如何优化 · 从能跑到跑得更好
优化不是收一份“性能技巧清单”,而是先固定测量路径,再判断问题在前端、网络、检索还是生成。这个系列记录这个站从“能跑”到“更稳、更快、更可信”的过程。
这个系列写什么
这个系列按优化对象分成三段:
- 前端性能:Lighthouse 怎样测、字体和图片怎样占预算、首屏怎样不被资源拖慢;
- AI 助手调优:回答为什么带出无关来源、上下文为什么被单篇长文占满、embedding 文本怎样影响召回;
- 后端性能(后续):检索扫描、连接管理、embedding 调用和上下文大小分别花在哪里,怎样用数据决定先改哪一层。
每篇尽量保持同一套方法:先给基线,再只改一个变量,用固定查询或固定页面复测,最后写清楚这次优化证明了什么、没有证明什么。
文章
前端性能
| 编号 | 标题 | 核心问题 | 状态 |
|---|---|---|---|
| 01 | 前端性能(一):Lighthouse 怎么测 | 测量路径、Caddy 压缩、预算、回归策略 | 可读 |
| 02 | 前端性能(二):字体、图片与首屏预算 | 字体子集、109 个 woff2、图片宽高、压缩与缓存 | 可读 |
AI 助手调优
| 编号 | 标题 | 核心问题 | 状态 |
|---|---|---|---|
| 03 | AI 助手调优:让回答少一点无关引用 | 低相关切片、单篇垄断、标题切片和 embedding 文本问题 | 初稿 |
后端性能(后续规划)
这一部分还没有落稿。计划围绕真实调用链展开,而不是泛泛谈“加缓存”:
| 计划主题 | 要回答的问题 |
|---|---|
| 检索延迟 | 当前 ORDER BY embedding <=> ... 的精确扫描在什么数据量下开始变慢 |
| 连接与线程 | 每请求建连接的成本,何时需要连接池 |
| embedding 调用 | 查询向量化、批量入库和超时分别占多少时间 |
| 上下文与生成 | 上下文长度、首 token 延迟和总时长之间的取舍 |
| 可观测性 | 没有指标时,怎样先建立最小基线再优化 |
这些文章会以真实查询、EXPLAIN 输出或本地计时为依据,不会用未经验证的数字填充。
推荐读法
| 目标 | 顺序 | 说明 |
|---|---|---|
| 先做前端性能 | 01 → 02 | 固定测量路径,再算字体和图片的账 |
| 改善 AI 回答 | 03 → AI助手后端实现 | 先看检索调优,再看切片、检索和生成代码 |
| 等后端性能文章 | 关注本页更新 | 先用 /health、日志和本地计时建立基线 |
与其它系列的关系
- 从0建小站:先跑起来,读懂内容管线、接口、页面和主题的完整实现。
- 构建实践:Docker、CI、可访问性和页面实现;优化前先保证构建与测量环境稳定。
- AI助手后端实现:检索、pgvector、LangGraph 和 SSE 的实现背景。
- 搭建AI助手前端:回答怎样流式呈现、何时展示来源、怎样停止生成。
状态与维护
- 01–02 可读,03 是初稿,
draft: true;后端性能部分目前是计划。 - 原来的
AI助手调优系列已经合并到这里。 - 系列就是所在文件夹,文件夹名
06-如何优化就是系列名;00-目录.md是系列第一篇,也是普通长文。 - 文章 slug 规则是
<英文系列>-<两位序号>-<英文主题词>,本系列以optimization-开头,例如optimization-01-performance-lighthouse、optimization-02-performance-budget。 - 优化结论依赖模型、内容分布、网络和硬件;换环境后要重新测,不要把某次分数写成通用结论。
- 新增文章时同步更新本页的状态、阅读路径和复测命令。