{"id":73977,"date":"2026-05-21T09:20:39","date_gmt":"2026-05-21T17:20:39","guid":{"rendered":"https:\/\/www.sumologic.com\/blog\/lernen-sie-den-neuen-mobot-kennen-ihr-partner-fuer-die-log-analyse"},"modified":"2026-05-28T07:30:37","modified_gmt":"2026-05-28T15:30:37","slug":"mobot-your-log-analysis-partner","status":"publish","type":"blog","link":"https:\/\/www.sumologic.com\/de\/blog\/mobot-your-log-analysis-partner","title":{"rendered":"Lernen Sie den neuen Mobot kennen: Ihr Partner f\u00fcr die Log-Analyse"},"content":{"rendered":"\n
\n
\n
\n
\n
\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Jeden einzelnen Tag analysiert die Sumo Logic Platform<\/a> mehr als vier Exabyte an Protokolldaten. Die gute Nachricht? Die Antworten auf Ihre Fragen zur Anwendungsleistung, zum Zustand Ihrer Infrastruktur und zu Sicherheitsvorf\u00e4llen sind in diesen Protokollen verborgen. Die Herausforderung? Historisch gesehen erforderte die Ermittlung dieser Antworten die Beherrschung der Abfragesprache.<\/p>\n\n\n\n

Deshalb haben wir Mobot entwickelt, unsere dialogbasierte Schnittstelle, die Benutzer mithilfe nat\u00fcrlicher Sprache mit fortschrittlichen KI-Funktionen verbindet.<\/p>\n\n\n\n

Mit der Einf\u00fchrung der ersten Version von Mobot hat sich die Art und Weise, wie unsere Nutzer mit ihren Daten interagieren, grundlegend ver\u00e4ndert. Durch die \u00dcbersetzung nat\u00fcrlicher Sprache in pr\u00e4zise Suchanfragen wurden technische Barrieren abgebaut, und es wurde bewiesen, dass KI Suchprozesse radikal beschleunigen kann. Es war ein gro\u00dfer Schritt nach vorn, aber es war erst der Anfang.<\/p>\n\n\n\n

Als die Teams anfingen, Mobot t\u00e4glich zu nutzen, sahen wir, wie sie von einer KI profitieren konnten, die ihnen half, \u00fcber die Daten nachzudenken, anstatt sie nur zu durchsuchen. Wir haben uns also zum Ziel gesetzt, Mobot von einem Suchassistenten zu einem kollaborativen Partner f\u00fcr die Log-Analyse weiterzuentwickeln.<\/p>\n\n\n\n

Wir freuen uns, Ihnen heute mitteilen zu k\u00f6nnen, dass der neue, fortschrittliche Mobot ab sofort als Preview f\u00fcr Sumo Logic-Kunden verf\u00fcgbar ist.<\/p>\n\n\n\n

Was macht das neue Mobot-Erlebnis besser?<\/h2>\n\n\n\n

Der neue Mobot geht \u00fcber abfrageorientierte Arbeitsabl\u00e4ufe hinaus und entwickelt sich zu einem kollaborativen Denkpartner, der Ihre Analyse vorantreibt.<\/p>\n\n\n\n

Hier sind vier zentrale Bereiche, in denen sich Mobot weiterentwickelt hat:<\/p>\n\n\n\n

    \n
  1. Versteht die Absicht des Nutzers: <\/strong>Keine manuelle Umstrukturierung von ungenauen oder unvollst\u00e4ndigen Prompts mehr. Mobot interpretiert nun Ihre \u00fcbergeordnete Absicht, selbst wenn diese mehrdeutig ist, und wird sie kl\u00e4ren oder Sie umleiten, anstatt Sie in einer Sackgasse zur\u00fcckzulassen.<\/li>\n\n\n\n
  2. Unterst\u00fctzt mehrstufige Analysen: <\/strong>W\u00e4hrend der alte Mobot auf das Schreiben einer einzigen Abfrage beschr\u00e4nkt war, \u00fcbersetzt die neue Version Ihre komplexen Fragen in strukturierte analytische Schritte. Sie bew\u00e4ltigt mehrstufige Arbeitsabl\u00e4ufe zur Fehlerbehebung und detaillierten Datenanalyse, ohne dass Sie Ihre Untersuchung manuell umleiten m\u00fcssen.<\/li>\n\n\n\n
  3. Erfasst die richtigen Daten: <\/strong>Sie m\u00fcssen keine Agenten, Zeitr\u00e4ume und Datenquellen mehr manuell ausw\u00e4hlen. Mobot kann nun intelligent die richtigen Daten ausw\u00e4hlen, Zeitbereiche ableiten und den Dom\u00e4nenkontext anwenden. Es nutzt sogar Ihre bisherigen Abfragen und Dashboards und beschleunigt so die Datenanalyse.<\/li>\n\n\n\n
  4. Schlussfolgert \u00fcber Daten hinweg: <\/strong>Mobot wendet nun fortschrittliches mehrstufiges Reasoning an, um Erkenntnisse zu synthetisieren, kritische Signale aus unterschiedlichen Datenquellen zu verkn\u00fcpfen und strukturierte Ergebnisse mit Vorschl\u00e4gen f\u00fcr die n\u00e4chsten Schritte zu liefern.<\/li>\n<\/ol>\n\n\n\n

    Wie Teams den neuen Mobot nutzen<\/h2>\n\n\n\n

    Unsere Nutzer entdecken t\u00e4glich neue M\u00f6glichkeiten, wie Mobot ihnen einen Teil der arbeitsintensiven Log-Analyse abnehmen kann. Dank Mobots fortschrittlicher Reasoning-F\u00e4higkeiten m\u00fcssen Sie ihm keine einfachen, isolierten Fragen stellen. Sie k\u00f6nnen komplexe, mehrteilige Fragen auf einmal stellen oder sie \u00fcber ein nat\u00fcrliches Gespr\u00e4ch verteilen, w\u00e4hrend Sie und Mobot gemeinsam ein Problem l\u00f6sen.<\/p>\n\n\n\n

    Nachfolgend finden Sie einige unserer Lieblingsbeispiele daf\u00fcr, wie Teams Mobot nutzen, um ihre durchschnittliche L\u00f6sungszeit drastisch zu verk\u00fcrzen.<\/p>\n\n\n\n

    Beispiel eins: Fehlerraten-Triage<\/h3>\n\n\n\n

    Kontext<\/strong>: Sich einen schnellen \u00dcberblick \u00fcber alle Dienste zu verschaffen, ist der erste Schritt, den jede On-Call-Ingenieurin bzw. jeder On-Call-Ingenieur unternimmt, wenn etwas nicht stimmt oder eine Warnung ausgel\u00f6st wird. Ohne Mobot m\u00fcssen Ingenieurinnen und Ingenieure f\u00fcr jeden Dienst einzeln Dashboards \u00f6ffnen, f\u00fcr jeden Dienst eine eigene Abfrage schreiben und die Daten gedanklich zusammenfassen. Dies erfordert, dass man im Voraus genau wei\u00df, welche Dienste man sich ansehen muss, und allein die Erstellung einer Rangliste \u00fcber alle Dienste hinweg kann bis zu 30 Minuten dauern.<\/p>\n\n\n\n

    Startaufforderung<\/strong>: “Zeige mir Dienste mit den h\u00f6chsten Fehlerraten der letzten Stunde.”<\/em><\/p>\n\n\n\n

    So geht Mobot vor<\/strong>: Mit nur dieser Eingabeaufforderung ermittelte Mobot die richtige Datenquelle, identifizierte die Felder ‘service’ und ‘_loglevel’ und erstellte und f\u00fchrte die Abfrage aus. Es lieferte schnell eine sortierte Tabelle mit Fehleranzahlen, Gesamtanfragen und Fehlerraten in Prozent f\u00fcr alle Dienste. Es brachte sogar problematische Abh\u00e4ngigkeiten ans Licht, nach denen die Ingenieurinnen und Ingenieure gar nicht gesucht h\u00e4tten (wie beispielsweise ein im Hintergrund laufender ‘cert-manager’, der eine Fehlerrate von 98 % aufwies).<\/p>\n\n\n\n

    Das Ergebnis<\/strong>: Mobot beseitigt die \u201eDashboard-Blindheit\u201c und verringert die Abh\u00e4ngigkeit von implizitem Teamwissen. Anstatt genau wissen zu m\u00fcssen, wo sie suchen m\u00fcssen, k\u00f6nnen Ingenieurinnen und Ingenieure versteckte Fehler in Diensten aufdecken, die sie sonst m\u00f6glicherweise ignoriert h\u00e4tten.<\/p>\n\n\n\n

    Beispiel zwei: Ursachenanalyse<\/h3>\n\n\n\n

    Kontext:<\/strong> Der schwierigste und zeitaufw\u00e4ndigste Teil eines jeden Vorfalls ist der \u00dcbergang von \u201eEtwas ist kaputt\u201c zu \u201eHier ist der Grund und wo es angefangen hat\u201c. Die manuelle Durchf\u00fchrung dieser Schritte erfordert die Kenntnis des Systemabh\u00e4ngigkeitsdiagramms im Voraus, die manuelle Korrelation von Zeitstempeln \u00fcber mehrere Dienste hinweg und das Erstellen paralleler Zeitreihenabfragen. Erfahrene Ingenieure mit fundierten Systemkenntnissen ben\u00f6tigen unter Umst\u00e4nden einige Stunden, um die Fehlerquelle aufzusp\u00fcren, w\u00e4hrend j\u00fcngere Ingenieure oft Schwierigkeiten haben, \u00fcberhaupt dorthin zu gelangen, was h\u00e4ufig einen Krisenstab unter hohem Druck erfordert.<\/p>\n\n\n\n

    Startaufforderung:<\/strong> “Zeige mir Upstream-Dienste, bei denen kurz vor der Beeintr\u00e4chtigung eines Downstream-Dienstes ein pl\u00f6tzlicher Anstieg der Fehler aufgetreten ist.”<\/em><\/p>\n\n\n\n

    So l\u00f6st Mobot das Problem<\/strong>: Mobot hat automatisch eine Zeitachse der Fehlerraten und Latenzen mit einer Aufl\u00f6sung von f\u00fcnf Minuten f\u00fcr die gesamte Abh\u00e4ngigkeitskette erstellt. Es rekonstruierte die genaue Kausalkette: Der ‘currencyservice’ fiel \u00fcber sechs Stunden lang aus, der ‘paymentservice’ stie\u00df um 7:10 Uhr auf einen MySQL-Fehler, die Latenz des ‘checkoutservice’ explodierte innerhalb weniger Minuten, und der ‘frontendservice’ verschlechterte sich nachgelagert.<\/p>\n\n\n\n

    Das Ergebnis:<\/strong> Mobot automatisiert die Arbeit eines leitenden Ingenieurs und eines zweist\u00fcndigen Krisenstabs und erzeugt sofort eine mit einem Zeitstempel versehene Ausbreitungskette. Die Art von Ergebnis, die man normalerweise nur nach<\/em> dem Verfassen eines vollst\u00e4ndigen Incident-Post-Mortems erh\u00e4lt \u2013 aus nur einem einzigen Prompt.<\/p>\n\n\n

    \n