Lighthouse kontra RUM: hur mäter du prestanda på rätt sätt?

Question

IT Interview Practice · Accepted Answer

Mät med **både** lab- och fältdata — de besvarar olika frågor. **Lighthouse** är lab (syntetiskt, reproducerbart, för felsökning); **RUM** är fält (verkliga användare, för sanning). Om du bara litar på ett optimerar du fel sak.

## Lab kontra fält

| | Lab (Lighthouse) | Fält / RUM |
|--|------------------|-------------|
| Källa | En syntetisk körning, fast enhet/nätverk | Verkliga besök, alla enheter/nätverk |
| Bra för | Felsökning, CI-regressionsgrindar, repeterbart | Vad användare *faktiskt* upplever |
| INP | Kan inte mätas (inga riktiga interaktioner) | Mäts över hela besöket |
| Svaghet | Speglar inte din riktiga trafik | Brusig, kräver volym, svårare att felsöka |

Lighthouse kör en enda strypt laddning på en ren maskin — utmärkt för att *reproducera* ett problem, värdelöst för att känna din p75. **INP i synnerhet** kan bara fångas i fält, eftersom det kräver riktiga interaktioner över en session.

## Samla in fältdata med web-vitals-biblioteket

```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
```

Detta är samma metodik som Googles **CrUX** (Chrome User Experience Report), som driver Search-rankning — CrUX är verklig-användar-p75, inte lab.

## Hur du använder dem tillsammans

- **RUM** för att upptäcka verkliga regressioner och känna din p75 (vad rankning använder).
- **Lighthouse i CI** som skyddsräcke för att fånga regressioner *innan* de skickas.
- Segmentera RUM efter enhet/land/uppkoppling — ett genomsnittligt tal döljer att low-end Android är din långsamma svans.

## Varför det är viktigt

Senior-signalen är att veta att lab ≠ fält, att rankning använder fält-p75, och att INP bara är verkligt i fält. Att optimera en Lighthouse-poäng medan verklig p75 förblir dålig är en klassisk fälla som denna fråga är designad att avslöja.

Källa	En syntetisk körning, fast enhet/nätverk	Verkliga besök, alla enheter/nätverk
Bra för	Felsökning, CI-regressionsgrindar, repeterbart	Vad användare faktiskt upplever
INP	Kan inte mätas (inga riktiga interaktioner)	Mäts över hela besöket
Svaghet	Speglar inte din riktiga trafik	Brusig, kräver volym, svårare att felsöka

Lab kontra fält

Samla in fältdata med web-vitals-biblioteket

Hur du använder dem tillsammans

Varför det är viktigt

Relaterade frågor