核心内容摘要
大伊香蕉：不止是味蕾的盛宴，更是生活的灵感源泉
ClawdbotQwen
B部署教程Web网关与ELK日志分析平台对接
为什么需要这个组合从聊天需求到可观测性闭环你有没有遇到过这样的情况团队刚上线一个AI聊天平台用户反馈“响应慢”“回答不一致”“有时候直接卡住”但翻遍服务日志只看到几行模糊的HTTP状态码根本没法定位是模型推理出问题、网关转发异常还是前端请求格式不对Clawdbot Qwen
B 的组合本身已经能跑通一个功能完整的私有化Chat平台——但光能用远远不够。
真正让系统可维护、可优化、可信任的关键在于把每一次对话变成一条可追踪、可分析、可归因的日志链路。
本教程不讲“怎么让AI开口说话”而是聚焦在如何让整个链路透明化从用户在网页输入一句话到Qwen
B生成回复再到Clawdbot封装响应、Web网关转发、ELK平台实时采集并结构化分析——每一步都留下清晰痕迹。
这不是锦上添花而是生产环境落地的必要基建。
整个流程不依赖云厂商黑盒服务全部基于开源组件自建Ollama托管大模型、Clawdbot做协议适配与会话管理、Nginx或Caddy作轻量Web网关、Filebeat采集日志、Logstash做字段增强、Elasticsearch存储、Kibana可视化。
所有环节你都能看见、能改、能查。
接下来我们一步步带你把这套可观测性闭环搭起来。
不需要提前装好所有东西每一步都给出明确命令、配置片段和验证方法。
环境准备与核心组件安装
1 基础运行时安装Ubuntu
2
04 LTS 示例确保系统已更新并安装必要工具sudo apt update sudo apt upgrade -y sudo apt install -y curl wget gnupg2 software-properties-common ca-certificates
2 安装 Ollama托管 Qwen
BQwen
B 是一个对显存要求较高的模型建议在至少24GB GPU显存如A100或RTX 6000 Ada的机器上运行。
Ollama 提供了最简模型加载方式# 下载并安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 启动 Ollama 服务后台常驻 sudo systemctl enable ollama sudo systemctl start ollama # 拉取 Qwen
B 模型注意需提前确认镜像名是否为官方发布版本 ollama pull qwen3:32b注意qwen3:32b是示例标签名实际请以 Ollama Library 中最新发布的 Qwen3 系列为准。
若拉取失败请先运行ollama list查看本地已有模型或使用ollama run qwen3:32b 你好测试基础可用性。
3 安装 ClawdbotChat协议桥接器Clawdbot 是一个轻量级、无数据库依赖的代理服务负责将标准HTTP/Chat API请求转换为Ollama兼容格式并注入会话上下文。
我们使用预编译二进制方式部署# 创建工作目录 mkdir -p ~/clawdbot cd ~/clawdbot # 下载最新 Linux x86_64 版本以 v
0.
2 为例请替换为实际版本号 wget https://github.com/clawdbot/clawdbot/releases/download/v
0.
2/clawdbot-linux-amd64 chmod x clawdbot-linux-amd64 # 重命名为易记名称 mv clawdbot-linux-amd64 clawdbot
4 安装 Web 网关Caddy推荐替代 Nginx相比NginxCaddy自带HTTPS自动签发、配置更简洁特别适合内部测试与快速部署# 添加 Caddy 官方仓库 sudo apt install -y debian-keyring debian-archive-keyring apt-transport-https curl -1sLf https://dl.cloudsmith.io/public/caddy/stable/gpg.key | sudo gpg --dearmor -o /usr/share/keyrings/caddy-stable-stable-archive-keyring.gpg curl -1sLf https://dl.cloudsmith.io/public/caddy/stable/debian.deb.txt | sudo tee /etc/apt/sources.list.d/caddy-stable.list sudo apt update # 安装 Caddy sudo apt install -y caddy # 验证安装 caddy version
5 安装 ELK 栈精简版仅 Logstash Elasticsearch Kibana我们采用 Docker Compose 方式一键拉起 ELK避免繁琐的 Java 环境配置# 安装 Docker 和 Docker Compose sudo apt install -y docker.io docker-compose sudo systemctl enable docker sudo systemctl start docker # 创建 ELK 工作目录 mkdir -p ~/elk cd ~/elk # 创建 docker-compose.yml精简配置单节点适合学习与中小规模 cat docker-compose.yml EOF version:
8 services: elasticsearch: image: docker.elastic.co/elasticsearch/elasticsearch:
8.
1
2 container_name: elasticsearch environment: - discovery.typesingle-node - ES_JAVA_OPTS-Xms2g -Xmx2g - xpack.security.enabledfalse - network.host
0.
0.
0 ports: - 9200:9200 - 9300:9300 volumes: - esdata:/usr/share/elasticsearch/data restart: unless-stopped logstash: image: docker.elastic.co/logstash/logstash:
8.
1
2 container_name: logstash environment: - xpack.security.enabledfalse volumes: - ./logstash.conf:/usr/share/logstash/pipeline/logstash.conf:ro - /var/log/clawdbot:/var/log/clawdbot:ro depends_on: - elasticsearch restart: unless-stopped kibana: image: docker.elastic.co/kibana/kibana:
8.
1
2 container_name: kibana ports: - 5601:5601 environment: - ELASTICSEARCH_HOSTShttp://elasticsearch:9200 - SERVER_NAMEkibana - SERVER_PORT5601 depends_on: - elasticsearch restart: unless-stopped volumes: esdata: EOF # 创建 Logstash 配置文件 cat logstash.conf EOF input { file { path /var/log/clawdbot/*.log start_position beginning sincedb_path /dev/null tags [clawdbot] } } filter { if clawdbot in [tags] { grok { match { message %{TIMESTAMP_ISO8601:timestamp} \| %{LOGLEVEL:level} \| %{DATA:service} \| %{DATA:method} %{DATA:path} \| %{NUMBER:status} \| %{NUMBER:duration_ms}ms \| req_id%{DATA:req_id} \| user%{DATA:user_id} \| model%{DATA:model_name} \| prompt_len%{NUMBER:prompt_len} \| resp_len%{NUMBER:resp_len} } } date { match [timestamp, ISO8601] target timestamp } } } output { elasticsearch { hosts [http://elasticsearch:9200] index clawdbot-%{YYYY.MM.dd} } } EOF # 启动 ELK docker-compose up -d等待约1分钟执行curl http://localhost:9200/_cat/health?v查看集群状态是否为green。
若成功说明ELK已就绪。
Clawdbot 与 Qwen
B 对接配置
1 编写 Clawdbot 配置文件Clawdbot 默认读取config.yaml。
创建该文件明确指向本地 Ollama 服务cd ~/clawdbot cat config.yaml EOF # Clawdbot 全局配置 server: host:
0.
0.
0 port: 18789 # 这是 Clawdbot 自身监听端口Web网关将反向代理至此 timeout: 300 # 整体请求超时秒 # 模型后端配置 backend: type: ollama # 固定值表示对接 Ollama host: http://localhost:11434 # Ollama 默认API地址 model: qwen3:32b # 必须与 ollama list 中显示的名称完全一致 options: temperature:
7 top_p:
9 num_ctx: 32768 # 根据 Qwen
B 推荐上下文长度设置 # 日志配置关键为ELK采集打基础 logging: level: info file: /var/log/clawdbot/clawdbot.log # 日志路径必须与 Logstash 配置中一致 format: text # text 或 jsontext 更易读且 grok 可解析 # 会话管理可选但推荐开启 session: enabled: true ttl: 3600 # 会话有效期秒 EOF
2 创建日志目录并授权sudo mkdir -p /var/log/clawdbot sudo chown $USER:$USER /var/log/clawdbot
3 启动 Clawdbot 并验证连通性# 启动 Clawdbot前台运行便于观察日志 ./clawdbot --config config.yaml # 在另一个终端中测试 curl -X POST http://localhost:18789/v1/chat/completions \ -H Content-Type: application/json \ -d { messages: [{role: user, content: 你好你是谁}], stream: false }如果返回包含content: 我是通义千问...的 JSON 响应说明 Clawdbot → Ollama 链路已通。
此时/var/log/clawdbot/clawdbot.log中应已出现类似以下格式的日志行
T10:22:
3
184Z | INFO | clawdbot | POST /v1/chat/completions | 200 | 2487ms | req_idabc123 | userguest | modelqwen3:32b | prompt_len12 | resp_len47这正是 Logstash 后续要解析的结构化日志源。
Web 网关Caddy配置与反向代理
1 编写 CaddyfileCaddy 使用声明式配置比 Nginx 更直观。
创建/etc/caddy/Caddyfilesudo tee /etc/caddy/Caddyfile /dev/null EOF # 监听 8080 端口提供 HTTP 服务生产环境建议加 HTTPS :8080 { # 静态文件服务前端 Chat 页面 root * /var/www/chat-ui file_server # API 反向代理将 /v1/chat/completions 转发给 Clawdbot reverse_proxy /v1/* http://localhost:18789 { # 透传关键请求头便于后端识别 header_up X-Real-IP {remote_host} header_up X-Forwarded-For {remote_host} header_up X-Request-ID {http.request.header.X-Request-ID} } # 健康检查端点供监控系统调用 health path /healthz respond health OK 200 } EOF
2 部署前端页面简易 Chat UI我们用一个极简 HTML 页面作为测试客户端sudo mkdir -p /var/www/chat-ui sudo tee /var/www/chat-ui/index.html /dev/null EOF !DOCTYPE html html headtitleClawdbot Qwen3 Chat/title/head body stylefont-family: sans-serif; max-width: 800px; margin: 0 auto; padding: 20px; h1 Clawdbot Qwen
B 实时对话/h1 div idchat/div input idinput typetext placeholder输入消息... stylewidth: 70%; padding: 8px; / button onclicksend()发送/button script const chat document.getElementById(chat); const input document.getElementById(input); function addMsg(role, content) { const div document.createElement(div); div.innerHTML strong[${role}]/strong ${content}; chat.appendChild(div); chat.scrollTop chat.scrollHeight; } async function send() { const msg input.value.trim(); if (!msg) return; addMsg(You, msg); input.value ; try { const res await fetch(http://localhost:8080/v1/chat/completions, { method: POST, headers: {Content-Type: application/json}, body: JSON.stringify({messages: [{role: user, content: msg}], stream: false}) }); const data await res.json(); const reply data.choices?.[0]?.message?.content || 无响应; addMsg(Bot, reply); } catch (e) { addMsg(Error, e.message); } } // 回车发送 input.addEventListener(keypress, e e.key Enter send()); /script /body /html EOF
3 启动 Caddy 并验证网关# 重载 Caddy 配置 sudo caddy reload # 测试网关连通性绕过 Clawdbot直连 Ollama curl -X POST http://localhost:8080/v1/chat/completions \ -H Content-Type: application/json \ -d {messages:[{role:user,content:今天天气怎么样}]} # 打开浏览器访问 http://localhost:8080 —— 应能看到可交互的聊天界面此时完整链路为浏览器 → Caddy8080 → Clawdbot18789 → Ollama11434 → Qwen
B每一步的请求与响应都会被 Clawdbot 记录到/var/log/clawdbot/clawdbot.log中。
ELK 日志采集与结构化分析实战
1 等待 Logstash 自动采集日志由于我们在logstash.conf中配置了file输入插件监听/var/log/clawdbot/*.log且 Clawdbot 已开始写入日志Logstash 会在几秒内自动发现新日志并开始解析。
验证 Logstash 是否正常工作# 查看 Logstash 容器日志 docker logs logstash --tail 10 # 应看到类似输出 # [INFO ]
10:30:
2
123 [Converge PipelineAction::Createmain] pipeline - Pipeline started successfully # [INFO ]
10:30:
2
125 [Api WebServer] agent - Successfully started Logstash API endpoint {:port9600}
2 在 Kibana 中创建索引模式并查看日志打开浏览器访问http://localhost:5601首次进入点击Explore on my own进入Stack Management → Index Patterns → Create index pattern输入模式名clawdbot-*选择时间字段timestamp点击Create index pattern进入Discover页面即可看到按时间排序的结构化日志条目你会看到每一行都已自动拆解为独立字段status、duration_ms、model_name、prompt_len、resp_len、user_id等。
这意味着你可以直接做如下操作筛选status: 500查看所有失败请求统计model_name分布确认是否只有qwen3:32b按duration_ms 5000筛出慢请求再结合prompt_len分析是否因输入过长导致绘制duration_ms的时间趋势图观察性能波动
3 构建一个实用的 Kibana 仪表板我们快速创建一个“Qwen
B 服务健康看板”进入Dashboard → Create dashboard点击Add from library选择Lens新建第一个可视化数据源clawdbot-*X轴timestamp日期直方图Y轴Count()总请求数添加过滤器status: 200新建第二个可视化类型Metric数据源clawdbot-*指标Averageofduration_ms过滤器status: 200新建第三个可视化类型Bar verticalX轴model_nameY轴Count()保存仪表板命名为Qwen
B Service Health这个看板能在 10 秒内告诉你当前服务是否稳定、平均响应多快、是否混用了其他模型。
6.
总结不止于部署更是可观测性起点你现在已经完成了一套生产就绪级 AI 服务可观测性基础设施的搭建Clawdbot成功对接本地 Ollama 托管的 Qwen
B提供标准化 Chat APICaddy Web 网关将 8080 端口暴露给前端同时承担反向代理与静态资源服务ELK 栈实现了从原始日志到结构化指标的全自动流转无需修改一行业务代码Kibana 仪表板让你随时掌握模型响应质量、延迟分布、错误率等核心指标。
但这只是开始。
有了这套基础你可以轻松延伸把user_id替换为真实登录态实现按用户维度分析对话质量在 Logstash 中增加translate插件将status数字映射为success/timeout/model_error等语义标签用 Filebeat 替代 Logstash 的file输入降低资源占用将 Kibana 告警规则导出为 Alerting当duration_ms 10000持续 5 分钟时自动邮件通知。
技术的价值不在于它多酷炫而在于它能否帮你更快地回答“为什么”。
当你下次再被问到“为什么这个回答不准确”你不再需要凭空猜测——打开 Kibana筛选req_id就能看到完整的输入、模型参数、耗时、输出长度甚至对比历史相似请求的表现。
这才是真正属于工程师的 AI 时代工作流。