Per i primi tre mesi di utilizzo di OpenClaw, la mia strategia di monitoraggio era: controllare il terminale ogni poche ore e sperare che nulla stesse andando a fuoco. Spoiler: a volte le cose bruciavano e non lo sapevo finché qualcuno non me lo ha detto.
Poi ho configurato un dashboard Grafana, ed è stato come indossare occhiali per la prima volta. All’improvviso potevo vedere tutto — tempi di risposta, utilizzo dei token, tassi di errore, attività degli agenti — tutto in un unico posto, in tempo reale, con grafici carini che mi fanno sentire come se stessi pilotando un’astronave.
Ecco come l’ho costruito, cosa traccio e perché è più importante di quanto pensi.
Perché Sforzarsi con un Dashboard
“Il logging è sufficiente” è quello che dicevo a me stesso prima del 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 catturato che i log da soli non avrebbero:
Degradazione graduale dei tempi di risposta. In due settimane, il tempo di risposta medio è aumentato da 2.3 secondi a 4.8 secondi. L’aumento era troppo graduale da notare nelle singole interazioni, ma la linea di tendenza sul dashboard era ovviamente sbagliata. Causa principale: un contesto di conversazione in crescita che non veniva potato.
Picco del costo dei token. Un martedì, l’utilizzo quotidiano dei token è triplicato. Non a causa di più richieste, ma a causa di risposte più lunghe. Un cambiamento di prompt che avevo fatto il giorno prima stava causando al modello di generare output molto più verbosi di quanto intendessi. Il dashboard l’ha colto in poche ore; altrimenti, me ne sarei accorto quando sarebbe arrivata la bolletta mensile.
Fallimenti silenziosi dei cron job. Due job pianificati stavano fallendo silenziosamente da una settimana. Il dashboard mostrava che il pattern atteso (picchi di esecuzione giornaliera in orari specifici) aveva delle lacune. Senza il pattern visivo, potrei non averlo notato per un’altra settimana.
La Configurazione
Stack: Prometheus per la raccolta di metriche, Grafana per la visualizzazione, Node Exporter per le metriche di sistema. Tempo totale di configurazione: circa 3 ore. Costo totale: gratuito (self-hosted) o $15/mese (il piano gratuito di Grafana Cloud copre la maggior parte delle esigenze).
Se stai già eseguendo un VPS per OpenClaw, puoi eseguire Grafana sullo stesso server. La mia configurazione esegue Prometheus e Grafana sullo stesso VPS da $20/mese di OpenClaw, senza impatti sulle performance rilevabili.
Ottenere metriche da OpenClaw: I log di OpenClaw sono la principale fonte di dati. Ho scritto uno script semplice che analizza i file di log ed espone le metriche come endpoint Prometheus. Le metriche chiave da estrarre:
– Conteggio delle richieste (totale e per tipo)
– Tempo di risposta (medio, p95, p99)
– Utilizzo dei token (in entrata e in uscita, per richiesta)
– Conteggio degli errori (per tipo)
– Sessioni attive
– Stato di esecuzione dei cron job
Il Mio Layout del 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 giornaliero stimato. Verde quando è normale, giallo quando è elevato, rosso quando qualcosa ha bisogno di attenzione. Controllo questa riga 10 volte al giorno.
Riga 2: Tendenze. Grafici delle serie temporali per tempo di risposta, volume delle richieste e utilizzo dei token nelle ultime 24 ore e 7 giorni. Qui è dove noto la degradazione graduale e modelli insoliti.
Riga 3: Costi. Utilizzo dei token suddiviso per modello, tipo di attività e ora. Un totale giornaliero confrontato con il budget. Questa riga mi ha fatto risparmiare centinaia di dollari individuando le anomalie di costo in anticipo.
Riga 4: Attività degli agenti. Quali agenti sono attivi, su cosa stanno lavorando, cronologia di esecuzione dei cron job e errori recenti con dettagli. Questa è la riga di debugging — la guardo solo quando qualcosa non va.
Gli Allerta Che Contano Davvero
Ho impostato 6 allerte. Dopo un mese di regolazioni, ne ho rimosse 2 che erano troppo rumorose e ho adeguato le soglie delle rimanenti 4.
Allerta 1: Tempo di risposta > 10 secondi. Questa si attiva quando il tempo di risposta p95 supera i 10 secondi su una finestra di 5 minuti. Di solito significa che l’API AI ha problemi, o che il mio contesto è troppo grande.
Allerta 2: Tasso di errore > 5%. Più del 5% delle richieste che falliscono significa che qualcosa non va sistematicamente, non solo occasionali problemi dell’API.
Allerta 3: Costo giornaliero supera 2x la media. Individua cicli incontrollati e picchi di utilizzo inaspettati prima che diventino costosi.
Allerta 4: Esecuzione del cron job mancata. Se un cron job previsto non viene eseguito entro 30 minuti dal suo orario programmato, qualcosa non va.
Queste quattro allerte sono il giusto equilibrio per la mia configurazione. Abbastanza per catturare problemi reali. Non così tante che inizio 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 rumore. Le metriche aggregate sono più utili rispetto ai singoli punti dati per il monitoraggio.
Pannelli di confronto dei modelli. Ho costruito pannelli che confrontano i punteggi di qualità di Claude vs GPT-4o. I dati erano interessanti ma non azionabili — avevo già deciso quale modello usare, e il dashboard non ha cambiato quella decisione.
Visualizzazioni elaborate. Grafana può creare dashboard bellissime con indicatori, mappe di calore e diagrammi di flusso. Resisti alla tentazione. Grafici a linee semplici e grandi numeri sono più leggibili a colpo d’occhio, che è l’intero obiettivo.
Il Calcolo del ROI
Tempo di configurazione: 3 ore.
Manutenzione mensile: 30 minuti (aggiornamento dei dashboard, regolazione degli alert).
Risparmi derivanti dall’individuazione precoce dei problemi: stimati $200-300/mese in costi eccessivi prevenuti e riduzione dei tempi di inattività.
Il dashboard si è ripagato nel primo mese. Se stai eseguendo OpenClaw (o qualsiasi sistema AI) senza osservabilità, stai volando alla cieca. Potresti volare bene. Ma quando non lo fai, non lo saprai fino a che non sei già schiantato.
🕒 Published: