La semana pasada terminé con un giro dramático: Necesitamos métricas. Y al instante me arrepentí porque la palabra métricas suena simple hasta que te das cuenta de que ahora tienes que medir las cosas de forma consistente y a lo largo del tiempo y además mirar los números aun cuando no te gustan. Dicho esto, Wykra ya tiene observabilidad. Estamos usando el trío clásico de código abierto - Prometheus, Alertmanager y Grafana - el kit de inicio de monitorización al que todo proyecto acaba llegando cuando la parte divertida se acaba y tu sistema comienza a comportarse como algo de lo que la gente podría depender.
Un recordatorio rápido para quien se haya perdido: Wykra es nuestro agente IA que descubre y analiza influencers usando scraping de Bright Data y un par de LLM integrados en un flujo de trabajo único. Es el proyecto que construimos semana a semana: a veces avanzamos de verdad, otras veces nos damos golpes contra la pared, pero siempre seguimos adelante.
Qué añadimos realmente esta semana: si quieres la configuración completa, cómo ejecutar todo, dónde están los paneles y cómo extraer las métricas, está todo en el README. Aquí quiero mostrar lo principal que ya podemos medir y explicar qué está haciendo la medición. Usamos tres herramientas con responsabilidades claras: Prometheus almacena y consulta las métricas, recuperando datos de nuestra API cada pocos segundos y guardando contadores y tiempos para ver la evolución en el tiempo. Alertmanager es la capa de enrutamiento y notificación: cuando Prometheus detecta que una regla de alerta supera un umbral, Alertmanager envía la notificación por Slack, email o webhooks y agrupa o filtra alertas para evitar spam. Grafana es la capa de visualización que convierte series temporales en dashboards en tiempo real para seguir tasas de petición, latencias, comportamiento de tareas y carga del sistema sin leer salidas en crudo.
En conjunto cubren la observabilidad básica: Prometheus recoge los datos, Alertmanager envía alertas y Grafana muestra lo que pasa.
Métricas clave en las que nos centramos: aunque Wykra aún no maneja tráfico real y todo corre en Docker en nuestras máquinas, tener métricas hace una diferencia enorme. Nos permiten ver cómo reacciona el sistema bajo pruebas locales, simulaciones de carga y casos límite extraños que generamos durante el desarrollo. De las muchas métricas en Prometheus, las que realmente nos ayudan ahora se agrupan en cuatro categorías.
1. Métricas HTTP Estas muestran cómo responde la API en nuestras ejecuciones locales: tasas de peticiones, errores y tiempos de respuesta por ruta. Son la forma más rápida de detectar regresiones cuando un cambio convierte un endpoint rápido en algo que parece ir por una VPN en la Antártida.
2. Métricas de sistema Lo básico: CPU, memoria y uso de procesos. Incluso en Docker estas métricas cuentan historias útiles como picos de memoria, procesos vecinos ruidosos o rutas de código ineficientes. Cuando la latencia sube, aquí suele empezar la explicación.
3. Métricas del pipeline de tareas Esta es la parte de Wykra que mueve el trabajo por el sistema. Seguimos cuántas tareas creamos en las pruebas, cuántas completan o fallan, cuánto tardan y cómo la cola crece o se drena con el tiempo. También recopilamos distribuciones de latencia para tipos de tarea específicos como búsquedas en Instagram para detectar ralentizaciones en la cola que las medias ocultan.
4. Métricas de servicios externos Como el sistema depende mucho de APIs externas las monitorizamos por separado. Se degradan de forma distinta a nuestro propio código y generan problemas que se parecen en la superficie pero requieren soluciones diferentes. Para Bright Data medimos tasas de éxito, tiempos de respuesta y picos de error para cada llamada, lo que nos ayuda a decidir si un fallo viene de nuestro lado o de un día complicado en el ecosistema de scraping. Para los LLM registramos frecuencia de llamadas, latencias, uso de tokens y patrones de error: cuántas llamadas hacemos, cuánto tarda cada una, cuántos tokens de prompt y completion consume el modelo y el uso total de tokens por petición. Los errores se monitorizan por separado para ver cuándo el modelo se ralentiza, expira o devuelve respuestas pobres.
Paneles y visión general: no voy a pegar 19 capturas de Grafana aquí, pero hay paneles clave que muestran el comportamiento durante pruebas locales. Un panel muestra la tasa de llamadas a los dos LLM durante las pruebas: Claude suele tener picos mayores porque maneja análisis más pesados, mientras Perplexity se mantiene más baja y estable. Otro panel muestra cómo cambia el uso de tokens: los tokens de prompt y completion de Claude suben en los pasos de análisis pesado y la línea total escala rápidamente, mientras Perplexity permanece baja porque sus consultas son más simples. También monitorizamos la tasa de llamadas a Bright Data; los picos corresponden a lotes donde extraemos datos de perfiles de Instagram y las secciones planas reflejan pausas entre lotes. Tenemos además un panel con todas las reglas de alerta configuradas: errores, respuestas lentas, picos de recursos, problemas de LLM, base de datos y acumulación en colas. Todo en verde porque solo ejecutamos cargas de prueba. Y un tablero básico muestra CPU subiendo durante una prueba, tareas de búsqueda en Instagram creadas y completadas a ritmo constante y sin fallos en esa ventana, suficiente para confirmar que el pipeline se comporta como esperamos bajo carga local.
Conclusión: lo más útil que hemos construido esta semana es la capacidad de ver lo que el sistema realmente hace. En lugar de asumir que todo funciona porque una prueba pasó en mi portátil, ahora tenemos visibilidad real: métricas, alertas y dashboards. Con eso podemos volver a expandir: añadir más plataformas sociales, probar estrategias de búsqueda diferentes y romper cosas a propósito, porque al menos sabremos cómo estaba el sistema antes del cambio y si la nueva idea mejoró o empeoró las cosas.
Sobre Q2BSTUDIO: somos una empresa dedicada al desarrollo de software a medida y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad y servicios cloud AWS y Azure. Ofrecemos soluciones de inteligencia de negocio y Power BI para transformar datos en decisiones, desarrollamos agentes IA y automatizaciones que integran LLM y pipelines de datos, y prestamos servicios de ciberseguridad y pentesting para proteger infraestructuras. Si te interesa potenciar tus procesos con software a medida visita nuestras soluciones de desarrollo de aplicaciones y software multiplataforma y si buscas integración de IA para empresas o servicios avanzados consulta nuestra oferta de inteligencia artificial. Palabras clave incluidas naturalmente para mejorar posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Si quieres apoyar el proyecto, haz una estrella al repositorio y sígueme en X. Repo y detalles técnicos están en el README del proyecto y nos ayudan a seguir construyendo en público.