfoque de la herramienta en ejecutarse con LLMs locales pequeños.
Desarrollador en solitario crea agente de IA multiplataforma para escritorio con control remoto móvil en 3 semanas, y lo distribuye a más de 40 países
Un desarrollador en solitario creó Skales, un agente de IA de escritorio nativo con más de 139 herramientas y una aplicación complementaria móvil para control remoto, todo en 3 semanas usando Claude. La aplicación funciona en macOS, Windows y Linux, es local primero y gratuita, y ya tiene usuarios activos en más de 40 países.