Jak AI czyta błędy i alerty z Sentry i Datadog i co zrobi z incydentem w Waszej aplikacji?
AI podłączona do Sentry i Datadog tłumaczy błędy aplikacji językiem zrozumiałym dla całego zespołu, grupuje je po wpływie na użytkowników i pisze notatki po incydentach.
Sentry i Datadog mają otwarte REST API, więc AI może sięgnąć do nich w każdej chwili, bez eksportów i ręcznego kopiowania. Podłączenie wymaga klucza API, odpowiednich uprawnień odczytu i jednego narzędzia, które pyta te systemy o nowe zdarzenia. Co z tego ma firma: AI tłumaczy każdy nowy błąd językiem zrozumiałym dla nie-programisty, wskazuje, które zgłoszenia realnie blokują użytkowników, i pisze gotową notatkę po incydencie, zamiast zostawiać to na "kiedyś".
Co zbierają Sentry i Datadog, zanim w ogóle zaangażujemy AI?
Sentry skupia się na błędach i wyjątkach. Każde niezłapane wyjątki trafiają tu z pełnym stack trace'em, ścieżką wywołań i kontekstem użytkownika. W interfejsie Issues widać pola: type (klasa błędu), culprit (plik i funkcja, gdzie się pojawił), first_seen, last_seen, times_seen oraz users_count, czyli ilu unikalnych użytkowników trafiło na ten błąd. Do tego Sentry śledzi wydania: jeśli wdrożycie nową wersję z tagiem release, system od razu wiąże błędy z konkretnym wdrożeniem.
Datadog jest szerszy zakresowo. Zbiera metryki infrastruktury (CPU, RAM, opóźnienia zapytań do bazy), APM z dokładnymi śladami żądań HTTP (traces z polem resource_name i duration), logi z wielu serwisów naraz i Monitors, czyli alerty, które strzelają, gdy metryka przekroczy próg. Datadog obsługuje też Deployment Tracking: system wie, kiedy wyszło nowe wydanie i jak po nim zmieniły się metryki błędów i latencji.
Do AI wyciągamy konkretny, przycięty zestaw. Lista Issues z Sentry z ostatnich kilku lub kilkunastu godzin, sortowana po users_count. Aktywne alerty z Datadog w stanie "Alert" z widoku Monitors. Ślady APM dla najwolniejszych endpointów. Logi z danego serwisu z przedziału czasowego incydentu. To nie jest wszystko, co te systemy trzymają: wyciągamy tylko to, co AI potrzebuje, żeby nie zasypywać modelu gigabajtami.
Jak fizycznie wygląda podłączenie: API, klucze, uprawnienia
Oba systemy udostępniają REST API z dobrą dokumentacją. W Sentry klucz to User Auth Token, który generujecie w Settings > Auth Tokens. Do samego odczytu wystarczą uprawnienia org:read i project:read. Endpointy, z których korzystamy najczęściej:
- GET /api/0/projects/{org}/{project}/issues/ z parametrami query, is:unresolved, sortby:users, limit: lista błędów z filtrowaniem
- GET /api/0/issues/{issue_id}/events/latest/ ze szczegółami zdarzenia, pełnym stack trace'em i kontekstem żądania HTTP
- GET /api/0/organizations/{org}/releases/ z listą wydań i datami deploymentów
Sentry ma też Webhooks (w Project Settings > Integrations): można ustawić wywołanie zewnętrznego URL przy nowym błędzie lub zmianie statusu Issue. To pozwala uruchamiać analizę AI w czasie rzeczywistym, nie tylko według harmonogramu.
W Datadog potrzebna jest para: API Key (do wysyłania danych do Datadog) i Application Key (do odczytu przez API). Oba generujecie w Organization Settings > API Keys i Application Keys. Do monitoringu wystarczą uprawnienia monitors_read i logs_read. Główne endpointy:
- GET /api/v1/monitor z parametrem with_downtimes i grupowaniem po stanie: lista aktywnych alertów
- POST /api/v2/logs/events/search z zakresem czasu (from, to w Unix timestamp), zapytaniem i filtrami po serwisie, poziomie (error, warn) i tagach
- GET /api/v2/apm/traces ze śladami APM, polami service, resource, duration i error flag
Datadog oferuje też Webhook Integration w sekcji Integrations: przy przejściu Monitora w stan "Alert" lub "Recovery" system wywołuje zewnętrzny URL z payloadem JSON zawierającym nazwę alertu, wartość metryki, progi i czas zdarzenia.
Czego nie ma lub co jest płatne: dane z Datadog Profiler (ciągłe profilowanie CPU na poziomie kodu) wymagają wyższego planu. W Sentry pełne Performance Monitoring i ślady żądań są dostępne od planu Team. Darmowe konta mają ograniczone retencje: 30 dni dla Issues w Sentry, 15 dni dla logów w Datadog. Przy pytaniach "co się działo dwa miesiące temu" retencja jest ważna.
U jednego klienta ustawiliśmy webhook z Sentry wyzwalający analizę AI przy każdym nowym Issue o statusie unresolved i priorytecie high. Skrypt sprawdzał pole first_seen względem daty ostatniego deployu, wyciągał stack trace i pytał AI o wyjaśnienie. W ciągu miesiąca zespół przestał przeglądać Sentry ręcznie rano: o 8:00 lądowało gotowe podsumowanie na wspólnej skrzynce.
Tłumaczenie błędu i wskazanie prawdopodobnej przyczyny
Stack trace to dla programisty punkt wyjścia. Dla właściciela firmy lub project managera to kilkadziesiąt linii niezrozumiałego tekstu. AI robi z tego jedno zdanie.
Przykład z praktyki: "Błąd pojawia się, gdy użytkownik próbuje pobrać fakturę PDF. Aplikacja nie może znaleźć pliku tymczasowego, bo katalog /tmp/invoices nie istnieje na serwerze produkcyjnym. Powiązane wydanie: v2.3.1, wdrożone wczoraj o 14:22. Prawdopodobna przyczyna: po wdrożeniu folder nie został odtworzony." Zamiast Stack trace w polu entries[0].data.values z dwudziestu linii Java.
Żeby AI mogło powiązać błąd z wydaniem, potrzebuje dwóch sygnałów: pola first_seen z Sentry i daty ostatniego deployu z Datadog Deployment Tracking albo z listy releases. Jeśli first_seen jest bliższe deployu niż godzina, AI zakłada korelację i mówi o tym wprost. To hipoteza do sprawdzenia, nie gotowy wyrok, i tak powinniście to traktować.
Poza tłumaczeniem AI kategoryzuje błąd według schematu, który sami ustalacie. Najczęściej używamy czterech kategorii: błąd konfiguracji serwera, błąd danych wejściowych od użytkownika, timeout zewnętrznego API i błąd logiki biznesowej. Każda sugeruje inną ścieżkę naprawy i inny priorytet interwencji.
Grupowanie zgłoszeń według wpływu na użytkowników: pole users_count robi robotę
Sentry liczy pole users_count dla każdego Issue: ile unikalnych użytkowników (po user ID albo IP) trafiło na ten błąd w danym oknie czasowym. To jedno pole zmienia logikę priorytetyzacji.
Bez AI typowy poranek w zespole technicznym wygląda tak: lista Issues w Sentry, sortowana domyślnie po last_seen, i programista zaczyna od góry, czyli od najnowszego. AI odwraca tę logikę: sortuje po users_count pomnożonym przez częstotliwość i mówi: "Trzy błędy dotknęły ponad jedną piątą aktywnych użytkowników ostatniej doby. Reszta to błędy jednostkowe: warto naprawić, ale nie blokują działania." Brzmi prosto. Ale zanim ktoś to zrobi ręcznie, mija pół godziny i nierzadko wcale nie mija, bo dzień się zaczął.
Drugie grupowanie, które okazuje się użyteczne w praktyce, to według miejsca w aplikacji. Sentry przechowuje pole culprit i transaction (nazwa trasy HTTP albo ekranu mobilnego). AI może powiedzieć: "Pięć różnych błędów pochodzi z tej samej ścieżki /checkout/payment. To jeden punkt awarii, nie pięć osobnych problemów." W Datadog podobną analizę daje grupowanie logów przez facet analysis po polu @http.url_details.path albo po tagach serwisów w śladach APM.
Trzeci rodzaj grupowania: błędy powracające. Sentry nadaje Issue status regressed, gdy błąd wrócił po oznaczeniu go jako naprawiony (resolved). AI wyłapuje te sytuacje osobno i pokazuje je jako osobną kategorię: "Dwa błędy wróciły po poprzednim wdrożeniu. Naprawy nie zadziałały albo zadziałały tylko częściowo."
Notatka po incydencie, którą AI pisze zamiast czekać na "kiedyś"
Post-mortem to dokument, który każdy wie, że powinien powstać po poważnym zdarzeniu. I który bardzo często nie powstaje, bo po ugaszeniu pożaru nikt nie ma czasu cofać się do timeline'u.
AI generuje gotowy szkic. Potrzebuje do tego: logów z Datadog z przedziału incydentu (endpoint POST /api/v2/logs/events/search z zakresem from i to w Unix timestamp), historii zmian stanu Monitora (endpoint GET /api/v1/monitor/{monitor_id} z polem overall_state_modified), listy Issues z Sentry, które pojawiły się w tym samym oknie czasowym, i ewentualnie listy ostatnich deploymentów.
Typowo wygląda to tak: incydent trwał od 09:14 do 10:02, alert strzelił przy przekroczeniu latencji p95 powyżej 2000ms na endpoincie /api/orders/list, Sentry pokazał jednocześnie wzrost błędów z klasy DatabaseConnectionTimeout, ostatni deploy był o 08:51. AI składa z tego spójny opis: "O 08:51 wyszło wydanie v2.3.2. Osiemnaście minut później monitoring wykrył wzrost czasu odpowiedzi endpointu zamówień. Logi z 09:14 do 10:02 pokazują powtarzające się błędy połączenia z bazą danych. Błąd nie wystąpił w środowisku stagingowym, bo tam pool połączeń ma inną konfigurację niż w produkcji."
Ten szkic nie zastępuje głębszej analizy technicznej. Ale skraca czas pisania notatki do wewnętrznego przeglądu z godziny do kwadransu. I eliminuje sytuację, gdy notatka miała być napisana i nie powstaje wcale.
Alerty, które nie krzyczą w nocy bez powodu
Datadog Monitors to temat osobny. Firma, która wdraża Datadog bez dostrojenia, dostaje deszcz alertów. Bardzo szybko wszyscy przestają na nie reagować. AI pomaga w dwóch kwestiach.
Pierwsza: analiza istniejących Monitorów pod kątem szumu. AI przegląda historię każdego Monitora (ile razy był w stanie "Alert" przez ostatnie 30 dni, ile z tych alertów skończyło się realną akcją) i mówi: "Ten alert strzelił 94 razy, 91 razy bez żadnej interwencji. Prawdopodobnie próg jest za niski albo alert pokrywa się z zaplanowanymi deployami." To jest wejście do rozmowy z zespołem o dostrojeniu, nie gotowa zmiana konfiguracji.
Druga: automatyczny komentarz do zakończonego incydentu. Gdy Monitor przejdzie ze stanu "Alert" do "OK", AI może dopisać jednozdaniowy opis: kiedy zaczęło, kiedy skończyło, jaka metrika przekroczyła próg i czy w tym samym czasie pojawił się powiązany błąd w Sentry. To historia incydentów, którą można przeglądać bez kopania w surowych logach. Przydaje się przy rozmowach z klientem: "Tak, 12 marca mieliśmy awarię, trwała 48 minut, oto co się stało."
Od czego zaczynacie: lista rzeczy do sprawdzenia przed pierwszym uruchomieniem
Zanim podłączycie AI, sprawdźcie kilka rzeczy po stronie danych.
W Sentry: czy macie skonfigurowane tagi release przy każdym wdrożeniu? Bez tego AI nie może powiązać błędów z wydaniami. Czy pole Assigned to jest używane, czy Issues leżą bez przypisania od tygodnia? Chaos w Sentry daje chaotyczne dane na wejściu do AI.
W Datadog: czy macie Monitors aktywne dla kluczowych endpointów i serwisów? Czy APM jest włączone i zbieracie traces? Bez nich analiza przyczyn sprowadza się do logów, a logi nie zawsze mówią "dlaczego było wolno".
- Klucze API: User Auth Token w Sentry (Settings > Auth Tokens), para API Key + Application Key w Datadog (Organization Settings)
- Uprawnienia odczytu: org:read i project:read w Sentry, monitors_read i logs_read w Datadog
- Webhooks: opcjonalnie, żeby AI uruchamiała analizę w czasie rzeczywistym przy nowym alercie
- Narzędzie po stronie portalu: skrypt albo moduł, który wyciąga dane, składa pakiet do analizy i zwraca wynik we właściwe miejsce (mail, widok w portalu, Slack)
Pierwsze sensowne wdrożenie to zwykle jedno: poranny raport nowych i powracających błędów z Sentry z ostatnich 24 godzin, posortowanych po wpływie na użytkowników. Generuje się automatycznie o ustalonej godzinie, trafia do osoby odpowiedzialnej za produkt. Resztę dokładacie potem, gdy zobaczycie, że to działa.
Chcecie zobaczyć, jak wyglądają realne wdrożenia u firm, które już spinają monitoring z AI? Zerknijcie na nasze opisy. A jeśli chcecie sprawdzić, co można wyciągnąć z Waszego konkretnego ustawienia Sentry lub Datadog, umówcie się na 15 minut rozmowy. Pokażemy, co da się zrobić bez tygodnia programowania.
Chcecie to u siebie?
Na osobnej stronie rozpisaliśmy, co dokładnie podłączamy w Sentry, o co możecie wtedy pytać asystenta i ile kosztuje wdrożenie.
Co podłączamy i ile to kosztuje →Najczęstsze pytania
Czy AI zastąpi programistę przy analizie błędów w Sentry?
Nie zastąpi, ale zmienia kto musi patrzeć w Sentry jako pierwszy. AI wyjaśnia błąd językiem zrozumiałym dla project managera lub właściciela, wskazuje prawdopodobną przyczynę i priorytetyzuje według wpływu na użytkowników. Programista dostaje gotowe wejście zamiast przeglądać kilkadziesiąt Issues od zera.
Jakie klucze API potrzebuję do podłączenia AI z Sentry i Datadog?
W Sentry to User Auth Token z uprawnieniami org:read i project:read, generowany w Settings > Auth Tokens. W Datadog para: API Key i Application Key z Organization Settings z uprawnieniami Monitors Read i Logs Read. Nie trzeba kupować osobnych kont serwisowych.
Czy AI może pisać notatki post-mortem po każdym incydencie automatycznie?
Tak, jeśli Datadog Monitor albo Issue w Sentry przekroczą ustalone progi. AI składa timeline z logów, historii alertów i zmian statusu błędu, a wynik trafia do odpowiedniej osoby na maila lub w widoku portalu. To szkic do uzupełnienia, nie gotowy dokument do wysłania na zewnątrz.
Czy integracja działa z darmowymi kontami Sentry i Datadog?
Częściowo. Darmowe konta mają ograniczoną retencję: Sentry zachowuje Issues przez 30 dni, Datadog logi przez 15 dni. Webhooks i REST API działają na darmowych planach, ale bez Performance Monitoring i APM w Sentry nie ma pełnych śladów żądań. Do podstawowej analizy błędów i alertów to wystarczy na start.
Jak długo trwa podłączenie AI do Sentry lub Datadog?
Samo wygenerowanie kluczy i pierwsze zapytanie do API to kwestia godziny. Zbudowanie narzędzia, które automatycznie rozsyła poranny raport błędów albo uruchamia analizę przy nowym alercie, zajmuje zazwyczaj jeden dzień roboczy. Czas rośnie, gdy chcecie głębszą integrację z APM i logami Datadog.
Pokażemy to na Waszych danych z Sentry
Jedno zdanie wystarczy: czego szukacie w Sentry albo co ma się dziać samo. Odpiszemy, co podłączymy i od czego zacząć.
Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.
Podłączymy Sentry do AI u Was
15 minut rozmowy: mówicie, czego szukacie w danych, my mówimy, co wyciągniemy z Sentry, ile to potrwa i czego potrzebujemy po Waszej stronie.
- Bezpłatna prezentacjaAI na Waszych zadaniach, nie na slajdach.
- Dostęp tego samego dniaZespół od razu pracuje we własnym portalu.
- Do 2 tygodni testówPłacicie dopiero po decyzji.
Może Was też zainteresować

Jak AI może sprawdzić status paczki, porównać koszty kurierów i przygotować reklamację w GlobKurier za Wasz sklep?

Jak AI może czytać procedury i tabele z Coda i Craft, żeby nikt w firmie nie szukał ręcznie?
