Lighthouse वि. RUM: performance योग्यरित्या तुम्ही कशी मोजता?

Question

IT Interview Practice · Accepted Answer

lab आणि field **दोन्ही** data ने मोजा — ते वेगवेगळ्या प्रश्नांची उत्तरे देतात. **Lighthouse** lab आहे (synthetic, reproducible, debugging साठी); **RUM** field आहे (वास्तविक वापरकर्ते, सत्यासाठी). तुम्ही फक्त एकावर विश्वास ठेवल्यास, तुम्ही चुकीची गोष्ट optimize करता.

## Lab वि. field

| | Lab (Lighthouse) | Field / RUM |
|--|------------------|-------------|
| स्रोत | एक synthetic run, निश्चित device/network | वास्तविक भेटी, सर्व devices/networks |
| कशासाठी चांगले | Debugging, CI regression gates, पुनरावृत्तीयोग्य | वापरकर्ते *प्रत्यक्ष* काय अनुभवतात |
| INP | मोजू शकत नाही (वास्तविक interactions नाहीत) | संपूर्ण भेटीदरम्यान मोजले जाते |
| कमजोरी | तुमचे वास्तविक traffic प्रतिबिंबित करत नाही | गोंगाटयुक्त, volume लागते, debug करायला कठीण |

Lighthouse स्वच्छ machine वर एकच throttled load चालवते — एखादी समस्या *पुनरुत्पादन* करण्यासाठी उत्तम, तुमचा p75 जाणण्यासाठी निरुपयोगी. **विशेषतः INP** फक्त field मध्येच capture होऊ शकते, कारण त्याला एका session मध्ये वास्तविक interactions लागतात.

## web-vitals library ने field data गोळा करणे

```js
import { onLCP, onCLS, onINP } from "web-vitals";

function send(metric) {
  // Attribution build tells you WHICH element/interaction caused it
  navigator.sendBeacon("/rum", JSON.stringify({
    name: metric.name, value: metric.value, id: metric.id,
  }));
}
onLCP(send); onCLS(send); onINP(send); // report each metric as it finalizes
```

हीच methodology Google च्या **CrUX** (Chrome User Experience Report) सारखी आहे, जी Search ranking चालवते — CrUX हा real-user p75 आहे, lab नाही.

## त्यांना एकत्र कसे वापरावे

- वास्तविक regressions शोधण्यासाठी आणि तुमचा p75 (जो ranking वापरते) जाणण्यासाठी **RUM**.
- regressions *पाठवण्याआधी* पकडण्यासाठी guardrail म्हणून **CI मध्ये Lighthouse**.
- RUM ला device/country/connection नुसार segment करा — सरासरी संख्या हे लपवते की low-end Android ही तुमची धीमी शेपटी आहे.

## हे का महत्त्वाचे आहे

Senior संकेत म्हणजे lab ≠ field, ranking field p75 वापरते, आणि INP फक्त field मध्येच वास्तविक असते हे जाणणे. वास्तविक p75 खराब राहिला असताना Lighthouse score optimize करणे हा एक classic सापळा आहे जो हा प्रश्न उघड करण्यासाठी रचला आहे.

स्रोत	एक synthetic run, निश्चित device/network	वास्तविक भेटी, सर्व devices/networks
कशासाठी चांगले	Debugging, CI regression gates, पुनरावृत्तीयोग्य	वापरकर्ते प्रत्यक्ष काय अनुभवतात
INP	मोजू शकत नाही (वास्तविक interactions नाहीत)	संपूर्ण भेटीदरम्यान मोजले जाते
कमजोरी	तुमचे वास्तविक traffic प्रतिबिंबित करत नाही	गोंगाटयुक्त, volume लागते, debug करायला कठीण

Lab वि. field

web-vitals library ने field data गोळा करणे

त्यांना एकत्र कसे वापरावे

हे का महत्त्वाचे आहे

संबंधित प्रश्न