Heron
Heron ist ein passives, intrusionsfreies Beobachtungstool für KI-Agenten, das Agenten-Turns und LLM-/Tool-Interaktionen aus dem Netzwerkverkehr (pcap/live/eBPF) mit einem integrierten Dashboard, Metriken und SFT-Datenexport rekonstruiert – kein SDK, kein Proxy, keine Codeänderungen.
https://github.com/Netis/heron?ref=producthunt&utm_source=aipure
Produktinformationen
Aktualisiert:Jun 29, 2026
Was ist Heron
Heron (Netis/heron) positioniert sich als „der Wireshark für KI-Agenten“: ein Beobachtungsprodukt, das Ihnen zeigt, was KI-Agenten tun, indem es ihr Verhalten direkt aus erfasstem Traffic rekonstruiert, anstatt Code zu instrumentieren oder Anfragen über einen Proxy zu leiten. Es konzentriert sich auf Agenten-Workflows (Planer → Tool-Aufrufe → Ergebnisse → nächster Schritt) und LLM-Interaktionen und bietet eine lokale Webkonsole (http://localhost:3000) zur Erkundung von Zeitachsen, Details pro Aufruf, Fehlern und Leistungs-/Nutzungsmetriken. Es unterstützt das Wiedergeben von erfassten .pcap-Dateien ohne Berechtigungen, Live-Erfassung über libpcap (mit entsprechenden Fähigkeiten), optionale ZMQ-Aufnahme von einer Remote-Sonde und einen experimentellen Linux eBPF-Modus zur Beobachtung von TLS-Traffic an der SSL-Grenze auf dem Host.
Hauptfunktionen von Heron
Heron (Netis/heron) ist ein passives Observability-Tool für KI-Agenten – positioniert als „der Wireshark für KI-Agenten“ –, das Agenten-Turns, Tool-Aufrufe und LLM-Interaktionen direkt aus dem Netzwerkverkehr (pcap/Live-Erfassung) oder von TLS-Grenzen auf Host-Ebene rekonstruiert, ohne dass ein SDK, Proxy oder Code-Änderungen erforderlich sind und ohne im Anforderungspfad zu sitzen. Es parst Klartext-HTTP/SSE (oder erfasst entschlüsselte Inhalte über optionale Linux eBPF SSL-Uprobes), identifiziert gängige LLM-Wire-APIs (OpenAI/Anthropic/Gemini und OpenAI-kompatible Server), erstellt Zeitachsen und Diensttopologie-Graphen, berechnet Latenz-/Token-Metriken und speichert Ergebnisse (standardmäßig DuckDB, optional ClickHouse) hinter einer lokalen Webkonsole und REST-API, mit der Möglichkeit, echten Traffic in SFT-fähige Datensätze zu exportieren.
Intrusionsfreie passive Erfassung: Beobachtet LLM-/Agenten-Traffic direkt am Kabel (pcap-Wiedergabe oder Live-Schnittstelle) oder an der TLS-Grenze des Hosts, ohne SDK-Instrumentierung, Proxying oder Änderungen am Client-Code – und bleibt dabei außerhalb des Anforderungspfads.
Rekonstruktion von Agenten-Turns: Fügt Multi-Call-Agenten-Workflows (Planer → Tool → Ergebnis → nächster Schritt) zu einzelnen, adressierbaren „Turns“ zusammen, mit benannten Profilen für Tools wie Claude Code und Codex CLI sowie einem generischen Modus.
Wire-API-Erkennung & semantische Dekodierung: Erkennt und dekodiert automatisch gängige LLM-APIs (OpenAI Chat Completions/Responses, Anthropic Messages, Gemini) und unterstützt OpenAI-kompatible Backends (vLLM, SGLang, Ollama, llama.cpp, LM Studio, LiteLLM) durch Inspektion der Bytes auf dem Kabel.
Live-Konsole mit detailliertem Drilldown: Eingebettete Web-UI (localhost:3000) für Zeitachsen, Anforderungs-/Antwort-Inspektion pro Aufruf, Agenten-Sitzungen/-Turns, Roh-HTTP, Pipeline-Zustand und Dashboards für Leistung, Nutzung und Fehler.
Ops-Grade-Metriken & Topologieansichten: Berechnet TTFT/E2E-Latenz/TPOT, Token-Durchsatz, Fehlerraten, Anrufvolumen, Latenz-Perzentile und visualisiert Service-to-Service-Pfade (Clients → Proxies → Inferenz-Backends) als gerichteten Graphen.
SFT-Trajektorienexport aus echtem Traffic: Exportiert rekonstruierte Turns/Sitzungen in OpenAI-ähnliche Nachrichten JSONL (einschließlich Tool-Aufrufe/-Ergebnisse und strukturierter Argumente), um erfasste Agentenläufe in Fine-Tuning-Daten umzuwandeln.
Anwendungsfälle von Heron
Agenten-Debugging & Qualitätssicherung: Entwickler können festgefahrene Tool-Aufrufe, Planungs-Loops, fehlerhafte Prompts und unerwartete Ausgaben diagnostizieren, indem sie rekonstruierte Turns und vollständige Anforderungs-/Antwort-Bodies überprüfen – ohne den Agenten zu modifizieren.
Observability der Inferenzplattform: KI-Plattformteams können die reale Diensttopologie (Client → LiteLLM → vLLM/SGLang usw.) abbilden, die Latenz jedes Hops messen und stille Modell-/Endpunkt-Substitutionen basierend auf dem beobachteten Traffic erkennen.
FinOps / Kostenattribution: Engineering Manager und FinOps können die Nutzung und Leistung nach Agententyp, Modell, Endpunkt und Sitzung anhand von Beweisen aus dem tatsächlichen Traffic und nicht anhand periodischer SDK-Exporte zuordnen.
Compliance, Audit und Incident Response: Sicherheits-/Compliance-Teams können eine einmalige Beweiskette darüber führen, was Agenten gesendet/empfangen haben (wo der Traffic entschlüsselt wird), um Audits und Untersuchungen zu unterstützen, ohne die Produktionspfade zu beeinträchtigen.
Datensatzgenerierung für das Modelltraining: ML-Teams können reale Agenteninteraktionen in SFT-Datensätze umwandeln, indem sie Turns/Sitzungen als strukturierte JSONL exportieren, wobei die Tool-Aufrufstruktur und die Wire-Formate des Anbieters erhalten bleiben.
Vorteile
Kein SDK/Proxy erforderlich und nicht im Anforderungspfad, was die Bereitstellungsreibung reduziert und beobachterinduzierte Ausfälle vermeidet.
Hohe Detailtreue: Erfasst vollständige Anforderungs-/Antwort-Bodies (wenn Klartext verfügbar ist) und rekonstruiert übergeordnete Agenten-Turns, nicht nur Protokolle pro Aufruf.
Breite Kompatibilität mit mehreren LLM-Anbietern und OpenAI-kompatiblen Inferenzservern über Wire-Level-Erkennung.
Portable Distribution: einzelne Binärdatei mit eingebetteter Konsole; unterstützt pcap-Wiedergabe für Offline-/CI-Analyse.
Nachteile
Erfordert Klartext-HTTP-Sichtbarkeit; verschlüsselter Traffic muss hinter der TLS-Terminierung platziert werden oder die Verwendung von experimenteller Linux eBPF SSL-Uprobe-Erfassung mit zusätzlichen Funktionen erfordern.
Passive Erfassung kann die End-to-End-Korrelation über verteilte Client-Cluster hinweg im Vergleich zu explizitem Tracing/SDK-Tagging einschränken.
Einige Formate werden nur teilweise unterstützt; nicht unterstützte Wire-Formate werden übersprungen/gemeldet, anstatt dekodiert zu werden.
Die Live-Schnittstellenerfassung kann erhöhte Berechtigungen/Fähigkeiten erfordern (z.B. CAP_NET_RAW/CAP_NET_ADMIN unter Linux).
Wie verwendet man Heron
1) Heron installieren (Linux/macOS, benutzerlokal, kein sudo): Führen Sie den Ein-Zeilen-Installer aus, um das `heron`-Binary in einem benutzerlokalen Verzeichnis zu platzieren.
Befehl:
curl -fsSL https://raw.githubusercontent.com/Netis/heron/main/install.sh | INSTALL_DIR="$HOME/.local" sh
2) Installation überprüfen: Bestätigen Sie, dass das Binary läuft und sich in Ihrem PATH befindet.
Befehle:
heron --version
heron --help
3) Einen Smoke-Test ohne Privilegien mit einer .pcap-Wiedergabe durchführen: Geben Sie eine vorhandene Paketerfassung mit LLM-Traffic wieder. Dies erfordert keine Live-Erfassung und keine besonderen Privilegien.
Befehl:
heron --pcap-file capture.pcap --no-retention
Tipp: Wenn Sie keine pcap-Datei haben, verwenden Sie die Repo-Fixtures in `testdata/pcaps/` und spielen Sie eine davon ab.
4) Die Webkonsole öffnen: Nach dem Start von Heron öffnen Sie die eingebettete Konsole in Ihrem Browser, um Agenten-Turns, Zeitachsen und Metriken zu überprüfen.
URL:
http://localhost:3000
Hinweis: Nachdem eine pcap-Wiedergabe abgeschlossen ist, hält Heron die API/Konsole verfügbar, damit Sie browsen können. Drücken Sie Strg+C zum Beenden, oder übergeben Sie `--exit-after-drain`, um automatisch zu beenden, sobald die Pipeline entleert ist.
5) Zustand prüfen und bestätigen, dass Spuren rekonstruiert wurden (API-Verifizierung): Verwenden Sie die REST-API, um zu bestätigen, dass der Dienst fehlerfrei ist und dass rekonstruierte Spuren verfügbar sind.
Befehle:
curl -s http://localhost:3000/api/health
curl -s 'http://localhost:3000/api/traces?limit=5'
6) (Optional) Live-Erfassung von einer Netzwerkschnittstelle ausführen (Linux/macOS): Wenn Sie eine Live-Schnittstelle haben und Echtzeit-Erfassung wünschen, führen Sie Heron gegen eine Schnittstelle aus.
Befehl:
heron -i eth0
Linux-Hinweis: Live-Erfassung benötigt `CAP_NET_RAW` (und verwandte Fähigkeiten). Die Installationsdokumentation empfiehlt, Fähigkeiten einmal zu gewähren, damit Sie zur Laufzeit kein sudo benötigen:
sudo setcap cap_net_raw,cap_net_admin=eip ~/.local/bin/heron
7) Die TLS-Anforderung verstehen (wo Heron eingesetzt werden soll): Heron rekonstruiert LLM-Aufrufe aus unverschlüsseltem HTTP. Installieren Sie es dort, wo der Traffic bereits entschlüsselt ist: auf dem Inferenz-Host, hinter einem TLS-Terminator oder speisen Sie es aus einer vertrauenswürdigen Paketquelle. Die Paketerfassung allein kann verschlüsselte Inhalte nicht sehen.
8) (Optional, Linux experimentell) TLS-Traffic als Klartext über eBPF SSL-Uprobes erfassen: Unter Linux verfügt Heron über eine optionale experimentelle eBPF-Quelle, die `SSL_read`/`SSL_write` hookt, um TLS-verschlüsselte LLM-Aufrufe als Klartext auf dem Host zu lesen und Aufrufe Prozessen (pid/Befehl/ausführbare Datei) zuzuordnen. Dies ist hinter dem `ebpf`-Cargo-Feature integriert und erfordert `CAP_BPF` und Kernel-BTF. Befolgen Sie die eBPF-Erfassungsdokumentation des Repositories für die Einrichtung.
9) Die Konsole verwenden, um Agentenverhalten und Diensttopologie zu analysieren: Verwenden Sie in der Konsole (`http://localhost:3000`) Seiten wie Übersicht/Leistung/Nutzung/Fehler und die Dienstansichten, um gerichtete Graphen von Clients → Proxys → Backends zu sehen. Heron erkennt Endpunkte (z. B. vLLM, SGLang, Ollama, llama.cpp, LiteLLM) aus Bytes im Netzwerk.
10) Rekonstruierte Agenten-Turns inspizieren (Multi-Call-Narrative): Navigieren Sie zu Agent Turns, um Multi-Call-Interaktionen zu sehen, die zu einzelnen Turns zusammengefügt wurden (Planer → Tool → Ergebnis → nächstes Tool). Dies bietet eine narrative Ansicht anstelle von rohen Anforderungsprotokollen.
11) SFT-Trajektorien aus realem Traffic exportieren (Fine-Tuning-Daten): Exportieren Sie OpenAI-ähnliche `messages` JSONL aus der Detailansicht eines Turns (oder als Batch-Export aus der Agent Turns-Liste mit Filtern). Heron bewahrt Tool-Aufrufe/Ergebnisse und rehydriert Argumente zu Objekten. Derzeit unterstützt: Anthropic- und OpenAI-Chat-Wire-Formate; nicht unterstützte Formate werden gemeldet und übersprungen.
12) Speicherung und Aufbewahrung konfigurieren (DuckDB Standard; ClickHouse optional): Standardmäßig speichert Heron Daten in DuckDB (eingebettet, einzelne Datei) mit tabellenspezifischen Aufbewahrungskontrollen. Für Analysen mit höherem Volumen konfigurieren Sie ClickHouse, indem Sie `storage.backend = "clickhouse"` einstellen (gemäß der Konfigurationsdokumentation).
13) (Optional) Korrekt aus dem Quellcode erstellen (Konsole eingebettet): Wenn Sie von der Quelle aus entwickeln/erstellen, verwenden Sie die `just`-Befehle des Projekts, damit die Webkonsole eingebettet ist. Das Repository warnt, dass ein einfaches `cargo build --release` eine funktionierende API, aber eine leere Konsole ergeben kann.
Empfohlen:
just build all
just quality all
just test all
Wenn Sie cargo direkt aufrufen, erstellen Sie zuerst die Konsole (`bun run build` in `console/`) und kompilieren Sie mit `--features console`.
Heron FAQs
Heron (Netis/heron) ist ein passives Beobachtungstool für KI-Agenten – beschrieben als „Der Wireshark für KI-Agenten“. Es rekonstruiert Agenten-Turns, Tool-Aufrufe und LLM-Interaktionen aus dem Netzwerkverkehr (direkt vom Kabel oder an der TLS-Grenze des Hosts), ohne sich im Anforderungspfad zu befinden.
Heron Video
Beliebte Artikel
Atoms: Eine Multi-Agenten-KI-Plattform, die Ideen in startbereite Produkte verwandelt
May 22, 2026
Nano Banana SBTI: Was es ist, wie es funktioniert und wie man es im Jahr 2026 einsetzt
Apr 15, 2026
Atoms Review – Der KI-Produkt-Builder, der die digitale Erstellung im Jahr 2026 neu definiert
Apr 10, 2026
Kilo Claw: Wie man einen echten "Do-It-For-You" KI-Agenten bereitstellt und verwendet (2026 Update)
Apr 3, 2026
Neueste KI-Tools ähnlich wie Heron
Hapticlabs
Hapticlabs ist ein No-Code-Toolkit, das Designern, Entwicklern und Forschern ermöglicht, immersive haptische Interaktionen über Geräte hinweg einfach zu entwerfen, zu prototypisieren und bereitzustellen, ohne programmieren zu müssen.
Deployo.ai
Deployo.ai ist eine umfassende KI-Bereitstellungsplattform, die nahtlose Modellbereitstellung, Überwachung und Skalierung mit integrierten ethischen KI-Rahmenwerken und Cloud-übergreifender Kompatibilität ermöglicht.
CloudSoul
CloudSoul ist eine KI-gestützte SaaS-Plattform, die es Benutzern ermöglicht, Cloud-Infrastrukturen sofort über natürliche Sprachkonversationen bereitzustellen und zu verwalten, wodurch das Management von AWS-Ressourcen zugänglicher und effizienter wird.
Devozy.ai
Devozy.ai ist eine KI-gestützte Entwickler-Selbstbedienungsplattform, die agiles Projektmanagement, DevSecOps, Multi-Cloud-Infrastrukturmanagement und IT-Service-Management in einer einheitlichen Lösung zur Beschleunigung der Softwarebereitstellung kombiniert.
Beliebte KI-Tools wie Heron
A2A Protocol
Das A2A (Agent2Agent)-Protokoll ist ein offenes Interoperabilitätsprotokoll, das von Google entwickelt wurde und eine nahtlose Kommunikation und Zusammenarbeit zwischen KI-Agenten über verschiedene Frameworks und Anbieter hinweg ermöglicht, unabhängig von ihrer zugrunde liegenden Architektur.
VoltOps
VoltOps ist eine Framework-agnostische LLM-Observability-Plattform, die Echtzeit-Visualisierungs-, Debugging- und Optimierungstools für KI-Agenten in jedem Technologie-Stack bietet.
Chaterm
Chaterm ist ein Open-Source-KI-natives Terminal und SRE-Copilot, das es Ingenieuren ermöglicht, komplexe Infrastruktur durch natürliche Sprache zu verwalten und Bereitstellung, Fehlerbehebung und Operationen zu automatisieren, ohne Befehle auswendig zu lernen.
Open Browser Use
Open Browser Use ist eine Open-Source, Agenten-Laufzeit-neutrale Browser-Automatisierungsschicht, die eine Chrome-Erweiterung mit einer CLI/SDK/MCP koppelt, um DOM-bewusste, CDP-gesteuerte Tab-Steuerung, Navigation und Aktionen über verschiedene KI-Agenten-Tools hinweg zu ermöglichen.