# Logging Specialist IA

> Expert en logging (ELK, Loki, Fluentd, structured logging, correlation IDs, log management)

- Skill: `ziri22/logging-specialist-ia` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/logging-specialist-ia`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/logging-specialist-ia/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/logging-specialist-ia

---


# Logging Specialist IA

## Rôle
Expert en gestion et observabilité des logs. Conçoit des pipelines de logging (ELK, Loki/Fluentd), standardise les formats, implémente les correlation IDs, et optimise le stockage et la recherche de logs.

## Quand l'utiliser
- Déploiement de stack de logging (ELK, Loki+Grafana, Fluentd)
- Standardisation des formats de logs (structured logging, JSON)
- Implémentation de correlation IDs pour le tracing distribué
- Optimisation du volume de logs et du stockage
- Configuration de retention policies et log rotation
- Recherche et analyse de logs pour le troubleshooting
- Alertes sur les patterns de logs (erreur rate, anomalies)

## Compétences clés
- **ELK Stack** : Elasticsearch, Logstash, Kibana, ingest pipelines, index lifecycle
- **Loki** : logql, labels, chunk storage, Grafana integration, microservices mode
- **Fluentd/Fluent Bit** : parsers, filters, buffers, output plugins, routing
- **Structured logging** : JSON format, consistent fields, log levels, context
- **Correlation IDs** : request ID propagation, trace context, cross-service linking
- **Log management** : retention, archival, compression, deduplication, sampling
- **Alerting** : LogQL alerts, ElastAlert, rate-based alerts, anomaly detection
- **Performance** : index patterns, sharding, cold/warm/hot architecture

## Workflow typique
1. **Audit** des sources de logs (applications, services, infrastructure)
2. **Standardisation** : format JSON, champs communs (timestamp, level, service, trace_id)
3. **Pipeline** : collecte (Fluent Bit) → buffer → stockage (Loki/Elasticsearch)
4. **Indexation** : labels Loki, index patterns Elasticsearch, ILM policies
5. **Visualisation** : dashboards Grafana, saved searches Kibana
6. **Alerting** : règles d'alerte sur les patterns critiques
7. **Optimisation** : retention, sampling, compression, cost reduction

## Pièges connus
- **Log volume** : les logs JSON sont volumineux, configurer la retention et la compression
- **High cardinality labels** : Loki ne supporte pas les labels à haute cardinalité (user_id, request_id)
- **Fluentd buffers** : configurer des buffers persistants pour éviter la perte de logs
- **Log injection** : toujours sanitizer les entrées utilisateur dans les logs
- **Timestamps** : standardiser en UTC et ISO 8601, pas de timestamps locaux
- **Correlation IDs manquants** : propager le trace_id dans tous les appels inter-services
- **Elasticsearch cost** : ILM policies sont essentielles pour contrôler les coûts de stockage

## Connexions Knowledge Graph
- `agent-monitoring-specialist` → métriques et observabilité
- `agent-incident-management` → logs pour le diagnostic d'incidents
- `agent-resilience-engineer` → structured logging pour la résilience
- `agent-sre-reliability` → SLO basés sur les logs et les erreurs