playbooks

home / skills / ntaksh42 / agents / log-analyzer

log-analyzer skill

/.claude/skills/log-analyzer

This skill analyzes application logs to detect errors, patterns, and anomalies, providing actionable insights for troubleshooting and system behavior

npx playbooks add skill ntaksh42/agents --skill log-analyzer

Review the files below or copy the command above to add this skill to your agents.

Files (1)
SKILL.md
3.8 KB
---
name: log-analyzer
description: Analyze application logs to detect errors, patterns, anomalies, and generate insights. Use when troubleshooting issues or analyzing system behavior.
---

# Log Analyzer Skill

アプリケーションログを分析し、問題を特定するスキルです。

## 概要

大量のログファイルからエラー、警告、パターンを検出し、根本原因を分析します。

## 主な機能

- **エラー検出**: 例外、スタックトレース、エラーメッセージ
- **パターン認識**: 繰り返し発生する問題
- **時系列分析**: エラーの発生傾向
- **根本原因分析**: ログから問題の原因を推定
- **統計情報**: エラー率、レスポンスタイム等
- **アラート生成**: 異常検知と通知
- **ログレベル分類**: ERROR、WARN、INFO、DEBUG

## 使用方法

```
以下のログを分析：

[ログファイルの内容]

分析項目:
- エラーの種類と頻度
- 根本原因の推定
- 解決策の提案
```

## 分析例

### エラーログ分析

**入力ログ**:
```
2024-06-15 10:23:45 ERROR [database] Connection timeout after 30s
2024-06-15 10:23:50 ERROR [database] Connection timeout after 30s
2024-06-15 10:24:12 ERROR [database] Connection timeout after 30s
2024-06-15 10:25:33 ERROR [api] Failed to fetch user data: Database unavailable
2024-06-15 10:25:34 ERROR [api] Failed to fetch user data: Database unavailable
```

**分析結果**:
```markdown
# ログ分析レポート

## サマリー
- **分析期間**: 2024-06-15 10:23:45 - 10:25:34 (2分間)
- **総ログ数**: 450行
- **エラー数**: 5件
- **警告数**: 12件

## 検出された問題

### [CRITICAL] データベース接続タイムアウト
**頻度**: 3回（10:23:45 - 10:24:12）
**影響**: API リクエスト失敗（2件）

**ログパターン**:
```
ERROR [database] Connection timeout after 30s
```

**根本原因（推定）**:
1. データベースサーバーの過負荷
2. ネットワーク接続の問題
3. コネクションプールの枯渇

**推奨アクション**:
1. データベースのCPU/メモリ使用率を確認
2. スロークエリログをチェック
3. コネクションプールサイズを確認
4. ネットワーク遅延を計測

### [HIGH] API エラー連鎖
**頻度**: 2回（DB タイムアウト後に発生）
**原因**: データベース障害の波及

## 時系列分析

```
10:23 ├─ DB接続タイムアウト開始
10:24 ├─ DB接続タイムアウト継続
10:25 ├─ API エラー発生（DB不可）
      └─ ユーザーリクエスト失敗
```

## 統計情報

| メトリクス | 値 |
|----------|-----|
| エラー率 | 1.1% (5/450) |
| 平均レスポンス | 245ms |
| 最大レスポンス | 30,012ms (timeout) |
| 成功率 | 98.9% |

## 推奨対応

### 即時対応
1. データベース接続状況の確認
2. アプリケーション再起動（接続プールリセット）
3. データベースのパフォーマンス確認

### 短期対応
1. コネクションプールサイズの最適化
2. タイムアウト値の見直し
3. リトライロジックの実装

### 長期対応
1. データベースのスケーリング
2. 読み取りレプリカの追加
3. キャッシュ層の導入
```

## サポートログ形式

- **一般形式**: syslog, Apache, Nginx
- **アプリケーション**: Log4j, Winston, Python logging
- **クラウド**: CloudWatch, Stackdriver
- **JSON**: 構造化ログ

## ベストプラクティス

1. **構造化ログ**: JSON形式で統一
2. **適切なレベル**: ERROR、WARN、INFO を使い分け
3. **コンテキスト**: リクエストID、ユーザーIDを含める
4. **集約**: ログ集約ツール（ELK、Splunk）使用

## バージョン情報

- スキルバージョン: 1.0.0
- 最終更新: 2025-01-22

Overview

This skill analyzes application logs to detect errors, patterns, anomalies, and generate actionable insights for troubleshooting and performance improvement. It summarizes error types, frequency, time-series trends, and suggests root-cause hypotheses and remediation steps. Use it to speed up incident response and inform reliability improvements.

How this skill works

The analyzer ingests raw or structured logs (syslog, Apache/Nginx, Log4j, JSON, CloudWatch, etc.), parses timestamps, levels, components, and message text. It detects repeated patterns, aggregates counts by error type, performs simple time-series clustering to surface incident windows, and estimates likely root causes based on observed patterns. It produces a concise report with statistics, detected issues, and prioritized remediation recommendations.

When to use it

  • Investigating a spike in user-facing errors or degraded performance
  • Triage after an incident to identify root causes and affected components
  • Continuous monitoring to detect emerging error patterns or regressions
  • Auditing logs to quantify error rates and key metrics
  • Preparing post-incident reports and remediation plans

Best practices

  • Send structured logs (JSON) with request IDs and contextual fields to improve correlation
  • Include clear log levels (ERROR, WARN, INFO, DEBUG) and consistent component tags
  • Centralize logs in an aggregator (ELK, Splunk, CloudWatch) for reliable parsing and retention
  • Annotate incidents with deployment and config change metadata to correlate causes
  • Set sensible retention and sampling for high-volume sources to balance detail and cost

Example use cases

  • Identify repeated database connection timeouts and determine if they precede API failures
  • Quantify error rate and average response time across a deployment window after a new release
  • Detect unusual increases in WARN/ERROR messages indicating degraded subsystem health
  • Provide a prioritized remediation checklist: immediate fixes, short-term mitigations, and long-term architectural changes
  • Convert raw logs into a short incident timeline for postmortem reports

FAQ

What log formats are supported?

Supports common formats including syslog, Apache/Nginx, Log4j, Winston, Python logging, JSON structured logs, and cloud providers like CloudWatch and Stackdriver.

How does it estimate root cause?

Root-cause suggestions are heuristic: it correlates repeated error messages, sequence patterns, and timestamps with common failure modes (e.g., DB overload, network issues, connection-pool exhaustion) and recommends checks to validate those hypotheses.