ทําไมบันทึกยังคงเจ็บในปี 2026 โลกเป็น “ความจริง” แต่พวกเขายังเป็น : least ergonomic data format ever invented 
 
 
 
 ขนาด: GB / TB ต่อวันเป็นปกติ ลูกตามนุษย์ไม่ได้ รูปแบบไดรฟ์: Apache, Nginx, JVM, บันทึกการทํางานของคอนเทนเนอร์, บันทึกแอปพลิเคชัน, บันทึก SDK ผู้ผลิต... แต่ละคนมีแผนภูมิของตัวเอง (หรือไม่มีแผนภูมิ) การเชื่อมโยงที่ซ่อนอยู่: สาเหตุที่เกิดขึ้นจริงมักจะอยู่ในข้อความที่เกิดขึ้นร่วมกัน (timeouts + pool exhaustion + CPU spikes) ไม่ใช่คําหลักเดียว LLMs เปลี่ยนสม่ําเสมอเพราะคุณสามารถอธิบายความตั้งใจในภาษาอังกฤษที่เรียบง่าย —โดยไม่ต้องเขียน parser ทั้งหมดไปข้างหน้า then force structure on output แต่คําสําคัญคือ . พลังงาน โพสต์ที่ดีไม่ได้เป็น “วิเคราะห์บันทึกเหล่านี้” โพสต์ที่ดีเป็นสัญญา โมเดลจิต: สอบถามเป็นสัญญาไม่ใช่คําถาม พิจารณา prompt ของคุณเป็น API spec: 
 
 
 
 
 อินพุต: สิ่งที่คุณให้ (บันทึก snippet, ระยะเวลา, เคล็ดลับแผน) งาน: สิ่งที่รุ่นต้องคํานวณ (กรองสารสกัดนับกลุ่ม) แผนผังการส่งออก: ผลลัพธ์ควรดูอย่างไร (ตาราง / JSON, fields deterministic) ข้อ จํากัด: สิ่งที่ต้องลืมวิธีการจัดการกรณีขอบเขตการตั้งชื่อกฎ หากคุณไม่ได้ระบุสิ่งเหล่านี้รุ่นจะมีความสุขที่จะให้คุณโรแมนติก ส่วนหนึ่ง I - โปรแกรมวิเคราะห์บันทึกที่ไม่ได้ทําให้เกิดความลึกลับ รูปแบบ 5 บล็อก (การทดสอบการต่อสู้) ใช้สิ่งนี้เป็นสกูตเตอร์เริ่มต้นของคุณ: 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.
 การเคลื่อนไหวขนาดเล็กที่มีผลกระทบขนาดใหญ่: (JSON หรือตารางที่เข้มงวด) หากมนุษย์จะอ่านมันในภายหลังดี - คนสามารถอ่าน JSON make the output machine-checkable กรณี A — การคัดกรองเหตุการณ์: สารสกัด ERROR / FATAL, normalize, dedupe นี่คือคําแนะนําที่พฤติกรรมเหมือนเพื่อนร่วมทีมที่เรียกร้อง: 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.
 ทําไมสิ่งนี้ทํางาน 
 
 
 
 คุณไม่ได้ขอ “วิเคราะห์” คุณกําลังขอการสกัด + ปกติ คุณป้องกันความคิดสร้างสรรค์โดยการเรียกร้อง zero สําหรับฟิลด์ที่ขาดหายไป คุณต้องการคํานวณซึ่งบังคับให้รวมแทนที่จะบอกเรื่องราว กรณี B — การวิเคราะห์ผลิตภัณฑ์: การคํานวณช่องทางจากบันทึกพฤติกรรม สําหรับบันทึกพฤติกรรมคุณสนใจ และ ไม่ stack ใบมีด ผู้ใช้ที่แตกต่างกัน การแปลง Math 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)
 สคริปต์ C — การวิเคราะห์แนวโน้ม: ปั๊มจุดสาเหตุ hypothesize (อย่างระมัดระวัง) แนะนําแนวโน้มล้มเหลวเมื่อคุณปล่อยให้รูปแบบ "อธิบาย" ก่อนที่จะ "วัด" ทําการวัดบังคับก่อน: 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.
 สิ่งนี้ช่วยให้“ บางทีการใช้งานเกิดขึ้น” ไม่ได้กลายเป็นเรื่องราว ส่วนที่ II - คลาสสิฟายด์คําหลักที่ใช้งานได้จริง การรวบรวมคําหลักเป็นสถานที่ที่ทีมงานสูญเสียเวลาเพราะทุกคนโต้แย้งเกี่ยวกับตาราง ดังนั้นกําหนด taxonomy Template Clustering (6 บล็อก) 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.
 ตัวอย่าง: cluster by fault type (ops-friendly) รายการอินพุต (มุ่งหมาย messy): 
 
 
 
 
 
 
 
 
 
 DB คอน Timeout MySQL: การเชื่อมต่อปฏิเสธ Redis Handshake ไม่ประสบความสําเร็จ java.lang.OutOfMemoryข้อผิดพลาด 502 บาดเกตเวย์ Thread pool เสร็จสิ้น NullPointerException ที่ OrderHandler คาเช่ timeout /cart การใช้ CPU 99% เอาท์พุทที่รวดเร็วควรดูเหมือน: [
  {
    "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"
  }
]
 โปรดทราบว่าสิ่งที่หายไป: “ AI vibes” นี้สามารถทําแผนที่ได้โดยตรง . who does what next ความจริงที่ไม่เซ็กซี่: คุณยังคงต้องการ preprocessing LLMs ไม่สามารถแทนที่: 
 
 
 
 
 
 ระยะเวลาการกรอง พื้นที่การสกัด ตัวอย่าง การทําซ้ํา join / correlation ทั่วสัญญาณ พวกเขาเป็นตัวแทนสําหรับการเขียน logic ทุกครั้งที่รูปแบบเปลี่ยน ทักษะ กระบวนการทํางานที่ชนะคือ: 
 
 เครื่องมือทําการตัด LLM ทําความหมาย Tool does the slicing. LLM does the sense-making. กระบวนการทํางานขั้นสูง 1 - Elastic (ELK) + prompts: ลด TB → 200 เส้น → ความชัดเจน การเล่นที่สมจริง: 
 
 
 
 
 Use your log platform to filter:
 
 
 
 
 
 service=checkout level >= ERROR @timestamp: 19:10–19:20 ส่งออกชุดย่อยขนาดเล็ก (50-300 สาย) แปลงไปยังคําแนะนําการคัดกรอง (การส่งออก JSON ) Feed extracted error_type strings ไปยัง clustering prompt หากทีมของคุณ adopts ในเครื่องมือยืดหยุ่น, ดีขึ้น: EŞQL ช่วยให้การทํา “pre-joins” (เช่นเพิ่มระดับผู้ใช้หรือภูมิภาค) ได้ง่ายขึ้นก่อนที่คุณจะส่งข้อมูลไปยัง LLM ES|QL กระบวนการทํางานขั้นสูง 2 — บันทึก OpenTelemetry: การชําระเงินครั้งเดียววิเคราะห์ทุกที่ หากคุณสามารถมีอิทธิพลต่อมาตรฐานการบันทึกทําเช่นนี้: 
 
 
 ใช้คุณสมบัติที่สอดคล้องกัน (service.name, deployment.environment, http.route, db.system ฯลฯ) เก็บข้อความที่สามารถอ่านได้โดยมนุษย์ แต่ให้แน่ใจว่าข้อเท็จจริงที่สําคัญยังเป็นฟิลด์ที่มีโครงสร้าง เพราะคําแนะนํา LLM จะง่ายขึ้นอย่างมากเมื่อสาขามีความสม่ําเสมอ: 
 
 "สกัด error.message และ db.statement" บิด "คาดเดาว่า blob นี้หมายถึงอะไร" หากบันทึกของคุณไม่ได้โครงสร้างโปรตของคุณต้องกลายเป็นตัวอักษร และ Parsers คือที่ความสุขจะตาย กระบวนการทํางานขั้นสูง 3 — Python preprocessing + prompt clustering (ด้วย twist) เมื่อบันทึกของคุณเป็นรูปแบบอิสระทํา a Parse เพื่อรับพื้นฐาน มินิ นี่คือตัวอย่างที่ปรับเปลี่ยนเล็กน้อยซึ่งแปลงเส้นดิบเป็น JSON คุณสามารถวางลงในคําแนะนํา LLM (มันมีขนาดเล็กอย่างมีนัยสําคัญเพราะเป้าหมายคือ ไม่สร้างกรอบ) 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))
 ตอนนี้ LLM ของคุณสามารถ : ทําความสะอาด 
 
 
 
 ระดับการสกัดใน {ERROR, FATAL} ปรับมาตรฐาน msg ไปยัง error_type กลุ่มตามบริการหรือประเภทข้อบกพร่อง ข้อผิดพลาดที่พบบ่อย (และข้อแก้ไข) 1) “วิเคราะห์บันทึกเหล่านี้” (aka: กรุณา ramble) : งานการสกัดความต้องการ + แผนการส่งออกที่เข้มงวด Fix 2) หน้าต่างที่หายไป หากคุณไม่ได้ให้กรอบเวลา / กรอบระบบรูปแบบไม่สามารถแยก "เสียงรบกวนปกติ" จาก "เหตุการณ์" : เพิ่ม . Fix ระบบ + หน้าต่าง + เป้าหมาย 3) มิติ Clustering คือ vague “กลุ่มเหล่านี้ตามความเกี่ยวข้อง” เป็นวิธีที่คุณจะได้รับ 14 คลัสเตอร์ที่เรียกว่า “Misc” : ระบุมิติและเก็บกลุ่มไว้ที่ 3-7 Fix 4) ไม่มีนโยบายขอบเขต การแบ่งออกด้วย zero, input ว่างเปล่า, keywords ไม่ชัดเจน... รุ่นจะคาดเดา : ข้อกําหนดด้านนโยบาย: , , “สร้างกลุ่มใหม่” ฯลฯ Fix null N/A 5) บทบาทการกระตุ้นเป็น crutch persona “senior SRE” ไม่ทําให้การส่งออกถูกต้อง : รักษาบทบาทเป็นเสียงเท่านั้น; ความถูกต้องมาจาก . Fix งาน + แผนภาพ + ข้อ จํากัด แพคเกจที่สามารถนํามาใช้ซ้ําได้ที่คุณสามารถวางลงใน wiki ทีมของคุณ 1) แนะนําการคัดกรอง (ข้อผิดพลาด / ความผิดพลาด → JSON) 
 
 ใช้สําหรับสรุปเหตุการณ์และ handoffs 2) Metrics prompt (เหตุการณ์ → ฟันเลล) 
 
 ใช้สําหรับ dashboards ผลิตภัณฑ์ / ops จากบันทึกตัวอย่าง 3) แนะนําแนวโน้ม (ชุดเวลา → พิกส์ + hypotheses + follow-ups) 
 
 ใช้สําหรับ “อะไรเปลี่ยน” การประชุม 4) คลัสติ้งคําแนะนํา (คําหลัก → 3-7 บัคเก็ตเหตุการณ์) 
 
 ใช้ในการสร้าง taxonomy ชีวิตข้อผิดพลาด การปิด: สิ่งที่ “ดี” ดูเหมือน หากคุณทําสิ่งนี้อย่างถูกต้องกระแสการโทรของคุณจะเปลี่ยนแปลง: 
 
 
 ก่อนหน้านี้: “grep + รู้สึก + Slack กราฟศาสตร์” หลังจาก: “filter → prompt → structured summary → owner → next query” ไม่ใช่ magic ไม่ใช่ตัวแทนที่เป็นอิสระ เพียงแค่ข้อตกลงทางกฎหมายระหว่างคุณและรุ่น และเพียงพอที่จะทําให้บันทึกรู้สึกเหมือนข้อมูลอีกครั้ง

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

เสียงนี้ผลิตในภาษาต้นฉบับของเรื่องราว!

การวิเคราะห์รายงานแบบ Prompt-Driven & Keyword Clustering

About Author

ความคิดเห็น

แขวนแท็ก

บทความนี้ถูกนำเสนอใน

Related Stories

ทําไม "Missing Middle" เป็นโอกาสที่ไม่ได้พลาดมากที่สุดในปี 2026

Only 1% of Phase 6 Is Left: This New Cryptocurrency Is Running Out at $0.035

THE ADVENTURES IN COLORADO

CHANGES AT MILTON.

ทําไม "Missing Middle" เป็นโอกาสที่ไม่ได้พลาดมากที่สุดในปี 2026

Only 1% of Phase 6 Is Left: This New Cryptocurrency Is Running Out at $0.035

THE ADVENTURES IN COLORADO

CHANGES AT MILTON.

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps