rootly-graphify

Basierend auf graphify, einem Tool, inspiriert von Andrej Karpathys LLM-Wiki-Idee — anstatt bei jeder Abfrage Wissen von Grund auf neu zu entdecken, lässt man ein LLM einen persistenten, strukturierten Wissensgraphen aufbauen, der mit der Zeit immer reichhaltiger wird. Graphify nimmt einen beliebigen Ordner mit Dateien und wandelt ihn in einen abfragbaren Graphen mit Communities, Verbindungen und Konfidenzwerten um. Dieser Fork richtet es auf die Rootly-API aus.

Verbinde die Rootly-API, sammle Vorfälle, Alarme, Teams und den Servicekatalog für ein ausgewähltes Zeitfenster, exportiere sie in ein lokales Korpus und verwandle dieses Korpus in einen abfragbaren Wissensgraphen. Verwende graphify rootly zur Sammlung und /graphify in Claude Code oder Codex, wenn du eine tiefere semantische Analyse darauf haben möchtest.

Install

Neuinstallation (Graphify + Rootly-Importer):

pip install "graphifyy[rootly]"
graphify install            # Claude Code
graphify install --platform codex  # Codex

Rootly-Importer zu einer bestehenden Graphify-Installation hinzufügen:

pip install "graphifyy[rootly]" --upgrade

Setze deinen Rootly-API-Schlüssel

Erstelle eine .env-Datei im Root deines Projekts:

ROOTLY_API_KEY=rootly_...

Führe den Workflow aus

Schritt 1: Abrufen und Erstellen (Terminal)

Ruft Vorfälle, ausgelöste Alarme und Teams ab. Erstellt den initialen Graphen mit Schweregradfarben, Alarmfiltern und Team-/Service-Ebenen.

graphify rootly

Nicht-interaktiv:

graphify rootly --api-key-env ROOTLY_API_KEY --days 30 --mode standard

Ausgaben geschrieben nach graphify-rootly-data/graphify-out/:

• graph.html — im Browser öffnen, um den Graphen zu erkunden
• GRAPH_REPORT.md — God Nodes, Communities, vorgeschlagene Fragen
• graph.json — Rohgraph zur Abfrage

Schritt 2: Semantische Bedeutung hinzufügen (Agent)

Führt parallele Subagenten über das Vorfallskorpus aus, um vorfallübergreifende Themen, wiederkehrende Muster und Ursachenbeziehungen abzuleiten.

Claude Code — tippe in den Chat:

/graphify graphify-rootly-data --mode deep

Codex — tippe in den Chat:

run graphify on graphify-rootly-data --mode deep

Was du erkunden kannst

Was gesammelt wird

Visualisierungsfilter

Sobald graph.html in einem Browser geöffnet ist:

• Team — filtere alle Knoten nach den Vorfällen und Services eines bestimmten Teams
• Severity — ein-/ausblenden nach SEV1–SEV4
• Vorfälle — alle oder nur offene
• Alarme — ausgelöst (standardmäßig an) / verwaist (standardmäßig aus, nicht gesammelt)
• Zeitraum — Schieberegler zum Eingrenzen des Vorfallzeitfensters

Wie es funktioniert

rootly-graphify hat eine Rootly-Sammelphase und eine Graph-Analysephase.

1. Deterministische Rootly-Sammlung. Validiere den API-Schlüssel, wähle ein 7-, 30- oder 90-Tage-Fenster, rufe Vorfälle ab, deren started_at in dieses Fenster fällt, rufe ihre ausgelösten Alarme über die pro-Vorfall-Subresource ab, rufe alle Teamdaten ab und schreibe alles in ein lokales Korpusverzeichnis.

2. Initialer Rootly-Graphenaufbau. Der integrierte Rootly-Runner erstellt Knoten für Vorfälle, Alarme, Teams und Services, verbindet sie mit typisierten Kanten (triggered, affects, owns, responded_by, targets), clustert den Graphen und schreibt graph.html, GRAPH_REPORT.md und graph.json. Das HTML enthält Schweregrad-Farbcodierung, Team-/Service-Ebenen und Alarmfilter.

3. Optionale tiefgehende Anreicherung. Führe /graphify ./graphify-rootly-data --mode deep aus, um parallele Subagenten über die Markdown-Dateien zu entsenden und vorfallübergreifende Themen, Begründungen und konzeptionelle Verknüpfungen abzuleiten.

4. Verwende die aktuelle Top-Level-Ausgabe. Nach der semantischen Anreicherung öffne . Der aktuelle generische Exporter enthält bereits die gepflegten Filter und Visualisierungen direkt, daher ist kein separater erneuter Anwendungsschritt erforderlich.

Clustering basiert auf Graphtopologie – keine Embeddings. Leiden findet Communities anhand der Kantendichte. Kanten mit semantischer Ähnlichkeit (semantically_similar_to, gekennzeichnet als INFERRED) beeinflussen die Community-Erkennung direkt. Kein separater Embedding-Schritt oder Vektordatenbank erforderlich.

Jede Beziehung ist getaggt als EXTRACTED (direkt in der Quelle gefunden), INFERRED (vernünftige Schlussfolgerung, mit einem Konfidenzwert) oder AMBIGUOUS (zur Überprüfung markiert).

Was du bekommst

God Nodes – Vorfälle oder Services mit dem höchsten Grad (worüber alles verbunden ist)

Überraschende Verbindungen – vorfallübergreifende Links, sortiert nach einem zusammengesetzten Score, jede mit einer einfach zu verstehenden Erklärung

Vorgeschlagene Fragen – 4–5 Fragen, die der Graph einzigartig beantworten kann, über deine Vorfallgeschichte

Konfidenzwerte – jede INFERRED-Kante hat einen confidence_score (0.0–1.0). EXTRACTED-Kanten sind immer 1.0.

Kanten mit semantischer Ähnlichkeit – vorfallübergreifende konzeptionelle Verbindungen ohne strukturelle Verbindung. Zwei Vorfälle, die durch dasselbe Grundmuster verursacht wurden, ohne Services oder Teams zu teilen.

Token-Effizienz – der erste Durchlauf extrahiert und baut den Graphen (verbraucht Token). Jede nachfolgende Abfrage liest den kompakten Graphen anstelle des rohen Markdowns – hier summieren sich die Einsparungen. SHA256-Cache bedeutet, dass erneute Durchläufe nur geänderte Dateien erneut verarbeiten.

Verwendung

# --- Rootly workflow (terminal) ---
graphify rootly                                        # interactive Rootly import flow
graphify rootly --days 30                              # collect last 30 days of incidents
graphify rootly --api-key-env ROOTLY_API_KEY           # non-interactive key lookup from env
graphify rootly --output ./my-rootly-corpus            # write corpus to a custom folder

# --- Semantic enrichment (agent: Claude Code / Codex) ---
/graphify ./graphify-rootly-data                       # analyze the Rootly corpus
/graphify ./graphify-rootly-data --mode deep           # more aggressive INFERRED edges
/graphify ./graphify-rootly-data --update              # re-extract only changed files

# --- Query the graph (agent) ---
/graphify query "which services have the most recurring incidents?"
/graphify query "what patterns connect the SEV1 incidents?"
/graphify path "payment-api" "auth-service"
/graphify explain "Incident: Database connection pool exhausted"

# --- Optional exports ---
/graphify ./graphify-rootly-data --wiki                # agent-crawlable wiki per community
/graphify ./graphify-rootly-data --no-viz              # skip HTML, report + JSON only
/graphify ./graphify-rootly-data --obsidian            # Obsidian vault

# --- Always-on assistant instructions ---
graphify claude install                                # CLAUDE.md + PreToolUse hook (Claude Code)
graphify codex install                                 # AGENTS.md (Codex)

Erneute Ausführung mit neuen Daten

# Fetch fresh data and rebuild
graphify rootly --api-key-env ROOTLY_API_KEY --days 30 --mode standard

# Re-enrich with semantic step (Claude Code)
/graphify graphify-rootly-data --update