监控最危险的状态不是「没数据」,而是「有数据、全绿、但数字在骗你」。本文按一条数据链路的七段,挑出 18 个写完就错的写法,每条给现象、错因、正确写法和一个能在自己项目里跑的验收动作。
一、一个「全绿却出事」的看板
某次发版后,看板显示平均 LCP 1.8 s、错误率 0.3%,一路绿灯;客服同期却收到「点了没反应」和「首屏白」的反馈。最后查出来是四件事叠在一起:看板用平均值而不是 p75;跨域资源的 transferSize 整片为 0,被当成「资源很小」;错误事件套了 1% 采样率,低频报错根本没进库;beforeunload 里的同步上报在移动端大量丢失。
四个数字里没有一个是「采集失败」,全是「采集成功但口径错」。这类问题不会报警,只会让你在复盘会上拿着一张漂亮的图解释不了客诉。
所以这篇不聊怎么装 SDK,也不做产品横评,只做一件事:把 18 个「写完就错」的地方,按数据链路七段排开,每条给一个能验的判据。说不出判据的写法,就不该进生产。
| 链路段 | 条数 | 最典型的一条 | 为什么会骗人 |
|---|---|---|---|
| 采什么 | 3 | 用平均值衡量加载性能 | 长尾被抹平,看板永远好看 |
| 怎么采 | 4 | observer 漏 buffered |
SDK 加载前的 LCP 直接消失 |
| 怎么传 | 2 | beforeunload 同步上报 |
移动端丢数,还阻断 bfcache |
| 怎么存算 | 3 | 分组 p75 再平均 | 统计上不成立 |
| 怎么看 | 2 | 按事件数算错误率 | 一个死循环刷成 100% |
| 怎么告警 | 2 | 告警只写「超阈值」 | 没人知道下一步做什么 |
| 怎么治理 | 2 | Replay 默认全量 | 隐私与成本双重失控 |
二、18 个地方,按数据链路七段排开
第 1 段 采什么(01--03)
01 用平均值衡量加载性能
- 现象:看板写「平均 LCP 1.8 s」,全绿,但慢的那一批用户始终在客诉。
- 为什么错:用户体验是长尾分布,官方 Core Web Vitals 评估明确取 p75(按设备形态分段)。平均值会被极快样本拉平,最慢的四分之一用户被完全抹掉。
- 正确写法:存原始值或直方图,看板同时展示 p50 / p75 / p95 与样本量,小样本标「数据不足」。
- 怎么验:同一批数据分别算均值与 p75,看板用的是后者,且 p75 旁边能点出样本量。
02 拿 Lighthouse 分数宣称线上达标
- 现象:周报写「Lighthouse 96 分,性能达标」,线上转化率却在掉。
- 为什么错:实验室数据是单次、固定设备与网络的受控结果;现场数据是真实设备与网络的分布。两者数字对不上是常态,不能互相校验,更不能互相替代。
- 正确写法:双轨 ------ CI 用 Lighthouse 做体积与回归预算门禁,线上 SLO 用 RUM 的 p75。
- 怎么验:报告标题写清数据来源;线上 SLO 的查询 SQL 指向 RUM 表而不是 Lighthouse 结果表。
03 把 FID 和 INP 拼进同一条趋势线
- 现象:2024 年前后的交互指标曲线看着「突然变好」,其实是换了一把尺子。
- 为什么错:INP 于 2024-03-12 取代 FID;CrUX BigQuery 自 2024-09 起不再有 FID 数据。两个指标的定义、采样范围都不同,拼接等于伪造趋势。
- 正确写法:在变更点断开趋势线并加注释,历史数据保留但标明口径,不做同比。
- 怎么验:趋势图上能看到 2024-03 的变更注释,且 2024-09 之后查不到 FID 序列。
第 2 段 怎么采(04--07)
04 observer 漏了订阅三件套
- 现象:SDK 改成异步加载后,FCP / LCP 经常收不到;Safari 控制台还有 observe 警告。
- 为什么错 :性能条目在订阅前就进了缓冲区,不带
buffered: true就回放不到;不支持的entryType直接observe会抛错或打警告;所有 type 共用一个回调又容易串字段。 - 正确写法 :先用
supportedEntryTypes特性检测,每个 type 单独注册,统一带buffered: true,event类型用durationThreshold降噪。
js
const TYPES = ['navigation', 'resource', 'paint', 'largest-contentful-paint',
'layout-shift', 'event', 'long-animation-frame'];
const supported = PerformanceObserver.supportedEntryTypes || [];
for (const type of TYPES) {
if (!supported.includes(type)) continue;
new PerformanceObserver((list) => {
for (const e of list.getEntries()) {
const row = { type: e.entryType, start: e.startTime, duration: e.duration };
if (type === 'resource') {
row.transferSize = e.transferSize;
row.noFullTiming = e.transferSize === 0 && e.duration > 0;
}
enqueue(row);
}
}).observe(type === 'event'
? { type, buffered: true, durationThreshold: 40 }
: { type, buffered: true });
}
- 怎么验 :把采集脚本延后到
load之后加载,LCP 仍能收到;在 Safari / Firefox 跑一遍,控制台零报错。
05 把 TAO 缺失的 0 当真实资源体积
- 现象 :第三方域资源的
transferSize、encodedBodySize整片为 0,看板显示「资源很小,不用优化」。 - 为什么错:跨域资源默认只暴露受限时序,这些字段被置 0 是权限限制,不是测量结果。把「没拿到」写成「拿到了 0」,是最隐蔽的数据污染。
- 正确写法 :资源服务端返回
Timing-Allow-Origin;采集侧对transferSize === 0 && duration > 0标noFullTiming,看板单列覆盖率。 - 怎么验 :抽查第三方域
transferSize分布,若整片为 0,看板显示的是「无完整计时」而不是「0 KB」。
06 错误只接一种通道,或者两种都接
- 现象:图片、脚本 404 从不上报;或者同一个异常在库里出现两条。
- 为什么错 :资源加载失败的
error事件不冒泡,必须在捕获阶段监听;window.onerror与addEventListener('error')对同一异常会各触发一次;只接unhandledrejection又会漏掉同步异常。 - 正确写法 :只用捕获阶段的
error监听,靠e.target区分资源错误与脚本错误,再加一个unhandledrejection。
js
window.addEventListener('error', (e) => {
if (e.target && e.target !== window && (e.target.src || e.target.href)) {
enqueue({ kind: 'resource-error', tag: e.target.tagName,
url: e.target.src || e.target.href });
return;
}
enqueue({ kind: 'js-error', message: e.message,
stack: (e.error && e.error.stack) || '',
file: e.filename, line: e.lineno, col: e.colno });
}, true);
window.addEventListener('unhandledrejection', (e) => {
const r = e.reason;
enqueue({ kind: 'unhandled-rejection',
message: r && r.message ? r.message : String(r),
stack: r && r.stack ? r.stack : '' });
});
- 怎么验 :造一个
<img src="__MISSING__">和一个Promise.reject(new Error('x')),库里各一条、且各只有一条。
07 跨域脚本只拿到 Script error.
- 现象 :CDN 上的脚本报错,上报里只有一行
Script error.,没有 message、stack 和行列号。 - 为什么错 :跨域脚本抛错时浏览器只暴露这个字符串。只加
crossorigin不加 CORS 响应头,脚本会直接加载失败;只加响应头不加属性,仍然拿不到栈。 - 正确写法:标签属性与响应头两处齐备。
html
<script src="https://cdn.example.com/app.js" crossorigin="anonymous"></script>
资源服务器同时返回 Access-Control-Allow-Origin(本站来源或 *)。
- 怎么验 :故意在跨域脚本里抛一个错,检查上报事件带
stack且非空。
第 3 段 怎么传(08--09)
08 用 beforeunload 做同步上报
- 现象:移动端切后台后收尾批次大量丢失,bfcache 命中率下降。
- 为什么错 :
unload/beforeunload在移动端不可靠,同步 XHR 已不可用,而且会阻止页面进入 bfcache;页面从 bfcache 恢复时若不重置会话上下文,两次访问的数据会串在一起。 - 正确写法 :
visibilitychange转 hidden 时 flush 并给 CLS / INP 定稿,pagehide兜底,用sendBeacon或fetch(..., { keepalive: true })发最后一批;恢复时新建 view 与 session 上下文。 - 怎么验:移动端切后台仍收到收尾批次;往返一次 bfcache 后,两次访问的 session_id 不同。
09 收尾批次塞进一个 beacon,且上报请求被自己再采一遍
- 现象:大批次静默失败、没有任何报错;或者事件量像滚雪球一样涨。
- 为什么错 :
sendBeacon/ keepalive 有约 64 KB 量级的体积上限,超限不会抛异常只会丢;包装fetch时没排除上报域名,采集请求会被自己的钩子再采一次,形成回环。 - 正确写法:收尾批次按序列化后的字节数拆条;包装 fetch 先过排除名单;服务端统计「截断 / 失败」计数。
js
const queue = [];
function enqueue(ev) { queue.push(ev); }
function shouldWrap(url) {
const path = new URL(url, location.href).pathname;
return path !== '/rum' && path !== '/beacon';
}
function requeue(events) {
if (queue.length < 200) queue.unshift(...events.slice(0, 20));
}
function flush(useBeacon) {
if (!queue.length) return;
const batch = queue.splice(0, queue.length);
let buf = [];
for (const ev of batch) {
buf.push(ev);
if (JSON.stringify(buf).length > 48000) { send(buf, useBeacon); buf = []; }
}
if (buf.length) send(buf, useBeacon);
}
function send(events, useBeacon) {
const body = JSON.stringify({ events });
if (useBeacon && navigator.sendBeacon) navigator.sendBeacon('/rum', body);
else fetch('/rum', { method: 'POST', body, keepalive: true,
headers: { 'content-type': 'application/json' } }).catch(() => requeue(events));
}
// 包装 fetch 时先判断,否则 /rum 会被自己的钩子再采一次
const originFetch = window.fetch;
window.fetch = function (input, init) {
const url = typeof input === 'string' ? input : input.url;
const start = performance.now();
return originFetch(input, init).finally(() => {
if (shouldWrap(url)) enqueue({ type: 'fetch',
duration: performance.now() - start, url: url.split('?')[0] });
});
};
document.addEventListener('visibilitychange', () => {
if (document.visibilityState === 'hidden') flush(true);
});
window.addEventListener('pagehide', () => flush(true));
- 怎么验:构造 200 条事件后切后台,送达率 100%;接入层能看到「被排除请求数」大于 0。
第 4 段 怎么存算(10--12)
10 把 30 个页面的 p75 求平均,当整站 p75
- 现象:整站 p75 比任何一个页面都低,或者怎么算都跟明细对不上。
- 为什么错:分位数不可加。分组 p75 的平均值没有统计意义,样本量不同的分组还会把结果带偏。
- 正确写法:保留原始事件或直方图,任何范围的整体 p75 都从原始数据重算。
- 怎么验:对同一批事件分别算「分组 p75 平均」与「整体 p75」,两者不等是正常现象,看板必须用后者。
11 让高基数维度进聚合模型
- 现象:查询越来越慢,存储账单先爆,结论还没出来。
- 为什么错 :完整 URL、
user_id、毫秒时间戳这类字段的唯一值近乎无限,一进group by就会拖垮存储与查询。 - 正确写法 :用路由模板
/product/:id代替原始 URL,设备 3--5 档、网络档位含unknown;维度走白名单并设基数上限,高基数只用于单条详情查询。 - 怎么验:看板有一张「维度基数十强」监控表;未注册维度在构建期就报错。
12 错误事件也套低采样率
- 现象:客诉的 bug 在库里完全查不到,复盘时没有现场数据。
- 为什么错:1% 采样对性能指标够用,对稀有错误等于直接删证据。
- 正确写法 :错误、崩溃、白屏、慢会话强制 100% 保留;采样决策落在 session 粒度,避免同一次访问的指标残缺;
sample_rate随事件上报,后端据此还原权重。 - 怎么验:把采样率设成 0,注入一次必现错误,库里仍能查到且只有一条。
js
// 接在第 09 段的队列;errPayload 是归一化后的错误对象
const sampled = Math.random() < 0.01;
let dropped = 0;
function track(type, payload, forced) {
if (!sampled && !forced) return;
if (queue.length >= 200) { dropped++; return; }
enqueue({ type, ts: Math.round(performance.now()),
sample_rate: 0.01, session: sessionId, payload });
if (queue.length >= 20) flush(false);
}
track('js-error', errPayload, true); // 错误强制保留,不吃采样率
第 5 段 怎么看(13--14)
13 按事件数算错误率
- 现象:某个页面死循环抛错,错误率瞬间 100%,值班同学以为全站挂了。
- 为什么错:分母是事件数时,一个用户就能刷爆指标。
- 正确写法:主口径用「受影响会话数 ÷ 总会话数」,事件数只作辅助的绝对量。
- 怎么验:造一个每 100 ms 抛错一次的页面,错误率仍然只反映「一个受影响会话」。
14 用完整 stack 直接 hash 做错误指纹
- 现象:同一个 bug 裂成几十个 issue,告警降噪完全失效。
- 为什么错:行号漂移、构建 hash、URL 随机参数、用户 ID 都会进 stack,完整 hash 会把一次故障炸成一片。
- 正确写法:取错误类型 + 截断后的 message + 归一化顶层 2--3 个栈帧;归一化要剥掉域名、行列号与构建参数。
js
function fingerprint(err) {
const frames = (err.stack || '').split(String.fromCharCode(10)).slice(1, 4)
.map((s) => s.trim()
.replace(/https?:\/\/[^/)]+/g, '')
.replace(/[?&](t|v|hash|_)=[^&)\s]+/g, '')
.replace(/:\d+:\d+/g, ''))
.filter(Boolean);
return hash(err.name + '|' + (err.message || '').slice(0, 80) + '|' + frames.join('|'));
}
- 怎么验:同一 bug 造 100 次,issue 数恒为 1;再换一个不同 bug,不能并进同一条。
第 6 段 怎么告警(15--16)
15 告警只写「指标超阈值」
- 现象:值班群天天响,多数消息没人点开,真出事时反而被淹没。
- 为什么错:告警是「需要人立即行动」的信号,不是「数值发生了变化」。静态阈值在流量低谷还会被相对波动反复触发。
- 正确写法:用「受影响会话数 + 持续窗口 + 与上一版本对比」三条件联合触发;同因按指纹聚合、设冷却;消息里内嵌已带好模板、版本、时间窗的下钻链接;每月把「无人处理的告警」删掉或改成报表。
- 怎么验 :随机挑一条线上告警,值班同学能在十分钟内走完「维度切片 → 归因字段 → 慢会话详情 → Source Map 反解 → 具体文件」,最后给出一个文件名。这一步走不通,多半是
release与 sourcemap 没对齐,或者根本没采attribution。
要让这十分钟走得通,采集侧得先把归因字段带上。web-vitals/attribution 比标准构建大约多 1.5 KB(brotli),只有确实要做归因时才引:
js
import { onLCP, onINP, onCLS } from 'web-vitals/attribution';
function reportCwv(m) {
const a = m.attribution || {};
enqueue({
type: 'cwv', name: m.name, value: m.value, rating: m.rating,
id: m.id, navigationType: m.navigationType, release: '__RELEASE__',
lcpTarget: a.target, ttfb: a.timeToFirstByte,
loadDelay: a.resourceLoadDelay, renderDelay: a.elementRenderDelay,
inpTarget: a.interactionTarget, inputDelay: a.inputDelay,
processing: a.processingDuration, presentation: a.presentationDelay,
clsTarget: a.largestShiftTarget
});
}
onLCP(reportCwv); onINP(reportCwv); onCLS(reportCwv);
LCP 拆成 TTFB、资源加载延迟、加载时长、渲染延迟四段,INP 拆成输入延迟、处理时长、呈现延迟三段。只看总值就动手优化图片,而 TTFB 占了 1.9 s,方向就完全修反了。
16 把三层错误混成一个错误率
- 现象:前端报 5xx 风暴,后端监控说服务一切正常,两边吵半天。
- 为什么错:断网 / CORS 被算成 5xx;HTTP 200 但业务码失败的响应被算进 HTTP 错误率。口径跟后端天然对不上。
- 正确写法 :传输层(fetch reject、超时)、协议层(4xx / 5xx)、业务层(200 但
code != 0)做三条独立序列,业务层由业务显式埋点,SDK 猜不出来。 - 怎么验:看板能分别开关三层;做一次断网演练,服务端 5xx 曲线不动。
第 7 段 怎么治理(17--18)
17 Session Replay 默认全量且未脱敏
- 现象:回放里能明文看到手机号、密码或身份证号。
- 为什么错:DOM 初始快照加增量 mutation 是信息密度最高、隐私风险也最高的信号。「我们没存 user_id 所以合规」不成立,IP、设备指纹、完整 URL 都可能构成个人信息。
- 正确写法 :输入框、密码、证件、支付信息默认掩码,按 CSS 类或
data-属性配脱敏白名单;同意状态作为 SDK 初始化的前置开关;只对错误会话、客诉会话抽样开启,并设更短的独立保留期。 - 怎么验:随机抽 20 条回放人工确认无明文 PII;关闭同意后 SDK 不产生任何 mutation 数据。
18 不观测监控 SDK 自身的开销
- 现象:上了监控之后 INP 变差,看板却把原因归到业务代码。
- 为什么错:Replay、全埋点、高频回调里的同步大对象序列化都占主线程,监控自己就是 INP 的贡献者。
- 正确写法:内部计数事件(丢弃数、重试数、队列长度、beacon 失败数、初始化与序列化耗时);把序列化放到空闲时段或 Worker;聊天插件、Replay、标签管理器这类第三方脚本单独审计。
- 怎么验:对比开启 / 关闭监控 SDK 两组会话的 p75 INP,差值应低于约定预算(例如 5 ms)。
三、五组最容易混淆的口径
| 别再用 | 该用 | 差异在哪 | 一句验收 |
|---|---|---|---|
| 平均 LCP | p75 LCP + 样本量 | 官方评估取 p75,按设备形态分段 | p75 旁有样本量 |
| Lighthouse 分数 | CI 预算门禁 + RUM p75 双轨 | 实验室可复现,现场是长尾 | 报告标题写清数据来源 |
| FID 与 INP 拼一条线 | 2024-03-12 处断开标注 | 指标已替换,2024-09 起 CrUX 无 FID | 趋势图有变更注释 |
| 事件数错误率 | 受影响会话数占比 | 死循环不会刷爆分母 | 高频报错仍算一个会话 |
| 分组 p75 求平均 | 从原始事件重算整体 p75 | 分位数不可加 | 两种算法结果不同,用后者 |
四、上线前 10 分钟自查表
| # | 一句话验收动作 |
|---|---|
| 01 | 同一批数据算均值与 p75,看板用的是后者且显示样本量 |
| 02 | 线上 SLO 的 SQL 指向 RUM 表,不是 Lighthouse 结果表 |
| 03 | 趋势图有 2024-03 指标变更注释,2024-09 后无 FID 序列 |
| 04 | 采集脚本延后到 load 之后加载,LCP 仍能收到;非 Chromium 零报错 |
| 05 | 第三方域 transferSize 整片为 0 时,看板显示「无完整计时」 |
| 06 | 造一个资源 404 和一个 rejection,库里各一条且各只有一条 |
| 07 | 跨域脚本故意抛错,上报带非空 stack |
| 08 | 移动端切后台仍收到收尾批次,bfcache 往返后 session_id 换新 |
| 09 | 200 条事件收尾送达率 100%,接入层有被排除请求数 |
| 10 | 分组 p75 平均与整体 p75 结果不同,看板用后者 |
| 11 | 有「维度基数十强」表,未注册维度构建期报错 |
| 12 | 采样率设 0 注入必现错误,库里仍查到且只有一条 |
| 13 | 每 100 ms 抛错一次的页面,错误率只算一个受影响会话 |
| 14 | 同一 bug 造 100 次仅 1 个 issue,不同 bug 不合并 |
| 15 | 随机一条告警十分钟内能定位到具体文件 |
| 16 | 三层错误可分别开关,断网演练时服务端 5xx 不动 |
| 17 | 抽 20 条回放无明文 PII,关闭同意后无 mutation 数据 |
| 18 | 开关两组 p75 INP 差值低于约定预算 |
五、小结
三句话收尾:
- 采集前先问「这条数据要回答哪个问题」,答不上来就别采 ------ 成本和隐私都是这么省下来的。
- 每条指标都要配一个「怎么验它没骗我」的动作,写不出来,说明这能力还只写在方案里。
- 监控 SDK 自己也在被观测范围内,别让它成为那个没人怀疑的慢函数。
这 18 条是从一份 28 条的上线自查表里筛出来的,剩下 10 条偏链路与标准化,等下一篇再聊。你们踩过哪几条?我最想听 05 和 09 ------ 那两个最隐蔽,看板全绿,数据全是错的。
参考资料
- Web Vitals 与阈值:web.dev/vitals
- 阈值定义方法:web.dev/articles/de...
- web-vitals 仓库与 attribution 构建:github.com/GoogleChrom...
- 实验性软导航指标:web.dev/blog/crux-e...
- 软导航测量:developer.chrome.com/docs/web-pl...
- CrUX 版本说明:developer.chrome.com/docs/crux/r...
- Long Animation Frames 规范:www.w3.org/TR/long-ani...
- MDN PerformanceObserver:developer.mozilla.org/docs/Web/AP...
- MDN Resource Timing 与 TAO:developer.mozilla.org/docs/Web/AP...
- OpenTelemetry:opentelemetry.io/
- npm registry 版本信息:registry.npmjs.org/