LogStitch
LogStitch est une application macOS native et "local-first" pour AWS Lambda qui assemble les lignes de journal CloudWatch en invocations lisibles par requête, corrèle les requêtes à travers les fonctions/comptes/régions, et ajoute des analyses intégrées, la détection d'anomalies et un serveur MCP local pour l'interrogation de journaux assistée par l'IA.
https://www.logstitch.app/?ref=producthunt&utm_source=aipure
Informations sur le produit
Mis à jour:Jun 24, 2026
Qu'est-ce que LogStitch
LogStitch est une visionneuse de journaux native macOS conçue spécifiquement pour AWS Lambda et CloudWatch Logs. Au lieu de vous forcer à lire des flux de journaux entrelacés et triés par horodatage, il reconstruit chaque exécution Lambda en une "histoire d'invocation" cohérente en regroupant les lignes de journal par ID de requête. L'application est conçue pour la vitesse (native AppKit), prend en charge les processeurs Intel et Apple Silicon, et stocke tout localement dans une base de données SQLite afin que vous puissiez parcourir l'historique hors ligne. Elle est vendue comme un achat unique avec un essai gratuit de 14 jours, et elle met l'accent sur la confidentialité en gardant les journaux sur votre machine et en utilisant le Trousseau d'accès macOS pour les identifiants.
Caractéristiques principales de LogStitch
LogStitch est une application macOS native et "local-first" pour visualiser et analyser les logs AWS Lambda en regroupant automatiquement les lignes de log CloudWatch en "histoires" lisibles par invocation, en utilisant les ID de requête. Elle prend en charge la corrélation inter-fonctions/comptes/régions, le "live tailing" en temps réel qui préserve la structure, l'analyse intégrée des performances et des coûts (tendances p99, démarrages à froid, dimensionnement de la mémoire, projections), et la détection automatisée des modèles d'erreur récurrents et des anomalies statistiques. Les logs sont récupérés directement depuis AWS en utilisant les identifiants stockés dans le Trousseau macOS et mis en cache dans une base de données SQLite locale pour une recherche rapide et une utilisation hors ligne. L'application inclut également un serveur MCP "localhost-only" afin que des outils comme Claude puissent interroger vos logs sans exposer les identifiants AWS.
Assemblage d'invocations par ID de requête: Réassemble les flux CloudWatch entrelacés en vues d'invocation cohérentes par requête, affichant les événements de plateforme, le JSON analysé et les indicateurs de démarrage à froid afin que les exécutions soient lisibles de bout en bout.
Corrélation inter-comptes / inter-régions: Suit une seule requête à travers plusieurs Lambdas, comptes et régions avec une chronologie "swim-lane", mettant en évidence la latence de propagation, l'origine de l'erreur et le rayon d'impact en aval.
Live tail structuré avec persistance: Diffuse les logs en temps réel et les finalise dans les mêmes cartes d'invocation assemblées ; les invocations terminées sont automatiquement enregistrées dans l'historique local pour une investigation ultérieure.
Analyses locales pour les performances et les coûts: Calcule les tendances de durée p50/p95/p99, les distributions de démarrage à froid, l'utilisation de la mémoire et les suggestions de dimensionnement, ainsi que les projections de coûts mensuels – directement à partir des données mises en cache localement.
Détection de modèles et identification d'anomalies: Regroupe automatiquement les erreurs récurrentes en modèles avec des indicateurs de cycle de vie/impact et signale les anomalies statistiques (par exemple, pics d'erreurs, régressions de durée, changements de trajectoire des coûts).
Stockage "local-first", recherche et serveur MCP: Met en cache les logs dans une base de données SQLite locale avec recherche en texte intégral et contrôles de rétention ; inclut un serveur MCP "localhost-only" afin que les outils d'IA puissent interroger les logs et les analyses sans partager les identifiants AWS.
Cas d'utilisation de LogStitch
Réponse aux incidents "serverless" (backends SaaS / web): Pendant les pannes, identifiez rapidement l'invocation Lambda défaillante, visualisez le chemin de requête complet à travers les services et identifiez le modèle d'erreur d'origine sans démêler manuellement l'entrelacement CloudWatch.
Optimisation des performances et des coûts (FinOps): Utilisez les tendances p99/démarrage à froid et les conseils de dimensionnement de la mémoire pour réduire la latence et les dépenses ; validez les améliorations au fil du temps avec des projections intégrées et des comparaisons historiques.
Dépannage d'entreprise multi-comptes (équipes de plateforme): Corrélez les requêtes entre plusieurs comptes/régions AWS (courant dans les grandes organisations) pour diagnostiquer les retards de propagation, les sauts manquants et les défaillances inter-services dans les architectures "serverless" distribuées.
Boucles de débogage pour développeurs (flux de travail "local-first"): Conservez un historique local rapide et accessible hors ligne des invocations pour un débogage reproductible, partagez les exportations (CSV/JSON/texte) si nécessaire et évitez le changement constant de contexte de la console.
Investigation de logs assistée par l'IA (sécurité/opérations/développement): Permettez aux assistants compatibles MCP d'interroger les invocations assemblées, de rechercher des modèles et d'exécuter des analyses sur la base de données locale – utile pour un triage rapide tout en conservant les identifiants et les logs sur l'appareil.
Avantages
Modèle de confidentialité "local-first" : les logs restent sur votre Mac ; les identifiants sont stockés dans le Trousseau macOS ; récupération directe vers AWS sans backend LogStitch.
Améliore considérablement la lisibilité en assemblant les lignes CloudWatch entrelacées en récits par invocation et en corrélant les services.
Les analyses et la détection intégrées (p99, démarrages à froid, coûts, modèles d'erreur, anomalies) réduisent la dépendance à des tableaux de bord séparés.
Achat unique avec un essai gratuit (pas d'abonnement).
Inconvénients
macOS uniquement et nécessite macOS 26.1 ou version ultérieure, ce qui limite les équipes sur Windows/Linux ou les versions antérieures de macOS.
Axé spécifiquement sur les flux de travail AWS Lambda/CloudWatch, il peut donc ne pas couvrir les piles de journalisation non-Lambda sans outils supplémentaires.
La mise en cache/rétention locale implique une utilisation du disque et nécessite la gestion des fenêtres de rétention/sauvegardes pour de grands volumes de logs.
Comment utiliser LogStitch
1) Installer LogStitch et le lancer: Téléchargez LogStitch depuis le Mac App Store (ou commencez l'essai gratuit de 14 jours), installez-le et ouvrez l'application sur votre Mac (nécessite macOS 26.1 ou version ultérieure).
2) Ajouter/sélectionner un profil AWS: Dans LogStitch, ouvrez le sélecteur de profil AWS et importez vos profils AWS existants depuis ~/.aws/config et les identifiants. LogStitch prend en charge les clés statiques, le SSO (flux de périphérique OIDC) et les chaînes de rôles d'assumation. Les identifiants sont stockés dans le Trousseau d'accès macOS.
3) Valider les identifiants et se connecter à AWS: Enregistrez le profil après que LogStitch l'ait validé via STS. Une fois validé, LogStitch appellera les API CloudWatch directement depuis votre machine (pas de backend LogStitch).
4) Parcourir vos fonctions Lambda dans le Navigateur: Utilisez la liste des fonctions (Navigateur) pour trouver la Lambda que vous souhaitez. Filtrez par runtime/région/état de santé, épinglez les fonctions importantes et aliassez éventuellement les ARN longs pour une meilleure lisibilité.
5) Synchroniser les journaux de fonction dans la base de données locale: Laissez LogStitch synchroniser en arrière-plan les journaux CloudWatch pour la fonction sélectionnée. Il ne récupère que les nouvelles données depuis le dernier curseur, applique un backoff de limitation et stocke tout localement dans une base de données SQLite pour une navigation rapide et un accès hors ligne.
6) Lire une seule invocation comme une histoire "cousue": Ouvrez une invocation pour afficher toutes les lignes de journal regroupées par l'ID de requête AWS Lambda (au lieu du flux entrelacé et trié par horodatage de CloudWatch). LogStitch affiche les événements de plateforme, analyse le JSON et signale les démarrages à froid en un coup d'œil.
7) Utiliser Live Tail pour le débogage en temps réel: Ouvrez une fenêtre de "live-tail" de 15 minutes pour une fonction. Utilisez le mode Stream pour regarder les lignes brutes au fur et à mesure de leur arrivée, ou le mode Invocations pour que les exécutions terminées soient finalisées en cartes d'invocation "cousues". Les invocations terminées sont enregistrées automatiquement.
8) Corréler une requête à travers plusieurs Lambdas/comptes/régions: Utilisez la Corrélation pour rechercher par ID de requête ou en-tête de corrélation et afficher la requête de bout en bout sous forme de chronologie "swim-lane" à travers les fonctions (y compris la latence de propagation et l'origine des erreurs). Si les ID de corrélation sont manquants, LogStitch peut utiliser la corrélation par proximité temporelle et signalera les sauts rares/manquants.
9) Rechercher des journaux avec des filtres et une recherche en texte intégral: Utilisez la recherche de journaux pour exécuter des requêtes en texte intégral sur les journaux mis en cache (SQLite FTS5). Appliquez des filtres sensibles aux champs avec auto-complétion sur les clés découvertes, exécutez des recherches inter-fonctions regroupées par invocation et épinglez les champs JSON comme colonnes pour un triage plus rapide.
10) Analyser les performances et les coûts à partir des mêmes données: Ouvrez Analytics pour une fonction afin d'examiner les tendances de durée (p50/p95/p99), les distributions de démarrage à froid, les recommandations de dimensionnement de la mémoire et une projection des coûts mensuels, calculés à partir des journaux déjà stockés sur votre disque.
11) Détecter les modèles d'erreur récurrents et les anomalies: Allez dans Détection pour voir les modèles d'erreur regroupés (même modèle de message regroupé en un seul modèle avec cycle de vie et impact) et les anomalies statistiques (score z) sur la durée, le taux d'erreur, les démarrages à froid et le coût. Suivez si les problèmes s'aggravent, s'améliorent ou sont stables.
12) Lier les résultats à Jira ou GitHub (facultatif): Connectez Jira Cloud (OAuth 2.0) et/ou GitHub (OAuth/App) et créez ou liez des problèmes directement à partir d'une invocation ou d'un modèle. Utilisez des modèles pour inclure le contexte d'invocation et surveillez l'état des problèmes depuis LogStitch.
13) Exporter les journaux ou les données d'invocation (facultatif): Exportez au format JSON, CSV ou texte brut. Choisissez les champs à inclure et si vous souhaitez inclure les lignes de journal brutes. LogStitch fournit des avertissements de limite de taille et une progression pour les exportations volumineuses.
14) Utiliser le serveur MCP local avec les outils Claude/AI (facultatif): Activez/utilisez le serveur local Model Context Protocol (MCP) de LogStitch (lié uniquement à 127.0.0.1). Pointez un outil compatible MCP (par exemple, Claude Code) vers le port local afin qu'il puisse interroger vos journaux mis en cache localement (par exemple, list_functions, search_logs, get_correlated_invocations, get_cost_projection) sans exposer les identifiants AWS.
15) Gérer la rétention et travailler hors ligne: Configurez les fenêtres de rétention et laissez LogStitch nettoyer automatiquement les anciennes données. Étant donné que les journaux sont stockés localement dans SQLite, vous pouvez parcourir/rechercher/analyser l'historique précédemment synchronisé même hors ligne ; vous pouvez également sauvegarder, chiffrer ou supprimer le fichier SQLite selon les besoins.
FAQ de LogStitch
LogStitch est une application macOS native permettant de visualiser les journaux AWS Lambda. Elle lit l'ID de requête estampillé sur les lignes de journal CloudWatch et reconstitue les lignes dans l'invocation unique à laquelle elles appartiennent, de sorte que chaque exécution Lambda est lisible comme une histoire cohérente.
Vidéo de LogStitch
Articles populaires
Atoms : Une plateforme d'IA multi-agents qui transforme les idées en produits prêts à être lancés
May 22, 2026
Nano Banana SBTI : Qu'est-ce que c'est, comment ça marche et comment l'utiliser en 2026
Apr 15, 2026
Atoms : L'outil de création de produits IA qui redéfinit la création numérique en 2026
Apr 10, 2026
Kilo Claw : Comment déployer et utiliser un véritable agent d'IA "Faites-le pour vous" (Mise à jour 2026)
Apr 3, 2026
Derniers outils d'IA similaires à LogStitch
invoices.dev
invoices.dev est une plateforme de facturation automatisée qui génère des factures directement à partir des commits Git des développeurs, avec des capacités d'intégration pour GitHub, Slack, Linear et les services Google.
Monyble
Monyble est une plateforme d'IA sans code qui permet aux utilisateurs de lancer des outils et des projets d'IA en moins de 60 secondes sans nécessiter d'expertise technique.
Devozy.ai
Devozy.ai est une plateforme de libre-service pour développeurs alimentée par l'IA qui combine la gestion de projet Agile, DevSecOps, la gestion d'infrastructure multi-cloud, et la gestion des services informatiques en une solution unifiée pour accélérer la livraison de logiciels.
Mediatr
MediatR est une bibliothèque .NET open-source populaire qui implémente le modèle Médiateur pour fournir un traitement simple et flexible des requêtes/réponses, un traitement des commandes et des notifications d'événements tout en favorisant un couplage lâche entre les composants de l'application.
Outils d'IA populaires comme LogStitch
Launch
Launch est une plateforme basée sur l'IA qui permet aux utilisateurs de créer instantanément des applications full-stack tout en fournissant des outils complets pour les lancements de produits, les programmes d'entrepreneuriat et l'acquisition de clients.
GitHub Copilot Chat
GitHub Copilot Chat est un assistant de codage alimenté par l'IA qui fournit des interactions en langage naturel, des suggestions de code en temps réel et un soutien contextuel directement dans les IDE pris en charge et sur GitHub.com.
Rememberall
Rememberall est une solution de mémoire à long terme sécurisée et open-source qui permet aux applications d'IA et aux modèles GPT de maintenir une mémoire persistante à travers les conversations grâce à des capacités de recherche sémantique et de stockage vectoriel.
Upsonic
Upsonic est un framework d'agent d'IA axé sur la fiabilité avec une architecture client-serveur dockerisée qui permet des flux de travail d'agent fiables grâce à des fonctionnalités avancées telles que les couches de vérification, l'architecture triangulaire et l'intégration du protocole de contexte de modèle (MCP).