Lighthouse kontra RUM: hvordan måler du ytelse riktig?

Question

IT Interview Practice · Accepted Answer

Mål med **både** lab- og field-data — de svarer på ulike spørsmål. **Lighthouse** er lab (syntetisk, reproduserbar, for feilsøking); **RUM** er field (reelle brukere, for sannhet). Hvis du bare stoler på én, optimaliserer du feil ting.

## Lab kontra field

| | Lab (Lighthouse) | Field / RUM |
|--|------------------|-------------|
| Kilde | Én syntetisk kjøring, fast enhet/nettverk | Reelle besøk, alle enheter/nettverk |
| Bra for | Feilsøking, CI-regresjonsporter, repeterbart | Hva brukere *faktisk* opplever |
| INP | Kan ikke måle (ingen reelle interaksjoner) | Målt gjennom hele besøket |
| Svakhet | Reflekterer ikke din reelle trafikk | Støyete, trenger volum, vanskeligere å feilsøke |

Lighthouse kjører én enkelt strupet lasting på en ren maskin — flott for å *reprodusere* et problem, ubrukelig for å kjenne din p75. **INP spesielt** kan bare fanges i field, fordi det trenger reelle interaksjoner over en økt.

## Samle field-data med web-vitals-biblioteket

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

function send(metric) {
  // Attribution-build forteller deg HVILKET element/interaksjon som forårsaket det
  navigator.sendBeacon("/rum", JSON.stringify({
    name: metric.name, value: metric.value, id: metric.id,
  }));
}
onLCP(send); onCLS(send); onINP(send); // rapporter hver metrikk når den ferdigstilles
```

Dette er samme metodikk som Googles **CrUX** (Chrome User Experience Report), som driver søkerangering — CrUX er reell-bruker-p75, ikke lab.

## Hvordan bruke dem sammen

- **RUM** for å oppdage reelle regresjoner og kjenne din p75 (det rangering bruker).
- **Lighthouse i CI** som et sikkerhetsgjerde for å fange regresjoner *før* de sendes ut.
- Segmenter RUM etter enhet/land/tilkobling — et gjennomsnittstall skjuler at lavklasse-Android er din trege hale.

## Hvorfor det er viktig

Senior-signalet er å vite at lab ≠ field, at rangering bruker field-p75, og at INP kun er reell i field. Å optimalisere en Lighthouse-score mens reell p75 forblir dårlig er en klassisk felle dette spørsmålet er designet for å avsløre.

Kilde	Én syntetisk kjøring, fast enhet/nettverk	Reelle besøk, alle enheter/nettverk
Bra for	Feilsøking, CI-regresjonsporter, repeterbart	Hva brukere faktisk opplever
INP	Kan ikke måle (ingen reelle interaksjoner)	Målt gjennom hele besøket
Svakhet	Reflekterer ikke din reelle trafikk	Støyete, trenger volum, vanskeligere å feilsøke

Lab kontra field

Samle field-data med web-vitals-biblioteket

Hvordan bruke dem sammen

Hvorfor det er viktig

Relaterte spørsmål