Agent-Monitoring einrichten

Nachdem OpenClaw installiert ist, verbinden Sie Ihre AI Agents. OpenClaw nutzt ein Trace-basiertes Modell — jede Agent-Aktion wird als Span innerhalb eines Trace erfasst, ähnlich wie bei Distributed Tracing in Microservices.

Agents verbinden

Automatische Instrumentierung

Für unterstützte Frameworks genügt ein Einzeiler:

from openclaw import OpenClaw, auto_instrument

oc = OpenClaw(api_key="oc_live_...")
auto_instrument(oc, framework="langchain")  # oder "crewai", "autogen", "agentos"

Auto-Instrumentierung erfasst automatisch:

• Jeden LLM-Call (Prompt, Response, Token-Zählung)
• Tool-Aufrufe und deren Ergebnisse
• Agent-Entscheidungen und Routing
• Memory-Zugriffe und Context-Fenster

Manuelle Instrumentierung

Für Custom Agents oder feinere Kontrolle:

with oc.trace("customer-support-agent") as trace:
    trace.set_metadata({"customer_id": "12345", "channel": "chat"})

    with trace.span("intent-classification") as span:
        span.set_input(user_message)
        intent = classify_intent(user_message)
        span.set_output(intent)

    with trace.span("response-generation") as span:
        span.set_model("gpt-4o")
        response = generate_response(intent, context)
        span.set_output(response)
        span.set_tokens(input=245, output=189)

Trace-Struktur verstehen

Ein OpenClaw Trace bildet den vollständigen Lebenszyklus einer Agent-Interaktion ab:

Trace: customer-support-agent (ID: tr_abc123)
├── Span: intent-classification (12ms)
├── Span: knowledge-retrieval (145ms)
│   ├── Span: vector-search (89ms)
│   └── Span: reranking (52ms)
├── Span: response-generation (1,340ms)
│   ├── Span: llm-call (1,200ms)
│   └── Span: guardrail-check (140ms)
└── Span: response-delivery (8ms)

Metadata Tagging

Tags ermöglichen präzises Filtern und Gruppieren:

Real-Time Dashboards

Sobald Traces einfließen, zeigt das Live-Dashboard:

• Agent Activity Feed — Echtzeit-Stream aller Agent-Aktionen
• Latency Heatmap — Antwortzeiten über die Zeit, nach Agent gruppiert
• Error Rate — Fehlerrate pro Agent und Zeitfenster
• Token Consumption — Verbrauch in Echtzeit mit Trend-Linie
• Active Agents — Welche Agents sind gerade aktiv und wie ausgelastet

Tipp: Beginnen Sie mit Auto-Instrumentierung und wechseln Sie zu manuellen Spans nur dort, wo Sie tiefere Einblicke benötigen. Übermäßiges Tracing erzeugt Rauschen und erhöht Speicherkosten.