Ha chiamato il tuo script di monitoraggio per Graylog — vuole andare in pensione

Illustrazione della sostituzione di uno script di monitoraggio per Graylog con l'aiuto dell'IA

🌐 Anche in: English · Deutsch · Français · Español · Português · Nederlands · Polski

🔍 A volte un progetto collaterale nasce da un problema di lavoro, non dall’homelab. Questo sì: per lavoro al momento sto domando Graylog come piattaforma di log management, e avevo bisogno di check plugin di monitoraggio fatti bene — sia per Icinga2 sia per Zabbix. Sicuramente qualcuno l’ha già risolto, no? No?? 😅

Indice

📉 La parte deludente: cercare su Google e GitHub

La prima mossa è stata quella ovvia — trovare qualcuno che l’avesse già costruito, perché reinventare la ruota è da polli. I risultati sono stati, per usare un eufemismo, deludenti. Quello che esisteva era o estremamente minimale (un check hardcoded, zero soglie, l’equivalente da monitoraggio di un rilevatore di fumo senza batteria) o davvero antico — alcuni repository non vedevano un commit da fino a dieci anni. La REST API di Graylog è cambiata parecchio dall’ultima volta che questi plugin sono stati toccati da mani umane. Non proprio una base di monitoraggio che ispira fiducia. 🦕

💡 L’idea leggermente folle

Così ho avuto quella che chiamerò generosamente un’“idea geniale”: far tirare su a Claude Graylog, Icinga2 e Zabbix sul mio server via Docker Compose, e semplicemente... costruire i check plugin da zero, testando tutto dal vivo contro un’istanza reale in esecuzione invece di fare copia-incolla da un post di dieci anni fa sperando per il meglio. 🐳

Ho chiesto a ChatGPT una lista dei check e delle metriche più importanti da monitorare su Graylog — utilizzo del journal, salute del cluster dell’indexer, stato degli input, throughput, salute dei nodi, cose del genere. Poi il vero compito per Claude era: implementare i check, testare le vere chiamate API contro un’istanza live, e correggere/validare il parsing del JSON rispetto a quello che Graylog restituisce davvero, non a quello che la documentazione di tre major version fa continua a sostenere.

🖥️ La parte che voglio davvero sottolineare: Non ho semplicemente chiesto a un chatbot di sputare un po' di Python in una casella di testo. Ho dato a Claude un accesso reale e diretto alla mia infrastruttura homelab — un cluster di server basato su Proxmox — e l'ho lasciato guidare. Si è creato da solo una VM usa e getta, ha installato Docker e ha tirato su da zero un intero stack Graylog + Icinga2 + Zabbix, tutto in autonomia. Poi è andato avanti: ha eseguito lui stesso le vere chiamate API contro quell'ambiente live, si è accorto quando le risposte non corrispondevano alle sue ipotesi, e ha corretto il proprio codice di conseguenza — senza che io gli passassi le correzioni. In pratica si è fatto il debug da solo contro la realtà invece di tirare a indovinare da un manuale. È una variante sensibilmente diversa di "l'IA mi ha aiutato a scrivere questo codice." 🤖🔧

🧠 Dove finiva la conoscenza dell’addestramento

Claude aveva già una discreta conoscenza della REST API di Graylog dall’addestramento — nomi degli endpoint, forma generale delle cose. Una parte reggeva bene. Un’altra parte decisamente no: un paio di nomi di campi JSON dati per scontati semplicemente non esistono più, e almeno il comportamento di un endpoint (un check di stato per il load balancer che segnala lo stato tramite il codice di stato HTTP grezzo invece che con un body JSON, perché mai renderla facile) era sbagliato fin dal primo giorno, in silenzio. A quanto pare indovinare a memoria ti porta solo fino a un certo punto contro un’API che ha avuto tre anni per cambiare. 🎯

Quello che ha davvero colmato il divario: ho dato a Claude un export OpenAPI completo preso direttamente dalla mia istanza di Graylog. Così ha potuto confrontare ogni endpoint e nome di campo ipotizzato con la specifica reale e attuale — e poi, visto che gli avevo fatto costruire anche l’ambiente di test Docker live, ha potuto fare un passo in più e eseguire davvero le chiamate invece di limitarsi a leggerne come una specie di turista delle API. Entrambi i veri bug trovati in questo modo sono emersi solo a runtime, non leggendo la documentazione. 🐛➡️✅

Colpo di scena bonus: a metà strada mi sono accorto che tutto il banco di prova girava in silenzio contro Graylog 6.1, mentre la specifica OpenAPI che avevo consegnato era per la 7.1.3. Classico momento “sulla mia macchina (sbagliata) funziona”. L’ho notato durante la revisione, ho fatto ricostruire l’ambiente con la versione corretta e ho fatto rieseguire a Claude l’intera suite di test da capo a fondo, per pura paranoia. Buone notizie: entrambi i bug trovati erano identici su tutte e due le versioni — niente di specifico della versione, solo ipotesi sbagliate fin dall’inizio. Comunque, meglio ammettere la discrepanza che fingere che non sia mai successa. 🙈

✅ Il risultato

Ne sono uscite due implementazioni di check separate e davvero native — non una rattoppata con il nastro adesivo attorno all’altra e via. Icinga2 riceve un classico plugin in stile Nagios (exit code, OK/WARNING/CRITICAL, perfdata, tutto il pacchetto). Zabbix riceve invece la sua versione idiomatica, in cui ogni check riporta un valore grezzo e le soglie vere e proprie vivono nei trigger di Zabbix — perché è così che Zabbix vuole essere nutrito, non perché la modalità nativa fosse l’opzione pigra (non lo era affatto — chiedimi un giorno del parsing del formato JSON della Low-Level Discovery di Zabbix). Entrambe sono state testate anche contro un’istanza Icinga2/Zabbix live e in esecuzione, non solo contro Graylog isolato — compreso vedere un vero trigger di Zabbix passare puntualmente allo stato “problem”, cosa che mi ha dato una soddisfazione spropositata per un sabato. 📡

Tutto — plugin, istruzioni di installazione e documentazione completa — è pubblico:

github.com/aptupgrademe/graylog-checks

Se sei costretto a monitorare Graylog con uno script Nagios di dieci anni fa preso da un repository GitHub qualsiasi, spero che questo ti risparmi l’archeologia. 🏺

Alcuni testi e immagini di questo sito sono creati con l’aiuto dell’IA o generati dall’IA. Dettagli