Creare un dashboard OpenClaw personalizzato con Grafana

Nei primi tre mesi di funzionamento di OpenClaw, la mia strategia di monitoraggio era: controllare il terminale ogni poche ore e sperare che nulla fosse in fiamme. Spoiler: alcune cose erano a volte in fiamme, e non lo sapevo finché qualcuno non me lo diceva.

Dopo, ho configurato un dashboard Grafana, ed è stato come mettere gli occhiali per la prima volta. Improvvisamente, potevo vedere tutto — tempi di risposta, utilizzo dei token, tasso di errore, attività degli agenti — tutto in un unico posto, in tempo reale, con bei grafici che mi facevano sentire come se stessi pilotando un’astronave.

Ecco come l’ho costruito, cosa monitoro e perché è più importante di quanto pensiate.

Perché preoccuparsi di un dashboard

« I log sono sufficienti » mi dicevo prima di avere il dashboard. Non è sufficiente. I log ti dicono cosa è successo dopo che qualcuno si è lamentato. Un dashboard ti dice cosa sta succedendo prima che qualcuno se ne accorga.

Tre cose che il mio dashboard ha rilevato che i log da soli non avrebbero potuto:

Deterioramento graduale dei tempi di risposta. In due settimane, il tempo di risposta medio è salito da 2,3 secondi a 4,8 secondi. L’aumento era troppo graduale per essere notato in interazioni individuali, ma la linea di tendenza sul dashboard era chiaramente scorretta. Causa principale: un contesto di conversazione in espansione che non era stato tagliato.

Picco di costo dei token. Un martedì, il mio utilizzo quotidiano di token è triplicato. Non a causa di più richieste — ma per risposte più lunghe. Un cambiamento al prompt che avevo fatto il giorno prima faceva sì che il modello generasse output molto più verbosi del previsto. Il dashboard lo ha rilevato in poche ore; altrimenti, me ne sarei accorto quando sarebbe arrivata la bolletta mensile.

Fallimenti silenziosi del cron job. Due task pianificati fallivano silenziosamente da una settimana. Il dashboard mostrava che il modello atteso (picchi di esecuzione quotidiana in momenti specifici) aveva delle lacune. Senza il modello visivo, forse non me ne sarei accorto per un’altra settimana.

La configurazione

Pile: Prometheus per la raccolta di metriche, Grafana per la visualizzazione, Node Exporter per le metriche di sistema. Tempo di configurazione totale: circa 3 ore. Costo totale: gratuito (auto-ospitato) o 15 $/mese (il piano gratuito di Grafana Cloud copre la maggior parte delle necessità).

Se stai già usando un VPS per OpenClaw, puoi far girare Grafana sullo stesso server. La mia configurazione esegue Prometheus e Grafana sullo stesso VPS da 20 $/mese di OpenClaw, senza un impatto notevole sulle prestazioni.

Estrazione delle metriche da OpenClaw: I log di OpenClaw sono la principale fonte di dati. Ho scritto un semplice script che analizza i file di log e espone le metriche come endpoint Prometheus. Le principali metriche da estrarre:

– Numero di richieste (totale e per tipo)
– Tempo di risposta (medio, p95, p99)
– Utilizzo dei token (in entrata e in uscita, per richiesta)
– Numero di errori (per tipo)
– Sessioni attive
– Stato di esecuzione dei cron jobs

Il layout del mio dashboard

Ho quattro righe:

Riga 1: Salute a colpo d’occhio. Quattro grandi numeri: tempo di risposta attuale, richieste nell’ultima ora, tasso di errore e costo quotidiano stimato. Verde quando è normale, giallo quando è alto, rosso quando qualcosa richiede attenzione. Controllo questa riga 10 volte al giorno.

Riga 2: Tendenze. Grafici temporali per il tempo di risposta, il volume delle richieste e l’utilizzo dei token nelle ultime 24 ore e nei 7 giorni. Qui è dove rilevo il deterioramento graduale e schemi insoliti.

Riga 3: Costi. Utilizzo dei token dettagliato per modello, per tipo di task e per ora. Un totale cumulativo giornaliero confrontato con il budget. Questa riga mi ha fatto risparmiare centinaia di dollari rilevando anomalie di costo rapidamente.

Riga 4: Attività degli agenti. Quali agenti sono attivi, su cosa stanno lavorando, storico di esecuzione dei cron jobs e errori recenti con dettagli. Questa è la riga di debug — la guardo solo quando qualcosa non va.

Le allerte che contano davvero

Ho configurato 6 allerte. Dopo un mese di regolazioni, ne ho eliminate 2 che erano troppo rumorose e ho regolato le soglie delle 4 rimanenti.

Alerte 1: Tempo di risposta > 10 secondi. Si attiva quando il tempo di risposta p95 supera i 10 secondi in una finestra di 5 minuti. Di solito significa che l’API AI sta avendo problemi, o che il mio contesto è troppo grande.

Alerte 2: Tasso di errore > 5%. Più del 5% delle richieste che falliscono significa che c’è qualcosa di sistematicamente sbagliato, e non solo imprevisti occasionali dell’API.

Alerte 3: Costo quotidiano supera 2x la media. Rileva loop incontrollati e picchi di utilizzo imprevisti prima che diventino costosi.

Alerte 4: Esecuzione di cron job mancata. Se un cron job atteso non si esegue entro 30 minuti dall’orario previsto, qualcosa non va.

Queste quattro allerte costituiscono il giusto equilibrio per la mia configurazione. Abbastanza per catturare problemi reali. Non così tante da iniziare a ignorarle.

Cosa eviterei

Dashboard per richiesta. Inizialmente ho costruito un pannello che mostrava ogni singola richiesta. È stato interessante per circa un giorno, poi è diventato solo rumore. Le metriche aggregate sono più utili dei dati individuali per il monitoraggio.

Pannelli di confronto tra modelli. Ho costruito pannelli per confrontare i punteggi di qualità di Claude e GPT-4o. I dati erano interessanti ma non sfruttabili — avevo già deciso quale modello utilizzare, e il dashboard non ha cambiato questa decisione.

Visualizzazioni complesse. Grafana può creare bellissimi dashboard con manometri, heatmap e diagrammi di flusso. Resisti alla tentazione. I semplici grafici a linee e i grandi numeri sono più leggibili a colpo d’occhio, che è l’obiettivo.

Il calcolo del ROI

Tempo di configurazione: 3 ore.
Manutenzione mensile: 30 minuti (aggiornamento dei dashboard, regolazione delle allerte).
Risparmi ottenuti rilevando i problemi in anticipo: stimati in 200-300 $/mese in costi evitati e riduzione dei tempi di inattività.

Il dashboard si è ripagato nel primo mese. Se stai usando OpenClaw (o qualsiasi sistema di IA) senza osservabilità, voli al buio. Potresti volare correttamente. Ma quando non è così, non lo saprai finché non hai già colpito.

🕒 Published: April 3, 2026