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
Flujo de trabajo de desarrollo guiado por especificaciones para Claude Code: Descomposición, limpieza de contexto y control de costos
Un enfoque de desarrollo guiado por especificaciones para Claude Code que utiliza descomposición bidimensional, limpieza de contexto entre pasos y especificaciones escritas en disco para mejorar el rendimiento del agente y reducir costos.
OpenClaw-WebTop: Ejecuta OpenClaw con Ollama y Ubuntu Desktop en GitHub Codespaces
OpenClaw-WebTop proporciona una forma de ejecutar una instancia completa de OpenClaw con Ollama y el escritorio Ubuntu MATE directamente en un navegador usando GitHub Codespaces, sin necesidad de instalación local de Docker o un VPS.
altRAG: Reemplaza la base de datos vectorial RAG con archivos de puntero de 2KB para agentes de IA de codificación
altRAG es una herramienta de Python que reemplaza las bases de datos vectoriales RAG con archivos de punteros ligeros. Escanea archivos de habilidades en Markdown/YAML para crear un archivo esqueleto de 2KB que mapea secciones a números de línea exactos y desplazamientos de bytes, permitiendo que los agentes de IA lean solo las secciones necesarias en lugar de archivos completos.
Monitor de Tokens de IA: Herramienta para macOS Rastrea el Uso y Costo Local de Claude
Un desarrollador creó AI Token Monitor, una aplicación para la barra de menú de macOS que lee archivos de sesión locales de Claude para rastrear el uso de tokens, la distribución de modelos y los costos equivalentes sin claves API. La herramienta de código abierto reveló 6.5 millones de tokens ($4,924 al precio de la API) en 35 días en el caso de un usuario.