logwhisper spiega i log in locale usando Llama 3.2 e Ollama
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Una CLI in Go che legge righe di log e fornisce una prima diagnosi sul computer dell'on‑call, senza inviare dati al cloud.
logwhisper analizza log di produzione in locale e offre una prima diagnosi, senza inviare dati a servizi esterni1. Usa Ollama per eseguire un modello a pesi aperti, Llama 3.2, sulla macchina dell’utente. Non richiede chiavi API. Le righe di log restano sul computer di chi esegue il comando1.
È una piccola CLI in Go. Legge righe di log e le spiega in inglese semplice: cosa è successo, la causa probabile, il prossimo controllo da fare. L’idea nasce da un turno di reperibilità: un incidente, un muro di log, serve un primo passaggio che estragga il senso utile1.
Il flusso è lineare. Si può puntare a un file, per esempio: logwhisper examples/production.log. Oppure leggere da uno stream: cat app.log | logwhisper -model llama3.2:3b. La selezione del modello passa dall’opzione -model. Gli esempi mostrano i tag llama3.2:3b e llama3.2:1b in esecuzione locale tramite Ollama. Il repository include un file di prova, examples/production.log, per riprodurre l’esperienza con un comando minimo1.
L’output organizza gli eventi con etichette esplicite. L’autore mostra elementi numerati come “Slow query” e durate in millisecondi. Il testo spiega l’evento in inglese semplice e suggerisce un controllo successivo. Nell’esempio fornito, il log ritrae un servizio in Go che alle 02:15 esaurisce gli slot di connessione di Postgres e inizia a fallire le richieste. Il tool collega i passaggi del log a questa lettura, anche usando un modello piccolo in locale1.
Conta per chi fa reperibilità. Durante un incidente riduce il tempo del primo sguardo ai log. La persona di turno parte da una diagnosi già strutturata, poi approfondisce dove serve. L’elaborazione in locale elimina l’invio di log a terzi. La scelta di un modello open‑weight più Ollama rende il setup autonomo e privo di chiavi API1.
Installazione e uso restano essenziali. Il post di presentazione elenca i comandi minimi, la selezione del modello con -model e un esempio pronti all’uso. Non sono richiesti prerequisiti oltre alla disponibilità del modello in locale tramite Ollama1.
Il progetto è una submission per la Hacktoberfest Open‑Source AI Challenge Week 3: Slow and Steady1. Questo contesto può accelerare test e contributi della community, utile per affinare il comportamento sui log reali nelle prossime settimane1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 8,5/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 7,8/10 dopo 2 revisioni.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.