Introducción
En un incidente de producción, la pista suele ser un identificador único: txn-123456, un trace ID copiado de un span lento, o un user ID sacado de un ticket. El equipo de guardia abre Grafana, escribe {service="payments"} |= "txn-123456", amplía el rango de tiempo a dos semanas y espera. La consulta agota el timeout antes de devolver una línea útil. Loki fue diseñado para indexar labels, no contenido, y almacenar logs comprimidos en object storage barato. Ese diseño mantiene costos bajos y operación liviana, pero cuando el filtro es un valor altamente único —no un label— Loki tiene que leer una enorme cantidad de datos crudos para encontrar un puñado de líneas. A escala de terabytes y petabytes, esa lectura es lenta y cara. Grafana Labs resolvió el problema con búsqueda full-text sobre Grafana Cloud Logs, construida sobre la tecnología Logline que la compañía adquirió en abril de 2026.
Qué ocurrió
Grafana Labs anunció la disponibilidad general (GA) de búsqueda full-text en Grafana Cloud Logs, el servicio de agregación de logs totalmente administrado basado en Loki. La funcionalidad agrega un índice secundario purpose-built a Loki que permite localizar líneas específicas en semanas de logs en segundos, sin un full scan del stream seleccionado. El anuncio se presentó en ObservabilityCON 2026, junto con las actualizaciones de Adaptive Logs orientadas al control de costos de almacenamiento.
La base técnica es Logline, la tecnología que Grafana Labs adquirió en abril de 2026 y que se integra al motor de Loki sin requerir cambios en la ingesta, en el esquema de labels ni en el lenguaje de consulta. Los usuarios siguen escribiendo LogQL y siguen eligiendo sus pipelines: Alloy, OpenTelemetry Collector u otro cliente soportado. El caso de referencia de DATEV eG, con Timo Kirzdörfer, OpenTelemetry & Grafana Cloud Admin, describe la diferencia: pasaron de procesar casi un terabyte de logs en tres minutos a cerca de 100 gigabytes en menos de tres segundos tras habilitar Logline en logs recién enviados, una reducción del 80-90% en el volumen de logs escaneados. El costo adicional es aproximadamente 10% en cómputo y 10% en almacenamiento a la escala de Grafana Cloud con las capacidades actuales, parcialmente compensado por el ahorro de cómputo de consulta que Loki logra al leer menos datos.
Impacto para DevOps / Infraestructura / Cloud / Seguridad
Para los equipos de SRE e infraestructura, el cambio es operativo: las consultas que antes agotaban timeout ahora pueden devolver en segundos o menos, y el resultado no depende de que un experto en Loki ajuste el selector ni el rango de tiempo. Cualquier persona en la rotación on-call puede pegar un ID, fijar un rango amplio y obtener una respuesta. Esto importa especialmente en los incidentes más difíciles de investigar, los que nunca aparecen en un dashboard: un error raro que se manifiesta pocas veces al día en unos hosts y cuya única evidencia es un string enterrado en los logs, como (?i)webhook signature mismatch.
En entornos cloud con EKS y OpenTelemetry Collector como pipeline de ingesta, la búsqueda full-text acelera los patrones de LogQL que corresponden a needle-in-a-haystack: filtros literales (|=) y filtros case-insensitive (|~) sobre strings literales. Esto habilita flujos de investigación que antes se evitaban por costo o latencia: seguir un transaction ID desde el servicio de pagos hacia otro servicio, rastrear un trace ID de un span lento, o buscar un error intermitente entre servicios sin saber de antemano dónde aparecerá. Para agentes de IA que hacen investigación de logs —chequean una hipótesis, buscan un ID, lo siguen hacia otro servicio y vuelven a buscar— cada paso devuelve más rápido y la investigación mantiene el ritmo. En seguridad, la búsqueda literal sobre strings facilita localizar patrones de firma de webhook, fallos de autenticación o mensajes de error específicos en logs de auditoría sin depender de labels predefinidos.
Detalles técnicos
La búsqueda full-text se construye sobre Loki con un índice secundario que indica qué datos pueden contener un string literal, de modo que Loki lee solo esos datos y omite el resto. No usa un índice invertido tradicional: Logline agrega aproximadamente 10% de costo de cómputo y 10% de almacenamiento a escala de Grafana Cloud con las capacidades actuales. Loki permanece schemaless: se conservan los labels y los pipelines de ingesta, y se sigue escribiendo LogQL. Las consultas soportadas incluyen filtros literales y case-insensitive sobre strings literales, como:
{service="payments"} |= "txn-123456"
{service="api"} |~ "(?i)webhook signature mismatch"
También se pueden combinar literales para acotar resultados sin salir del fast path:
{service="api"} |= "txn-123456" |~ "(?i)webhook signature mismatch"
Algunas construcciones avanzadas de regex no están soportadas; la documentación de búsqueda full-text detalla los patrones soportados y las mejores prácticas. La funcionalidad está disponible sin costo adicional en Grafana Cloud Logs y no requiere cambios en la ingesta ni en el diseño de labels. El requisito es usar Grafana Cloud Logs, no Loki autohospedado sin el índice secundario. Para ejecutar la primera búsqueda en la instancia, basta con el filtro de línea que ya se usa habitualmente; el índice dirige la consulta hacia los chunks que pueden contener el literal buscado.
Qué deberían hacer los administradores y equipos técnicos
- Verificar que el stack use Grafana Cloud Logs (no solo Loki autohospedado) y que la búsqueda full-text esté habilitada en la instancia; en la consola de Grafana Cloud, revisar la configuración de la fuente de logs y el estado del índice secundario.
- Probar el fast path con un filtro literal sobre un rango amplio de tiempo: ejecutar
{service="<servicio>"} |= "<id-o-string>"con un window de días o semanas y comparar la latencia contra el patrón anterior con selector estrecho. - Auditar los patrones de consulta existentes: las construcciones de regex avanzadas no soportadas deben migrarse a filtros literales o case-insensitive soportados; revisar la documentación de búsqueda full-text antes de reescribir queries de investigación.
- Mantener los pipelines de ingesta actuales: Alloy u OpenTelemetry Collector no requieren cambios; no es necesario rediseñar labels ni reaprender LogQL.
- Medir el impacto de costos: el índice suma ~10% en cómputo y ~10% en almacenamiento a escala de Grafana Cloud, compensado parcialmente por el menor cómputo de consulta; monitorear el gasto en Grafana Cloud Logs tras habilitar la función y compararlo con el ahorro de tiempo de resolución.
- Para entornos con EKS, validar que los agentes de OpenTelemetry Collector sigan enviando logs al servicio y que las etiquetas de servicio, pod y namespace se mantengan para el selector de stream.
- Revisar las actualizaciones de Adaptive Logs anunciadas en ObservabilityCON 2026 para complementar el control de costos de almacenamiento con la búsqueda full-text.
Conclusión
La búsqueda full-text en Grafana Cloud Logs cierra la brecha entre el diseño de Loki —indexar labels, no contenido— y la realidad de las investigaciones basadas en identificadores únicos. El índice secundario basado en Logline reduce el volumen de datos escaneado en consultas needle-in-a-haystack, con un costo adicional acotado (~10% cómputo y ~10% almacenamiento) y sin cambios de ingesta ni de LogQL. Para equipos de SRE e infraestructura que operan Grafana Cloud Logs sobre EKS y OpenTelemetry, el resultado práctico es que cualquier persona en la rotación puede pegar un request ID, un trace ID o un string de error, fijar un rango amplio y obtener una respuesta en segundos.
Fuentes
- https://grafana.com/blog/find-the-log-line-that-matters-faster-with-full-text-search-in-grafana-cloud-logs/
- https://www.rapid7.com/blog/
- https://googleprojectzero.blogspot.com/