Durante los primeros tres meses de ejecutar OpenClaw, mi estrategia de monitoreo era: revisar la terminal cada pocas horas y esperar que nada estuviera ardiendo. Spoiler: a veces las cosas estaban ardiendo y no me enteré hasta que alguien me lo dijo.
Luego configuré un panel de Grafana, y fue como ponerme gafas por primera vez. De repente podía ver todo: tiempos de respuesta, uso de tokens, tasas de error, actividad de agentes, todo en un solo lugar, en tiempo real, con gráficos bonitos que me hacen sentir como si estuviera pilotando una nave espacial.
Aquí te explico cómo lo construí, qué rastreo y por qué es más importante de lo que piensas.
¿Por Qué Molestarse con un Panel?
“Con los registros es suficiente” es lo que me decía antes de tener el panel. No es suficiente. Los registros te dicen lo que pasó después de que alguien se queja. Un panel te dice lo que está sucediendo antes de que alguien lo note.
Tres cosas que mi panel detectó que los registros por sí solos no habrían captado:
Degradación gradual del tiempo de respuesta. Durante dos semanas, el tiempo de respuesta promedio aumentó de 2.3 segundos a 4.8 segundos. El aumento fue demasiado gradual para notarlo en interacciones individuales, pero la línea de tendencia en el panel estaba obviamente incorrecta. Causa raíz: un contexto de conversación en crecimiento que no se estaba podando.
Pico en el costo de los tokens. Un martes, mi uso diario de tokens saltó 3x. No debido a más solicitudes, sino a respuestas más largas. Un cambio en la solicitud que había realizado el día anterior estaba causando que el modelo generara salidas mucho más verbosas de lo previsto. El panel lo detectó en pocas horas; de lo contrario, me habría dado cuenta cuando llegara la factura mensual.
Fallas silenciosas de trabajos cron. Dos trabajos programados habían fallado silenciosamente durante una semana. El panel mostró que el patrón esperado (picos de ejecución diarios a horas específicas) tenía huecos. Sin el patrón visual, podría no haberme dado cuenta durante otra semana.
La Configuración
Pila: Prometheus para la recolección de métricas, Grafana para visualización, Node Exporter para métricas del sistema. Tiempo total de configuración: alrededor de 3 horas. Costo total: gratis (autohospedado) o $15/mes (el plan gratuito de Grafana Cloud cubre la mayoría de las necesidades).
Si ya estás ejecutando un VPS para OpenClaw, puedes ejecutar Grafana en el mismo servidor. Mi configuración ejecuta Prometheus y Grafana en el mismo VPS de $20/mes que OpenClaw, sin impacto notorio en el rendimiento.
Obteniendo métricas de OpenClaw: Los registros de OpenClaw son la fuente principal de datos. Escribí un script simple que analiza los archivos de log y expone métricas como un endpoint de Prometheus. Las métricas clave a extraer:
– Conteo de solicitudes (total y por tipo)
– Tiempo de respuesta (promedio, p95, p99)
– Uso de tokens (entrada y salida, por solicitud)
– Conteo de errores (por tipo)
– Sesiones activas
– Estado de ejecución de trabajos cron
El Diseño de Mi Panel
Tengo cuatro filas:
Fila 1: Salud a simple vista. Cuatro grandes números: tiempo de respuesta actual, solicitudes en la última hora, tasa de error y costo diario estimado. Verde cuando es normal, amarillo cuando está elevado, rojo cuando algo necesita atención. Miro esta fila 10 veces al día.
Fila 2: Tendencias. Gráficos de series temporales para el tiempo de respuesta, volumen de solicitudes y uso de tokens en las últimas 24 horas y 7 días. Aquí es donde identifico la degradación gradual y patrones inusuales.
Fila 3: Costos. Uso de tokens desglosado por modelo, por tipo de tarea y por hora. Un total diario acumulado comparado con el presupuesto. Esta fila me ha ahorrado cientos de dólares al detectar anomalías en costos temprano.
Fila 4: Actividad de agentes. Qué agentes están activos, en qué están trabajando, historial de ejecución de trabajos cron y errores recientes con detalles. Esta es la fila de depuración: solo la miro cuando algo está mal.
Las Alertas que Realmente Importan
Configuré 6 alertas. Después de un mes de ajustes, eliminé 2 que eran demasiado ruidosas y ajusté los umbrales de las 4 restantes.
Alerta 1: Tiempo de respuesta > 10 segundos. Esto se activa cuando el tiempo de respuesta p95 excede los 10 segundos en una ventana de 5 minutos. Generalmente indica que la API de IA está teniendo problemas, o que mi contexto es demasiado grande.
Alerta 2: Tasa de error > 5%. Más del 5% de solicitudes fallando significa que algo está sistemáticamente mal, no solo incidentes ocasionales de la API.
Alerta 3: Costo diario excede 2x el promedio. Captura bucles descontrolados y picos de uso inesperados antes de que se vuelvan costosos.
Alerta 4: Ejecución de trabajo cron perdida. Si un trabajo cron esperado no se ejecuta dentro de los 30 minutos de su horario programado, algo está mal.
Estas cuatro alertas son el equilibrio correcto para mi configuración. Suficientes para detectar problemas reales. No tantas que empiece a ignorarlas.
Lo Que Omitiría
Panels por solicitud. Inicialmente construí un panel que mostraba cada solicitud individual. Fue interesante durante un día, luego se volvió ruido. Las métricas agregadas son más útiles que los puntos de datos individuales para monitorear.
Paneles de comparación de modelos. Construí paneles comparando las puntuaciones de calidad de Claude vs GPT-4. Los datos eran interesantes pero no accionables: ya había decidido qué modelo usar, y el panel no cambió esa decisión.
Visualizaciones elaboradas. Grafana puede crear hermosos paneles con medidores, mapas de calor y diagramas de flujo. Resiste la tentación. Los gráficos de líneas simples y los números grandes son más legibles a primera vista, que es el objetivo principal.
El Cálculo del ROI
Tiempo de configuración: 3 horas.
Mantenimiento mensual: 30 minutos (actualización de paneles, ajuste de alertas).
Ahorros por detectar problemas temprano: estimados en $200-300/mes en costos evitados y reducción de tiempo de inactividad.
El panel se pagó solo en el primer mes. Si estás ejecutando OpenClaw (o cualquier sistema de IA) sin visibilidad, estás volando a ciegas. Puede que estés volando bien. Pero cuando no lo estés, no lo sabrás hasta que ya te has estrellado.
🕒 Published: