Grafana 可视化：开箱即用的监控面板

zhanghongbin01

0人浏览 · 2026-04-11 11:37:09

zhanghongbin01 · 2026-04-11 11:37:09 发布

Grafana 可视化：开箱即用的监控面板

深入了解 AI Observability Agent 的 Grafana Dashboard，实现 AI 监控数据的可视化

预置 Dashboard 介绍

AI Observability Agent 提供了预置的 Grafana Dashboard，开箱即用，无需手动配置。

1. AI Observability Dashboard

文件：dashboards/ai-observability.json

功能：全面监控 AI 服务的成本、Token 使用、请求延迟等指标。

包含面板：

每日成本统计：显示每日 AI API 成本
最近一小时请求数：显示最近一小时的请求量
按模型的每小时成本趋势：展示各模型的成本变化
按模型的 Token 使用趋势：展示输入/输出 Token 使用情况
请求延迟分布：P95/P99 延迟统计
成本分布饼图：按模型/提供商的成本分布
按提供商的请求分布：各 AI 提供商的请求占比

2. Claude Code Dashboard

文件：dashboards/claude-code-dashboard.json

功能：专门监控 Claude Code 的开发效率和使用情况。

包含面板：

24小时会话数：显示最近 24 小时的会话数量
Claude Code 成本：显示 Claude Code 的使用成本
Token 使用量：输入/输出 Token 的使用趋势
按模型的成本趋势：各模型的成本变化
生成的代码行数：Claude Code 生成的代码量
PR 统计：Pull Request 数量统计

导入方法

方法一：通过 UI 导入

打开 Grafana UI：访问 Grafana 网页界面（默认 http://localhost:3000）
导航到 Dashboards：点击左侧菜单的 “Dashboards”
点击 Import：在 Dashboards 页面点击 “Import” 按钮
上传 JSON 文件：点击 “Upload JSON file”，选择对应的 Dashboard JSON 文件
选择数据源：在 “Prometheus” 下拉菜单中选择你的 Prometheus 数据源
点击 Import：完成导入

方法二：通过 API 导入

步骤：

获取 API Key：在 Grafana UI 中生成 API Key
执行导入命令：

# 导入 AI Observability Dashboard
curl -X POST http://grafana:3000/api/dashboards/db \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d @dashboards/ai-observability.json

# 导入 Claude Code Dashboard
curl -X POST http://grafana:3000/api/dashboards/db \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d @dashboards/claude-code-dashboard.json

方法三：通过 Provisioning 导入

步骤：

创建 Provisioning 目录：

mkdir -p /etc/grafana/provisioning/dashboards

创建 Dashboard 配置文件：

# /etc/grafana/provisioning/dashboards/dashboards.yml
apiVersion: 1

providers:
  - name: 'AI Observability'
    orgId: 1
    folder: ''
    type: file
    disableDeletion: false
    updateIntervalSeconds: 10
    options:
      path: /path/to/prom-agent/dashboards

重启 Grafana：

sudo systemctl restart grafana-server

面板详解

1. AI Observability Dashboard 面板

每日成本统计

功能：显示每日 AI API 成本
查询：

sum by (date) (rate(ai_cost_usd_total[1d]))

可视化：时间序列图，显示成本趋势

按模型的每小时成本趋势

功能：展示各模型的成本变化
查询：

sum by (model, date) (rate(ai_cost_usd_total[1h]))

可视化：时间序列图，按模型分组

按模型的 Token 使用趋势

功能：展示输入/输出 Token 使用情况
查询：

sum by (model) (rate(ai_tokens_input_total[1h]))
sum by (model) (rate(ai_tokens_output_total[1h]))

可视化：时间序列图，显示输入和输出 Token

请求延迟分布

功能：P95/P99 延迟统计
查询：

histogram_quantile(0.95, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))
histogram_quantile(0.99, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))

可视化：时间序列图，显示 P95 和 P99 延迟

成本分布饼图

功能：按模型/提供商的成本分布
查询：

sum by (model) (ai_cost_usd_total)

可视化：饼图，显示各模型的成本占比

按提供商的请求分布

功能：各 AI 提供商的请求占比
查询：

sum by (provider) (ai_requests_total)

可视化：饼图，显示各提供商的请求占比

2. Claude Code Dashboard 面板

24小时会话数

功能：显示最近 24 小时的会话数量
查询：

rate(ai_claude_code_session_count_total[1h])

可视化：时间序列图，显示会话数量趋势

Claude Code 成本

功能：显示 Claude Code 的使用成本
查询：

sum by (date) (rate(ai_claude_code_cost_usage_USD_total[1d]))

可视化：时间序列图，显示成本趋势

Token 使用量

功能：输入/输出 Token 的使用趋势
查询：

sum by (type) (rate(ai_claude_code_token_usage_tokens_total[1h]))

可视化：时间序列图，显示 Token 使用趋势

按模型的成本趋势

功能：各模型的成本变化
查询：

sum by (model) (rate(ai_claude_code_cost_usage_USD_total[1h]))

可视化：时间序列图，按模型分组

生成的代码行数

功能：Claude Code 生成的代码量
查询：

rate(ai_claude_code_lines_of_code_count_total[1h])

可视化：时间序列图，显示代码行数趋势

PR 统计

功能：Pull Request 数量统计
查询：

rate(ai_claude_code_pull_requests_total[1h])

可视化：时间序列图，显示 PR 数量趋势

自定义 Dashboard

1. 创建新 Dashboard

步骤：

打开 Grafana UI：访问 Grafana 网页界面
点击 New Dashboard：在 Dashboards 页面点击 “New Dashboard”
添加 Panel：点击 “Add new panel”
配置查询：在 Query 选项卡中输入 PromQL 查询
配置可视化：在 Visualization 选项卡中选择合适的可视化类型
保存 Dashboard：点击 “Save” 按钮保存

2. 常用查询示例

成本相关：

# 总成本
sum(ai_cost_usd_total)

# 按模型分组的成本
sum by (model) (ai_cost_usd_total)

# 按提供商分组的成本
sum by (provider) (ai_cost_usd_total)

# 每小时成本趋势
sum by (date) (rate(ai_cost_usd_total[1h]))

# 每日成本趋势
sum by (date) (rate(ai_cost_usd_total[1d]))

Token 相关：

# 总 Token 使用量
sum(ai_tokens_input_total + ai_tokens_output_total)

# 输入/输出 Token 比例
sum(ai_tokens_output_total) / sum(ai_tokens_input_total)

# 按模型分组的 Token 使用量
sum by (model) (ai_tokens_input_total + ai_tokens_output_total)

# Token 使用趋势
sum by (model) (rate(ai_tokens_input_total[5m]))
sum by (model) (rate(ai_tokens_output_total[5m]))

请求相关：

# 总请求数
sum(ai_requests_total)

# 按模型分组的请求数
sum by (model) (ai_requests_total)

# 请求速率
rate(ai_requests_total[5m])

# 错误率
sum(rate(ai_errors_total[5m])) / sum(rate(ai_requests_total[5m]))

延迟相关：

# 平均延迟
sum(rate(ai_request_latency_seconds_sum[5m])) / sum(rate(ai_request_latency_seconds_count[5m]))

# P50 延迟
histogram_quantile(0.5, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))

# P95 延迟
histogram_quantile(0.95, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))

# P99 延迟
histogram_quantile(0.99, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))

系统相关：

# CPU 使用率
sum by (mode) (rate(node_cpu_seconds_total[5m])) * 100

# 内存使用率
(node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes) / node_memory_MemTotal_bytes * 100

# 磁盘使用率
(node_filesystem_size_bytes - node_filesystem_avail_bytes) / node_filesystem_size_bytes * 100

# 网络流量
sum by (device) (rate(node_network_receive_bytes_total[5m]))
sum by (device) (rate(node_network_transmit_bytes_total[5m]))

3. 面板配置技巧

时间范围：

选择合适的时间范围，如 1h, 6h, 12h, 1d, 7d
使用相对时间范围，如 “Last 24 hours”

显示选项：

调整图表大小和布局
配置图例显示
设置合适的单位
配置阈值和警报

变量：

创建模型、提供商等变量
使用变量实现动态查询
配置变量的默认值和选项

警报：

为关键指标设置警报
配置警报阈值和通知方式
测试警报规则

PromQL 查询示例

1. 成本分析

每日成本趋势：

sum by (date) (rate(ai_cost_usd_total[1d]))

成本最高的模型：

topk(5, sum by (model) (ai_cost_usd_total))

成本预测：

predict_linear(ai_cost_usd_total[7d], 86400)

2. Token 分析

Token 效率：

sum(ai_tokens_output_total) / sum(ai_tokens_input_total)

每请求平均 Token：

sum(ai_tokens_input_total + ai_tokens_output_total) / sum(ai_requests_total)

Token 使用趋势：

sum by (type) (rate(ai_tokens_total[1h]))

3. 性能分析

请求延迟分布：

histogram_quantile(0.5, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))
histogram_quantile(0.95, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))
histogram_quantile(0.99, sum by (le) (rate(ai_request_latency_seconds_bucket[5m]))

错误率趋势：

sum(rate(ai_errors_total[5m])) / sum(rate(ai_requests_total[5m])) * 100

请求速率：

sum by (model) (rate(ai_requests_total[5m]))

4. 系统监控

Agent 健康状态：

agent_uptime_seconds

采集器状态：

sum by (collector) (agent_collector_enabled)

Remote Write 状态：

rate(agent_remote_write_requests_total[5m])
rate(agent_remote_write_errors_total[5m])

最佳实践

1. Dashboard 设计最佳实践

布局：

按功能分组面板
重要指标放在顶部
相关指标放在一起
合理安排面板大小

命名：

使用清晰的面板标题
为 Dashboard 选择有意义的名称
使用一致的命名规范

组织：

使用文件夹组织 Dashboard
为 Dashboard 添加标签
定期清理不需要的 Dashboard

2. 查询优化

性能优化：

使用合适的时间范围
避免使用 sum() 等聚合函数处理大量时间序列
使用 rate() 函数处理计数器
避免使用 * 操作符处理大量时间序列

可读性：

使用注释说明复杂查询
分解复杂查询为多个简单查询
使用变量使查询更灵活

3. 告警最佳实践

告警设置：

为关键指标设置告警
设置合理的阈值
配置适当的通知渠道
测试告警规则

告警级别：

info：信息性告警，无需立即处理
warning：警告性告警，需要关注
critical：严重告警，需要立即处理

告警策略：

避免告警风暴
设置合理的告警间隔
配置告警升级机制
定期审查告警规则

故障排查

1. 数据不显示

症状：Dashboard 中没有数据显示

排查步骤：

检查 Prometheus 数据源配置
验证数据是否到达 Prometheus
检查 PromQL 查询是否正确
检查时间范围设置

解决方案：

修正数据源配置
确保 Agent 正常运行
修正 PromQL 查询
调整时间范围

2. 图表显示异常

症状：图表显示异常或错误

排查步骤：

检查 PromQL 查询
验证数据格式
检查面板配置
查看 Grafana 日志

解决方案：

修正 PromQL 查询
确保数据格式正确
调整面板配置
检查 Grafana 配置

3. 性能问题

症状：Dashboard 加载缓慢

排查步骤：

检查 PromQL 查询性能
检查数据量大小
检查 Grafana 资源使用
检查网络连接

解决方案：

优化 PromQL 查询
减少时间序列数量
增加 Grafana 资源
改善网络连接

总结

AI Observability Agent 的 Grafana Dashboard 为用户提供了直观、全面的监控可视化能力：

开箱即用：预置的 Dashboard，无需手动配置
全面监控：覆盖成本、Token、性能等多个维度
灵活定制：支持自定义 Dashboard 和查询
性能优化：高效的 PromQL 查询
告警集成：支持设置告警规则

通过 Grafana 可视化，用户可以实时掌握 AI 服务的运行状态，及时发现和解决问题，优化 AI 资源的使用。

下一步

快速开始 - 5分钟部署指南
项目整体概览 - AI Observability Agent 介绍
架构设计 - 系统架构详解

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

【原创改进代码】基于分段损耗与需求侧响应的多源协同阶梯碳价储能优化模型（Python代码实现）

随着高比例可再生能源接入微电网系统，传统运行模式面临供需平衡困难、储能寿命衰减加速及碳排放控制不足等挑战。本文提出一种多源协同优化模型，通过精细化需求侧响应（刚性负荷、可削减负荷、可转移负荷）实现负荷动态调节，引入五段线性分段函数刻画储能放电深度（DOD）与损耗系数的非线性关系，并设计阶梯式碳价机制引导系统主动减排。模型以系统总成本最小为目标，综合集成市场购售电成本、燃料成本、运维成本、储能损耗成

AtomGit开源社区

计及阴影遮挡效应的光伏阵列拓扑 PSO 重构优化研究（Matlab代码实现）

为解决光伏阵列在阴影遮挡场景下的失配损耗问题，提出一种基于粒子群优化（PSO）的拓扑重构策略。该策略在不改变光伏组件物理位置布线的前提下，通过可重构开关矩阵实现 16 块组件在 4×4 逻辑位置的重新分配，核心目标为优化各行辐照分布均匀性，进而降低失配损耗、提升阵列最大输出功率。采用单二极管模型结合旁路二极管构建组件物理模型，基于全交叉绑接（TCT）连接方式搭建阵列拓扑，以阵列最大输出功率（Pma

AtomGit开源社区

计及能量枢纽（EH）精细化建模的源荷储协调优化：通过矩阵建模法描述能源转换效率，利用分支定界法求解多能转换的最优路径研究（Matlab代码实现）

针对综合能源系统中多能流耦合复杂、能量转换效率建模粗糙、优化求解精度不足等问题，提出一种计及能量枢纽精细化建模的源荷储协调优化方法。采用矩阵建模法精准刻画电、热、冷等多类型能源的转换、传输与耦合关系，实现能量枢纽内部设备运行特性与转换效率的量化描述；构建以系统总运行成本最小化为目标的日前调度优化模型，融合购能成本、碳排放惩罚成本与设备运维成本，兼顾系统经济性与低碳性；

AtomGit开源社区

所有评论(0)

查看更多评论

zhanghongbin01

@github_20066005

已为社区贡献7条内容

Grafana 可视化：开箱即用的监控面板

zhanghongbin01

Grafana 可视化：开箱即用的监控面板

预置 Dashboard 介绍

1. AI Observability Dashboard

2. Claude Code Dashboard

导入方法

方法一：通过 UI 导入

方法二：通过 API 导入

方法三：通过 Provisioning 导入

面板详解

1. AI Observability Dashboard 面板

每日成本统计

最近一小时请求数

按模型的每小时成本趋势

按模型的 Token 使用趋势

请求延迟分布

成本分布饼图

按提供商的请求分布

2. Claude Code Dashboard 面板

24小时会话数

Claude Code 成本

Token 使用量

按模型的成本趋势

生成的代码行数

PR 统计

自定义 Dashboard

1. 创建新 Dashboard

2. 常用查询示例

3. 面板配置技巧

PromQL 查询示例

1. 成本分析

2. Token 分析

3. 性能分析

4. 系统监控

最佳实践

1. Dashboard 设计最佳实践

2. 查询优化

3. 告警最佳实践

故障排查

1. 数据不显示

2. 图表显示异常

3. 性能问题

总结

下一步

所有评论(0)

zhanghongbin01