በ 2026 ውስጥ መግቢያዎች በዚያም ஏன் ይደሰቱ? መለያዎች “እውነት” ናቸው, ነገር ግን እነርሱ ደግሞ : least ergonomic data format ever invented 
 
 
 
 የ GB / TB በየዓመቱ መደበኛ ነው. Format drift: Apache, Nginx, JVM, container runtime, app logs, vendor SDK logs... እያንዳንዱም እያንዳንዱ የግል ቅርጸት (ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ) ያቀርባል. የክፍያ ጥቅል: የክፍያ ጥቅል አብዛኞቹ ጊዜዎች (timeouts + pool exhaustion + CPU spikes) ውስጥ ይኖራሉ, ምንም አንድ የክፍያ ቃል አይደለም. LLMs ምሳሌን ይወዳሉ, ምክንያቱም እርስዎ ከባድ ኢንጂነሪንግ ውስጥ ፍላጎት ያካትታል - ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ then force structure on output ነገር ግን የኩባንያው . ጠንካራ አንድ ጥሩ ትዕዛዞች አይደለም "የአውሮፕላንዎች መተግበሪያዎች". አንድ ጥሩ ትዕዛዞች ነው. የሞንቲካዊ ሞዴል: ጥያቄዎች እንደ ትዕዛዞች, ጥያቄዎች አይደለም የእርስዎን ትዕዛዞች እንደ አንድ API spec ይመልከቱ: 
 
 
 
 
 መግቢያዎች: የእርስዎን ያቀርባል ነገር (Log snippet, timeframe, schema hints) ሞዴል ምን ማምረት አለበት (filter, extract, count, cluster) ውፅዓት ቅርጸት: ውጤት እንዴት ይሆናል (ገጽ / JSON, deterministic fields). መለያዎች: እንዴት መጠቀም እንደሚቻል, መለያዎች እንዴት መጠቀም እንደሚቻል, መለያዎች እንዴት መጠቀም እንደሚቻል. አንተ እነዚህን ማረጋገጥ አይችልም ከሆነ, ሞዴል እርስዎ አንድ ስዕል ይሰጣል. ክፍል I — የክፍያ ልውውጥ ጠንካራዎች, እነርሱ ምንም hallucinate አይደለም የ 5-block prompt template (ወደ-መሞከር) ይህ እንደ የእርስዎ የፈጠራ ስኬት ይጠቀሙ: 1) Role: You are a {domain role} specializing in {log type} analysis.
2) Context: System + timeframe + what "good" looks like.
3) Data: Paste logs or provide a schema + sample lines.
4) Tasks: Bullet list of explicit operations to perform.
5) Output: Strict schema (table or JSON). Include edge-case rules.
 አነስተኛ ግምገማዎች ጋር ትልቅ ውጤት: (JSON ወይም ጠንካራ የቴሌሎች) አንድ ሰው ከዚያ በኋላ ያውቃል ከሆነ, ታላቅ - ሰዎች JSON ያውቃሉ. make the output machine-checkable ስኬታሪ A — የአውታረ መለያ: ERROR / FATAL, normalize, dedupe ያግኙ እዚህ አንድ ትዕዛዝ ነው, ይህም እንደ አንድ on-call ቡድን ተኳሃኝ ይሰራል: Role:
You are a senior SRE. You extract incident-relevant signals from mixed application logs.
​
Context:
- System: Checkout Service (Java) + Redis cache + MySQL
- Goal: Identify actionable error patterns for a post-incident summary
- Time window: 2026-02-16 19:10–19:20 UTC
​
Data:
{PASTE LOGS HERE}
​
Tasks:
1) Filter only ERROR and FATAL entries.
2) For each entry, extract:
   - ts, level, service/component (if present), exception/error type, resource (host/ip/url), raw message
3) Normalize error types:
   - e.g., "Conn refused", "Connection refused" -> "Connection refused"
   - Stack traces: keep only top frame + exception class
4) Deduplicate identical errors; count occurrences.
5) Produce top-3 error types by frequency.
​
Output (strict JSON):
{
  "window": "...",
  "total_errors": 0,
  "top_errors": [
    {
      "error_type": "",
      "count": 0,
      "example": {
        "ts": "",
        "level": "",
        "resource": "",
        "message": ""
      }
    }
  ],
  "all_errors": [
    {
      "ts": "",
      "level": "",
      "error_type": "",
      "resource": "",
      "message": ""
    }
  ]
}
​
Constraints:
- Never invent fields. If missing, use null.
- Keep error_type <= 40 chars.
 ይህ እንዴት ይሰራል 
 
 
 
 እርስዎ “የተኮር” አይፈልግዎታል, እርስዎ “ተኮር” እና “ተኮር” ይፈልግዎታል. የእርስዎን ግምገማዎች በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ በይነገጽ ላይ ይመልከቱ. እርስዎ መለያዎች ያስፈልጋቸዋል, ይህም ትዕዛዞችን helyett አጠቃቀም ያስፈልጋቸዋል. ስኬት B — የምርት ልኬት: ውሂብ መለያዎች ውስጥ የኮምፒውተር ፎንሌሎች የእርስዎን ክወና መለያዎች, የእርስዎን ፍላጎት እና ከባድ ቀለሞች አይችሉም. የተለያዩ ተጠቃሚዎች የሙዚቃ መግቢያ Role:
You are a product analyst. You compute funnel metrics from event logs.
​
Data:
Each line is one event:
YYYY-MM-DD HH:MM:SS | user_id=... | event=... | item_id=... | device=...
​
Tasks:
1) For item_id=SKU-9411, count each event type.
2) Compute unique users per event (dedupe by user_id).
3) Compute:
   - view->add_to_cart
   - add_to_cart->purchase
4) If denominator is 0, return "N/A" and explain.
​
Output:
- Table: event, events_count, unique_users
- Then: formulas + results (2 decimals)
 ስኬት C — Trend analysis: spot spikes, hypothesize causes (የተኮር) የ trend prompts በ "ማተም" በፊት ወደ ሞዴል "የተውሰድ" ያስችላቸዋል. መጀመሪያው መድሃኒት ማከማቻ ይሆናል: Tasks:
1) Identify peak windows (>= P95) and trough windows (==0).
2) Describe the trend using only the provided numbers.
3) Provide 3 hypotheses, each tied to at least one data point.
4) List 5 follow-up queries you'd run in your log tool to validate.
 ይህ "እርስዎ አንድ መተግበሪያ ሊሆን ይችላል" ከባድ ስሜት ሊሆን ይችላል. ክፍል 2 — በእርግጥ የሚፈልጉት Keyword clustering የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የኮምፒውተር የቴክኖሎጂን ያውቃል. የፕላስቲክ ቅርጸት (6 blocks) 1) Role: You are an NLP engineer for operational logs.
2) Input: List of keywords/errors (raw strings).
3) Dimension: Cluster by {fault type | subsystem | user journey stage | time correlation}.
4) Rules:
   - Each keyword belongs to exactly one cluster.
   - Provide a short cluster name + description.
   - If ambiguous, choose best fit and add rationale.
5) Output: JSON array of clusters.
6) Constraints: 3–7 clusters total, names <= 20 chars.
 ለምሳሌ: በ fault type (Ops-friendly) ላይ በክፍል አግኙን ዝርዝር (የተኮር አግኙን ዝርዝር): 
 
 
 
 
 
 
 
 
 
 የ DB Conn Timeout MySQL: የኮንክሪት መልዕክት የ Redis Handshake አግኝቷል አግኝቷል.አግኝቷል.አግኝቷል የ 502 Bad Gateway አጠቃቀም ፎቶ ፎቶ ፎቶ ፎቶ ፎቶ NullPointerException በ OrderHandler የ Timeout Cache / ካርታ የ CPU አጠቃቀም 99% ፈጣን ውፅዓት እንደ ይሆናል: [
  {
    "cluster": "Resource Connect",
    "keywords": ["DB conn timeout", "MySQL: Connection refused", "Redis handshake failed", "Cache timeout /cart"],
    "notes": "Downstream connectivity and timeouts (DB/cache/network). Owner: SRE"
  },
  {
    "cluster": "Code Exceptions",
    "keywords": ["NullPointerException at OrderHandler", "java.lang.OutOfMemoryError"],
    "notes": "Application-level exceptions. Owner: Dev"
  },
  {
    "cluster": "Gateway/Infra",
    "keywords": ["502 Bad Gateway", "CPU usage 99%", "Thread pool exhausted"],
    "notes": "Edge/proxy errors and capacity saturation. Owner: SRE/Platform"
  }
]
 የ "አይ ቪቢዎች" ን ያውቃል. ይህ በቀጥታ ወደ ማተም ይችላሉ . who does what next የክፍያ እውነታ: እርስዎ ደግሞ preprocessing ያስፈልግዎታል LLMs ለ: 
 
 
 
 
 
 ሰዓት ማጣሪያ አጠቃቀም ሞዴሎች አጠቃቀም አግኙን / አግኙን አግኙን የኮምፒውተር መጻፍ ለመቀነስ እያንዳንዱ ጊዜ ቅርጸት ይለወጡ. አጠቃቀም የ Workflow አጠቃቀም ነው: 
 
 መሣሪያው መቁረጥ ያደርጋል. LLM ያደርጋል. Tool does the slicing. LLM does the sense-making. Advanced workflow 1 — Elastic (ELK) + prompts: TB → 200 መስኮች → ቀላልነት አንድ pragmatic ጨዋታ: 
 
 
 
 
 Use your log platform to filter:
 
 
 
 
 
 service=checkout level >= ERROR @timestamp: 19:10–19:20 አነስተኛ ክፍሎች (50-300 መስኮች) ያውቃል. የ JSON ውፅዓት (JSON output) ያግኙን. የ error_type ቅርጸት ወደ clustering prompt ያውቃል. የእርስዎ ቡድን ያግኙ ከሆነ በ Elastic መሣሪያዎች ውስጥ, ከዚያም ጥሩ ነው: ከ LLM ወደ ውሂብ ይሰጣል በፊት የ "pre-joins" (እን.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ.ኤ. ES|QL Advanced workflow 2 — OpenTelemetry logs: አንድ ጊዜ ክፍያ, ሁሉንም ቦታዎች አጠቃቀም እርስዎ የክፍያ መስፈርቶች መቆጣጠር ይችላሉ ከሆነ, ይህ ይሆናል: 
 
 
 ተስማሚ ባህሪያት (service.name, deployment.environment, http.route, db.system, ወዘተ) ይጠቀማል የጽሑፍ መልዕክቶች ለወንዶች ያካትታሉ, ነገር ግን አስፈላጊ መረጃዎች ደግሞ የተመሠረተ ገጾች ናቸው. የ LLM ትዕዛዞች በይነገጽ በይነገጽ በይነገጽ በይነገጽ በይነገጽ በይነገጽ በይነገጽ በይነገጽ ነው: 
 
 "Extract error.message and db.statement" በ "የዚህ blob ምንድን ነው" ይጫወታል. የእርስዎን መለያዎች የተመሠረተ አይደለም ከሆነ, የእርስዎን ትዕዛዞች አንድ ፓርዝር መሆን አለበት. እና Parsers ምናልባት ምናልባት ምናልባት ምናልባት ምናልባት ምናልባት ምናልባት ይሆናል. Advanced Workflow 3 — Python preprocessing + prompt clustering (የተኮር ጋር) የእርስዎን መለያዎች ነፃ ቅርጸት ከሆነ, a ከባድዎን ለማግኘት ይመልከቱ. ዝቅተኛ እዚህ አንድ አነስተኛ ትክክለኛ ምሳሌ ነው, እርስዎ አንድ LLM ትዕዛዞች ውስጥ መክፈት ይችላሉ JSON ወደ ብጁ መስመሮች ይቀየራል. አንድ ቅርጽ ለመፍጠር አይችልም.) reduce chaos import re
import json
​
RAW = [
    "2026-02-16 19:12:05 ERROR checkout Thread-17 DB connection timeout url=jdbc:mysql://10.0.4.12:3306/payments",
    "2026-02-16 19:12:19 WARN  checkout Thread-03 heap at 87% host=app-2",
    "2026-02-16 19:13:02 ERROR cache    Thread-22 Redis handshake failed host=10.0.2.9:6379",
    "2026-02-16 19:13:45 FATAL checkout Thread-17 java.lang.OutOfMemoryError at OrderService.placeOrder(OrderService.java:214)"
]
​
PATTERN = re.compile(
    r"(?P<ts>\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})\s+"
    r"(?P<level>DEBUG|INFO|WARN|ERROR|FATAL)\s+"
    r"(?P<service>\w+)\s+"
    r"(?P<thread>Thread-\d+)\s+"
    r"(?P<msg>.*)"
)
​
def parse_line(line: str):
    m = PATTERN.match(line)
    if not m:
        return {"ts": None, "level": None, "service": None, "thread": None, "msg": line}
​
    d = m.groupdict()
    # lightweight resource hints (optional)
    d["resource"] = None
    if "host=" in d["msg"]:
        d["resource"] = d["msg"].split("host=", 1)[1].split()[0]
    if "url=" in d["msg"]:
        d["resource"] = d["msg"].split("url=", 1)[1].split()[0]
    return d
​
structured = [parse_line(x) for x in RAW]
print(json.dumps(structured, indent=2))
 አሁን የእርስዎን LLM prompt ሊሆን ይችላል : ጥቁር 
 
 
 
 በ {ERROR, FATAL} ውስጥ ውጭ ደረጃ የ MSG ወደ error_type ለመቀየር የሽያጭ አይነት ወይም የሽያጭ አይነት አጠቃቀም ፍጥነት (እነርሱን ለመፍጠር) 1) “የአንድ መለያዎች” (aka: please ramble) : ጥንካሬ ምርት ቅርጸት + ጥንካሬ ምርት ቅርጸት. Fix 2) የኮንክቶፕ መስኮት አጠቃቀም አንተ የክፍያ / የክፍያ ኮንክቶፕ አይሰም ከሆነ, ሞዴል በ "አጠቃቀም ስሜት" ከ "የመጥረቀት" ይሰጣል አይችሉም. አግኙን . Fix ስርዓት + መስኮት + መስኮት 3) የኮምፒውተር መጠን ይሰጣል "እነዚህን በ relevance" በ "Misc" የሚታወቀው 14 ግምገማዎች ያገኛሉ. : አንድ መጠን ያካትታሉ እና በ 3-7 ላይ ግራጫዎች ይጠበቃሉ. Fix 4) ምንም የ Edge-Case ፖሊሲ ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ከሌሎች ናቸው. የግል ፖሊሲዎች: አግኙን አዲሱ ጫማ መፍጠር, ወዘተ. Fix null N/A 5) አንድ ክሬዲት እንደ ተጫዋቾች አንድ "Senior SRE" ሰው ምርት ትክክለኛ አይደለም. ፎቶዎን እንደ ቶን ብቻ ይመልከቱ; ትክክለኛነት ከባድ ነው . Fix ፎቶዎች + ፎቶዎች + ፎቶዎች የ "Prompt Pack" መተግበሪያዎን በ "Wiki" ውስጥ መውሰድ ይችላሉ 1) ትክክለኛነት (ERROR / FATAL → JSON) 
 
 በይነገጽ እና በይነገጽ ይጠቀማል. 2) Metrics prompt (የእውነቶች → funnels) 
 
 የ product/ops dashboards ከ sampled logs መጠቀም. 3) Trend prompt (የጊዜ ተከታታይ → spikes + hypotheses + follow-ups) 
 
 የ “አንድ ነገር” ሰዓቶች ይጠቀማል. 4) የኮምፒውተር ፍጥነት (የኩባንያዎች → 3-7 ተጽዕኖዎች) 
 
 የ Live Error Taxonomy ለመፍጠር ይጠቀሙ. መጨረሻው: እንዴት "እውነተኛ" ይሆናል እርስዎ ይህን ትክክለኛ ነው ከሆነ, የእርስዎ On-Call Flow ይቀየዳል: 
 
 
 የ "Grep + Intuition + Slack Archaeology" አጠቃቀም ከዚያ በኋላ: “filter → prompt → structured summary → owner → next query” ምንም አስደናቂነት አይደለም, ምንም የፈጠራ መኪናዎች አይደለም, እናንተ እና ሞዴል መካከል ብቻ የፈጠራ መኪና ነው. ይህ መለያዎች እንደ መረጃ ተመሳሳይ ያደርጋል.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

ይህ ኦዲዮ የተዘጋጀው በታሪኩ የመጀመሪያ ቋንቋ ነው!

የኮምፒውተር-Driven Log Analysis & Keyword Clustering

About Author

አስተያየቶች

ተንጠልጣይ መለያዎች

ይህ ጽሑፍ ቀርቧል

Related Stories

Democratizing Tech Skills with Jeremy Morgan of Pluralsight, LIVE AMA on August 17th, 12 pm EST

ON THE EVE OF THE FETE

THE HARMAS

AMA with Rana Gujral, CEO of Behavioral Signals and Noonies Nominee, on September 30th, 9 am PST

Democratizing Tech Skills with Jeremy Morgan of Pluralsight, LIVE AMA on August 17th, 12 pm EST

ON THE EVE OF THE FETE

THE HARMAS

AMA with Rana Gujral, CEO of Behavioral Signals and Noonies Nominee, on September 30th, 9 am PST

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps