Quan desenvolupem aplicacions amb el stack MERN (MongoDB, Express, React, Node.js), la sensació de llançar una funcionalitat i després enfrontar-se a logs de terminal que no expliquen tota la història és descoratjadora. Durant la construcció de RoaVista, una plataforma de reserva de sales desenvolupada pel meu equip, vaig decidir deixar enrere el clàssic console.log() i adoptar un enfocament seriós d'observabilitat. Aquí va entrar SigNoz, una eina open-source que, combinada amb OpenTelemetry, va transformar completament la manera com entenem el comportament de cada petició.
El primer va ser muntar SigNoz en local. Amb un simple docker-compose up -d el stack complet de monitoratge estava operatiu. Després, vaig instrumentar el backend Node.js/Express amb OpenTelemetry. Un fitxer tracing.js configura l'exportador OTLP apuntant a https://localhost:4318/v1/traces, i el tracerProvider registra tots els spans automàticament. Tan bon punt va arrencar el servidor, les dades van començar a fluir al dashboard de SigNoz.
Però la funcionalitat que realment em va deixar bocabadat va ser el traçat distribuït (distributed tracing). En una aplicació MERN, una acció com reservar una sala desencadena una cascada: el frontend colpeja una ruta Express, el middleware d'autenticació verifica el JWT, el controlador consulta disponibilitat i MongoDB executa agregacions. Abans, si la ruta trigava 800ms, no sabia si el coll d'ampolla era a la base de dades, al middleware o a la lògica del controlador. Amb SigNoz, cada petició es converteix en un gràfic de flama (flame graph) que mostra el temps exacte invertit a cada etapa.
Per exemple, en inspeccionar una consulta d'agregació a MongoDB que filtrava sales disponibles, el trace revelava que l'operació estava escanejant massa documents, cosa que abans passava desapercebuda. També vaig poder visualitzar el pes de cada middleware: la validació del token JWT consumia més temps del previst, cosa que ens va portar a optimitzar la lògica de verificació. I quan una petició fallava, el trace apuntava directament al punt exacte de l'error, amb els logs associats.
Aquesta capacitat d'observabilitat no només millora la depuració reactiva, sinó que habilita un monitoratge proactiu. A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, apliquem aquests principis a cada projecte. Quan desenvolupem aplicacions a mida per a clients, la visibilitat de principi a fi és crítica. No n'hi ha prou que l'aplicació funcioni; cal entendre com es comporta sota càrrega, on es ralentitza i com optimitzar cada servei. L'observabilitat es converteix en un pilar de la qualitat del programari.
A més, integrar eines com SigNoz amb infraestructures cloud potencia encara més l'anàlisi. A núvols com AWS o Azure, els traces es poden correlacionar amb mètriques d'escalat, logs de pipelines CI/CD i esdeveniments de seguretat. Per exemple, si un endpoint pateix una latència anòmala, el trace ens permet determinar si l'origen és una consulta mal optimitzada o un atac de denegació de servei incipient. La ciberseguretat se'n beneficia directament: en monitoritzar patrons de trànsit i temps de resposta, podem detectar comportaments sospitosos abans que afectin els usuaris.
En el context de la intel·ligència artificial, les dades d'observabilitat són una mina d'or. A Q2BSTUDIO desenvolupem agents IA que analitzen fluxos de traçat en temps real per predir colls d'ampolla i recomanar ajustos automàtics d'infraestructura. Aquests agents poden, per exemple, suggerir índexs a MongoDB o escalar horitzontalment un servei segons la càrrega anticipada. La combinació d'observabilitat i IA ens apropa a sistemes autònoms que s'autoregulen.
També utilitzem Power BI per consolidar les mètriques d'observabilitat en dashboards executius. Des d'allà, els stakeholders poden veure el rendiment de cada microservei, la taxa d'errors i l'ús de recursos cloud, tot sense necessitat d'accedir a eines tècniques. Aquesta integració entre observabilitat i Business Intelligence permet prendre decisions de negoci informades, basades en dades reals del sistema.
Tornant a l'experiència amb SigNoz, el que més valoro és com va canviar la meva mentalitat. Vaig passar d'esperar que els usuaris reportessin lentitud a anticipar-me als problemes. Per exemple, durant una prova de càrrega, un trace va mostrar que una determinada ruta d'autenticació consumia el 40% del temps total. En revisar el codi, vam descobrir que un middleware de logs síncron bloquejava l'event loop. El vam eliminar i la resposta va millorar de 1200ms a 400ms. Sense el traçat distribuït, aquell coll d'ampolla hauria passat desapercebut fins que el sistema col·lapsés en producció.
Si estàs construint una API amb Node.js i Express, et recomano que implementis observabilitat des del dia u. No necessites una infraestructura complexa; eines com SigNoz es despleguen en minuts. I si treballes amb equips que desenvolupen programari a mida, la inversió en traçat distribuït s'amortitza ràpidament. A Q2BSTUDIO ho sabem bé: cada client té necessitats úniques, i només amb una visibilitat granular podem garantir que les seves aplicacions escalin amb seguretat i eficiència.
Finalment, no oblidis que l'observabilitat no és un fi en si mateix, sinó un habilitador. Et permet iterar més ràpid, depurar amb precisió i, sobretot, oferir una experiència d'usuari fluida. Des de la perspectiva empresarial, tenir un stack observable redueix el temps de resolució d'incidències i augmenta la confiança en el desplegament continu. Si encara no ho has provat, t'animo a que li dediquis una tarda a SigNoz. Com diu el meu equip, un cop veus el flame graph de la teva primera petició, no hi ha marxa enrere.
