OpenClaw健康检查脚本Qwen3-32B私有镜像监控方案1. 为什么需要健康检查脚本上周我的OpenClaw自动化流程突然中断了三次每次都是因为Qwen3-32B模型服务出现异常。第一次是API响应延迟飙升到15秒第二次是显存泄漏导致GPU内存耗尽第三次更离谱——一个简单的文件整理任务竟然消耗了超过2000个Token。这让我意识到对于7x24小时运行的AI智能体来说没有健康监控就像在黑暗中开车。经过两周的实践我开发了一套针对Qwen3-32B私有镜像的健康检查方案。这套方案不仅能定时检测关键指标还能通过飞书机器人实时报警。最让我满意的是它已经作为health check技能集成到OpenClaw生态中任何部署了Qwen3-32B镜像的用户都可以直接使用。2. 核心监控指标设计2.1 必须监控的三大指标在设计监控脚本时我发现有三个指标对Qwen3-32B的稳定运行至关重要API响应延迟超过3秒的延迟会导致OpenClaw任务超时显存使用率RTX4090D的24GB显存一旦泄漏很快就会耗尽Token消耗异常某些异常情况下模型会输出大量无用内容2.2 指标阈值设定经验经过反复测试我为自己的环境设定了以下阈值THRESHOLDS { api_latency: 3.0, # 秒 gpu_memory: 0.9, # 显存使用率90% token_ratio: 5.0 # 实际Token/预期Token比值 }这些值需要根据具体硬件配置调整。比如在RTX3090上我会把显存阈值降到0.85因为它的24GB显存实际可用量比4090D要少。3. 健康检查脚本实现3.1 基础检测脚本以下是健康检查脚本的核心代码保存为qwen_healthcheck.pyimport requests import time import pynvml def check_api_latency(base_url): start time.time() try: resp requests.post( f{base_url}/v1/chat/completions, json{model: qwen3-32b, messages: [{role: user, content: ping}]}, timeout5 ) if resp.status_code 200: return time.time() - start except: return float(inf) return float(inf) def check_gpu_memory(): pynvml.nvmlInit() handle pynvml.nvmlDeviceGetHandleByIndex(0) info pynvml.nvmlDeviceGetMemoryInfo(handle) return info.used / info.total def analyze_token_usage(log_path/var/log/openclaw/qwen.log): # 简化的Token分析逻辑实际需要更复杂的日志解析 with open(log_path) as f: lines f.readlines()[-100:] # 检查最近100条日志 total sum(int(line.split(tokens)[1].split()[0]) for line in lines if tokens in line) return total / len(lines) if lines else 03.2 与OpenClaw集成要将这个脚本变成OpenClaw的health check技能需要创建技能描述文件skill.yamlname: qwen-healthcheck version: 0.1.0 description: Qwen3-32B健康监控技能 entry_point: qwen_healthcheck.py triggers: - type: schedule value: */5 * * * * # 每5分钟执行一次 actions: - name: check_and_alert description: 执行健康检查并发送警报然后通过ClawHub安装clawhub install ./qwen-healthcheck4. 飞书报警集成实践4.1 机器人消息模板在~/.openclaw/scripts/feishu_alert.py中配置飞书报警def send_feishu_alert(metrics): card { header: {title: {tag: plain_text, content: ⚠️ Qwen3-32B健康警报}}, elements: [{ tag: div, text: { tag: lark_md, content: f**问题检测时间**{time.strftime(%Y-%m-%d %H:%M)} **API延迟**{metrics[latency]:.2f}s { if metrics[latency] 3 else ✅} **显存使用**{metrics[gpu_mem]*100:.1f}% { if metrics[gpu_mem] 0.9 else ✅} **Token异常率**{metrics[token_ratio]:.1f}x { if metrics[token_ratio] 5 else ✅} } }] } requests.post( https://open.feishu.cn/open-apis/bot/v2/hook/YOUR_WEBHOOK_KEY, json{msg_type: interactive, card: card} )4.2 报警频率控制为了避免报警风暴我添加了简单的频率控制class AlertManager: def __init__(self): self.last_alert_time {} def should_alert(self, alert_type): now time.time() if alert_type not in self.last_alert_time or now - self.last_alert_time[alert_type] 3600: self.last_alert_time[alert_type] now return True return False这样相同的异常每小时最多报警一次既不会错过重要问题也不会被报警淹没。5. 部署与调优经验5.1 定时任务配置虽然OpenClaw支持内置调度但我更喜欢用系统crontab来运行健康检查因为即使OpenClaw主服务挂掉监控仍然可以运行可以更灵活地控制执行频率日志管理更方便我的crontab配置如下*/5 * * * * /usr/bin/python3 /opt/openclaw/skills/qwen-healthcheck/check.py /var/log/qwen_healthcheck.log 215.2 监控指标可视化为了让历史数据更直观我用GrafanaPrometheus搭建了简单的看板修改健康检查脚本将结果写入/var/lib/node_exporter/textfile_collector/qwen_metrics.prom配置Prometheus的textfile采集器Grafana中创建包含三个指标的仪表盘这样我就能看到Qwen3-32B服务的长期稳定性趋势对容量规划很有帮助。6. 实际运行效果这套方案已经稳定运行了三周成功捕获了4次API延迟飙升由于邻居容器抢占了CPU资源2次显存泄漏模型服务内存管理bug1次Token异常模型陷入重复输出循环每次都能在问题影响OpenClaw任务前发出警报。最惊喜的是通过分析历史监控数据我发现每天凌晨3点左右API延迟都会小幅上升——原来是系统定时任务导致的。调整定时任务时间后整体稳定性又提升了一个档次。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
OpenClaw健康检查脚本：Qwen3-32B私有镜像监控方案
OpenClaw健康检查脚本Qwen3-32B私有镜像监控方案1. 为什么需要健康检查脚本上周我的OpenClaw自动化流程突然中断了三次每次都是因为Qwen3-32B模型服务出现异常。第一次是API响应延迟飙升到15秒第二次是显存泄漏导致GPU内存耗尽第三次更离谱——一个简单的文件整理任务竟然消耗了超过2000个Token。这让我意识到对于7x24小时运行的AI智能体来说没有健康监控就像在黑暗中开车。经过两周的实践我开发了一套针对Qwen3-32B私有镜像的健康检查方案。这套方案不仅能定时检测关键指标还能通过飞书机器人实时报警。最让我满意的是它已经作为health check技能集成到OpenClaw生态中任何部署了Qwen3-32B镜像的用户都可以直接使用。2. 核心监控指标设计2.1 必须监控的三大指标在设计监控脚本时我发现有三个指标对Qwen3-32B的稳定运行至关重要API响应延迟超过3秒的延迟会导致OpenClaw任务超时显存使用率RTX4090D的24GB显存一旦泄漏很快就会耗尽Token消耗异常某些异常情况下模型会输出大量无用内容2.2 指标阈值设定经验经过反复测试我为自己的环境设定了以下阈值THRESHOLDS { api_latency: 3.0, # 秒 gpu_memory: 0.9, # 显存使用率90% token_ratio: 5.0 # 实际Token/预期Token比值 }这些值需要根据具体硬件配置调整。比如在RTX3090上我会把显存阈值降到0.85因为它的24GB显存实际可用量比4090D要少。3. 健康检查脚本实现3.1 基础检测脚本以下是健康检查脚本的核心代码保存为qwen_healthcheck.pyimport requests import time import pynvml def check_api_latency(base_url): start time.time() try: resp requests.post( f{base_url}/v1/chat/completions, json{model: qwen3-32b, messages: [{role: user, content: ping}]}, timeout5 ) if resp.status_code 200: return time.time() - start except: return float(inf) return float(inf) def check_gpu_memory(): pynvml.nvmlInit() handle pynvml.nvmlDeviceGetHandleByIndex(0) info pynvml.nvmlDeviceGetMemoryInfo(handle) return info.used / info.total def analyze_token_usage(log_path/var/log/openclaw/qwen.log): # 简化的Token分析逻辑实际需要更复杂的日志解析 with open(log_path) as f: lines f.readlines()[-100:] # 检查最近100条日志 total sum(int(line.split(tokens)[1].split()[0]) for line in lines if tokens in line) return total / len(lines) if lines else 03.2 与OpenClaw集成要将这个脚本变成OpenClaw的health check技能需要创建技能描述文件skill.yamlname: qwen-healthcheck version: 0.1.0 description: Qwen3-32B健康监控技能 entry_point: qwen_healthcheck.py triggers: - type: schedule value: */5 * * * * # 每5分钟执行一次 actions: - name: check_and_alert description: 执行健康检查并发送警报然后通过ClawHub安装clawhub install ./qwen-healthcheck4. 飞书报警集成实践4.1 机器人消息模板在~/.openclaw/scripts/feishu_alert.py中配置飞书报警def send_feishu_alert(metrics): card { header: {title: {tag: plain_text, content: ⚠️ Qwen3-32B健康警报}}, elements: [{ tag: div, text: { tag: lark_md, content: f**问题检测时间**{time.strftime(%Y-%m-%d %H:%M)} **API延迟**{metrics[latency]:.2f}s { if metrics[latency] 3 else ✅} **显存使用**{metrics[gpu_mem]*100:.1f}% { if metrics[gpu_mem] 0.9 else ✅} **Token异常率**{metrics[token_ratio]:.1f}x { if metrics[token_ratio] 5 else ✅} } }] } requests.post( https://open.feishu.cn/open-apis/bot/v2/hook/YOUR_WEBHOOK_KEY, json{msg_type: interactive, card: card} )4.2 报警频率控制为了避免报警风暴我添加了简单的频率控制class AlertManager: def __init__(self): self.last_alert_time {} def should_alert(self, alert_type): now time.time() if alert_type not in self.last_alert_time or now - self.last_alert_time[alert_type] 3600: self.last_alert_time[alert_type] now return True return False这样相同的异常每小时最多报警一次既不会错过重要问题也不会被报警淹没。5. 部署与调优经验5.1 定时任务配置虽然OpenClaw支持内置调度但我更喜欢用系统crontab来运行健康检查因为即使OpenClaw主服务挂掉监控仍然可以运行可以更灵活地控制执行频率日志管理更方便我的crontab配置如下*/5 * * * * /usr/bin/python3 /opt/openclaw/skills/qwen-healthcheck/check.py /var/log/qwen_healthcheck.log 215.2 监控指标可视化为了让历史数据更直观我用GrafanaPrometheus搭建了简单的看板修改健康检查脚本将结果写入/var/lib/node_exporter/textfile_collector/qwen_metrics.prom配置Prometheus的textfile采集器Grafana中创建包含三个指标的仪表盘这样我就能看到Qwen3-32B服务的长期稳定性趋势对容量规划很有帮助。6. 实际运行效果这套方案已经稳定运行了三周成功捕获了4次API延迟飙升由于邻居容器抢占了CPU资源2次显存泄漏模型服务内存管理bug1次Token异常模型陷入重复输出循环每次都能在问题影响OpenClaw任务前发出警报。最惊喜的是通过分析历史监控数据我发现每天凌晨3点左右API延迟都会小幅上升——原来是系统定时任务导致的。调整定时任务时间后整体稳定性又提升了一个档次。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
