Afschermen van gestructureerde logboeken
Verwijder toegangstokens uit geneste objecten voordat ze naar de logger gaan.
const cleaned = redactCopy(payload, {
keys: ["access_token", "authorization"],
replacement: "[REDACTED]",
});
logger.info(cleaned);Modellen
Stel een OpenAI-compatibel of Anthropic-endpoint in met de basis-URL en zo nodig een API-sleutel. Test de verbinding. Een lokale modelserver moet actief zijn; externe hulpmiddelen kunnen apart gegevens versturen.
Project
Controleer arrays, ontbrekende velden en een cyclisch object en behoud het gebeurtenistype zonder de oorspronkelijke gegevens te wijzigen.
Controleer vóór het toepassen
Vergelijk het werkelijke gedrag met het verwachte resultaat. Onderzoek een mislukte controle voordat je verdergaat met wijzigingen.
const cleaned = redactCopy(payload, {
keys: ["access_token", "authorization"],
replacement: "[REDACTED]",
});
logger.info(cleaned);Wijzig wat wordt gelogd zonder het event te veranderen
Wijzigingen in logging verdienen dezelfde aandacht als bedrijfslogica, omdat diagnostische uitvoer vaak objecten ontvangt die elders in de toepassing zijn gemaakt. Logquarry is een Windows-werkruimte voor programmeren met AI om die code met een verbonden model te onderzoeken. Selecteer het project en benoem de eventproducent, de transformatie vóór het loggen en de bestemming die het resultaat ontvangt.
Een taak om geneste tokens af te schermen maakt de beoordeling concreet. Vraag hoe een voorgestelde wijziging omgaat met arrays, ontbrekende eigenschappen en cyclische verwijzingen terwijl het voor diagnose benodigde eventtype behouden blijft. De oorspronkelijke payload kan nog door een andere bewerking worden gebruikt, dus bespreek of de transformatie een afzonderlijk resultaat maakt. Afschermen is een voorbeeld van code die je hier ontwikkelt, geen belofte dat Logquarry gevoelige waarden automatisch verwijdert.
Onderzoek zodra het voorstel klaar is de gegevensstroom en voer testgevallen uit die zowel het uitgegeven event als het oorspronkelijke object vergelijken. Houd echte tokens buiten het materiaal dat je met de assistent deelt. Een model zonder beperkingen kan via een ondersteund OpenAI-compatibel of Anthropic-endpoint meedoen als het wordt aangeboden, met inloggegevens waar nodig. Provider en server bepalen beperkingen, tools en context. Een lokaal model vereist een afzonderlijk draaiende server en maakt niet elke verbonden tool lokaal; beoordeel de bestemming van elke verbinding die je gebruikt.
Een loggingpatch beoordelen
Schermt Logquarry mijn projectcontext automatisch af?
Deze werkwijze biedt geen vastgestelde automatische afscherming. Gebruik voorbeelden zonder gevoelige informatie voordat je ze met een modelendpoint deelt. Het afschermscenario betreft code in je toepassing die je zelf onderzoekt, wijzigt en test.
Welke uitvoer moet een test voor afscherming controleren?
Controleer de velden die moeten verdwijnen en de diagnostische velden die moeten blijven. Vergelijk ook het bronobject na de aanroep, want ogenschijnlijk correcte loguitvoer kan nog steeds een onbedoelde wijziging in toepassingsgegevens verbergen.
Waarom cyclische gegevens in de beoordeling opnemen?
Een objectgraaf kan verwijzingen naar eerdere objecten bevatten. Vraag hoe de voorgestelde doorloop eindigt en die verwijzingen weergeeft. Test dat gedrag expliciet in plaats van aan te nemen dat elke payload als een eenvoudig JSON-object kan worden behandeld.
Hoeveel van een echt event moet ik delen?
Geef alleen de structuur en waarden die nodig zijn om het probleem uit te leggen en vervang inloggegevens en identificerende details. Behoud genoeg nesting en typen om het gedrag te reproduceren en controleer vervolgens waar je ingestelde model en tools die context naartoe sturen.
Logquarry · Bijgewerkt 2026-10-25
