Как перестать платить за хранение логов и начать их понимать с Monoscope
Недавно я в очередной раз наткнулся на счет за облачную обсервабилити-платформу и слегка загрустил. Когда проект растет, стоимость хранения логов, метрик и трейсов в популярных SaaS-решениях начинает напоминать ипотечный платеж. При этом большая часть данных просто лежит мертвым грузом «на всякий случай».
Проект Monoscope предлагает довольно прагматичный выход: хранить все телеметрию в ваших собственных S3-бакетах. Это open-source платформа, которая не пытается изобрести велосипед в плане форматов данных, а нативно работает с OpenTelemetry. Но самое интересное здесь не в экономии, а в том, как авторы предлагают работать с этими данными с помощью ИИ.
Что умеет Monoscope
Если вкратце, это единое окно для мониторинга, где логи, метрики и трейсы живут вместе. Вместо того чтобы переключаться между вкладками Grafana и Kibana, вы видите коррелированные данные в одном интерфейсе.
Главные фишки, которые зацепили меня:
- S3 как основное хранилище. Вы подключаете свой бакет (AWS S3, MinIO или любой совместимый), и данные льются туда. Это в разы дешевле проприетарных баз данных. За производительность отвечает движок TimeFusion, который под капотом использует Apache Arrow для быстрой работы с колончатыми данными.
- Запросы на человеческом языке. Вместо того чтобы мучительно вспоминать синтаксис KQL или PromQL, можно просто спросить: «Покажи все ошибки в сервисе оплаты за последний час». Система сама преобразует это в запрос.
- AI-агенты для поиска аномалий. Можно настроить агентов, которые будут регулярно сканировать данные и присылать отчеты на почту. Они ищут не просто превышение порогов, а странные паттерны, которые человек может пропустить в рутине.
- Нативная поддержка OpenTelemetry. У проекта больше 750 интеграций из коробки. Если ваше приложение уже умеет отдавать данные по OTLP, подружить его с Monoscope получится за пару минут.
Как это устроено внутри
Monoscope написан на Haskell. Выбор необычный для современных инструментов мониторинга, но это дает свои плоды в плане надежности и обработки параллельных потоков данных.
Архитектура выглядит логично:
- Ingestion API принимает данные от ваших приложений.
- TimeFusion Engine упаковывает их и отправляет в S3.
- Query Engine достает данные для дашбордов и CLI.
Кстати, о CLI. Разработчики сделали очень удобную консольную утилиту. Она выдает чистый JSON, который легко парсить через jq. Это позволяет собирать цепочки автоматизации. Например, можно одной командой найти ID ошибки, а следующей — вытащить контекст трафика вокруг этого события за 5 минут до и после.
Практический старт
Попробовать инструмент в деле можно буквально за три команды. Ребята подготовили docker-compose конфиг, который поднимает все необходимое локально.
git clone https://github.com/monoscope-tech/monoscope.git
cd monoscope
docker-compose up
После этого на localhost:8080 будет доступен интерфейс. Чтобы не смотреть в пустые графики, в CLI есть встроенный генератор тестовой телеметрии:
# Отправить одно событие
monoscope send-event -m "Привет от Monoscope"
# Запустить поток трейсов для стресс-теста
monoscope telemetrygen --kind=trace --rate=5 --count=50
Интеграция с AI-инструментами
Что меня действительно удивило, так это поддержка Model Context Protocol (MCP). Это значит, что если вы пользуетесь Claude Desktop или Cursor, вы можете подключить Monoscope как сервер контекста.
Ваш ИИ-ассистент получит прямой доступ к логам и метрикам. Можно попросить Claude: «Проанализируй последние 500-е ошибки в payment-api и предложи фикс». Он сам сходит в Monoscope через MCP, изучит трейсы и выдаст результат. Для тех, кто практикует Agentic Workflows, это просто подарок.
Кому это пригодится
Monoscope вряд ли завтра заменит Datadog в огромных корпорациях, но для средних проектов и стартапов это отличный способ получить качественную обсервабилити без огромных чеков.
Особенно проект будет интересен тем, кто:
- Хочет держать данные под полным контролем в своем облаке.
- Устал от сложности настройки ELK-стека.
- Активно использует ИИ-ассистентов в разработке и хочет дать им доступ к контексту выполнения кода.
Проект активно развивается, в дорожной карте значатся конструктор айопс-воркфлоу и более глубокая агрегация метрик. Лицензия AGPL-3.0 позволяет спокойно хостить его у себя, а для тех, кто не хочет возиться с серверами, есть облачная версия, где вы платите только за вычисления, а данные все равно лежат в вашем S3.
Стоит ли пробовать? Если вы ищете способ сделать мониторинг «умнее» и дешевле — определенно да. Хотя бы ради того, чтобы увидеть, как Haskell справляется с обработкой полумиллиона событий в секунду.
