跳到主要内容
Ed. notes

如何优化 · 从能跑到跑得更好

长文 · 2026-11-11 · 合集第 1 / 4 篇

  • 性能
  • 构建日志
第 1 / 4 篇 · 查看全部章节 → 当前: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。