Observal: selvhostet register og analyse for KI-agenter

Observal er et åpent kontrollplan for det stadig større rotet av interne KI-komponenter. Ifølge prosjektets egen dokumentasjon på GitHub lager de fleste tech-organisasjoner nå egne Skills, agenter og MCP-servere, men de havner i siloede repoer uten dokumentasjon, så utviklere bygger de samme komponentene om igjen. Observal legger et oppdagelseslag over dette: et register der du kan søke, se nedlastingstall og vurderinger, og installere en komponent i verktøyet du bruker med én kommando.

Det andre problemet Observal angriper er tilbakemeldingssløyfen. KI-verktøy feiler ikke med ryddige feilkoder, de hallusinerer eller svarer subtilt feil, og da vet verken bygger eller bruker hva som gikk galt. Observal fanger øktene automatisk og kan spille dem av i sin helhet: prompter, tenkeblokker, modellsvar og verktøykall med inn- og utdata. Innsiktsrapportene kjører på LiteLLM, så du kan koble dem til Anthropic, OpenAI, Gemini eller en lokal Ollama-modell.

Praktisk er Observal todelt: en server du selvhoster (API, web-UI, PostgreSQL, ClickHouse, Redis, Prometheus og Grafana) og en CLI hver utvikler installerer. Serveren settes opp med én Docker Compose-kommando og krever Docker Engine 24.0 og Compose v2. CLI-en støtter Claude Code, Cursor, Kiro, Copilot, Codex, OpenCode og Antigravity, og genererer riktig konfigfil per verktøy i stedet for at du vedlikeholder egne oppsett for hvert enkelt.

Hva bør du gjøre?

1. Har du mer enn to-tre personer som lager egne Skills eller MCP-servere: sett opp serveren i et testmiljø og se om registeret kutter duplikatarbeidet.
2. Vil du forstå hvorfor en agent svarer feil: bruk øktavspillingen som bevis i feilsøking framfor å gjette fra anekdoter.
3. Kjører du sensitive data: hold serveren internt og velg en lokal LiteLLM-backend for innsiktsrapportene.