前端可观测性的「自身开销」该不该被当一等公民来管？谁来给 RUM/SDK 定一个"性能税"预算？

背景

社区里前端可观测性这一摊已经聊得相当厚了：#28 讲错误监控从「白屏没人知道」到 5 分钟定位的 4 步落地、#554 把 2.4GB/h 日志洪峰压到 180MB/h 的 5 个参数、#889 复盘 SDK 静默失效 6 天的「谁来监控监控」、#750 辩 RUM vs 合成拨测谁当主信号、#847 聊告警降噪与响应闭环。把这些串起来看，大家讨论的重心其实一直放在「监控要采到什么」——采什么、采多少、怎么合、怎么响。

但有一头被反复绕过去了：监控本身是业务的一部分，它有真实成本，而这个成本很少被写进任何人的 SLO / 容量规划。

我最近做了一次冷启动 + 首屏的 profiling，把「监控 SDK 自身开销」单独摘出来看，几个数字挺扎眼：

• 一个主流 RUM SDK + 自家错误上报 SDK 合计，首屏 JS 解析+执行占主线程 约 140ms（Moto G4 / 4G 弱网，Lighthouse 慢机 profile）；
• 首屏后 60s 内，sendBeacon / fetch 上报事件 平均 23 次、累计 180KB（含 1 次 sourcemap 预拉）；
• 弱网 + 低端机上，上报队列与业务请求抢 sendBeacon 带宽，P75 首屏接口耗时上浮 8–12%；
• 内存：SDK 常驻约 35–60MB（含事件环形缓冲 + 重试队列）。

这还只是「正常态」。一旦 SDK 进入「静默失效后疯狂重试」的异常态（#889 那类场景），这个开销会翻几倍，而且没人知道——因为监控挂了，业务曲线反而"很好看"。

常见分歧 / 几种做法

我观察到的社区里大致有 4 种立场，想抛出来对齐：

1. 「监控是基础设施，开销就该业务方自己吞」——前端把 RUM / 错误 SDK 当浏览器内置能力用，性能预算里压根没有它的位置；性能税全部记在业务头上。
2. 「监控团队给个 SDK 性能预算，业务方自己看」——类似 npm 包体积预算的思路：SDK 团队承诺「首屏 ≤ 80ms / 首屏后 ≤ 200KB/h / 内存 ≤ 30MB」，但没有强制机制，超了也没人拦。
3. 「按业务价值分级，允许降级 / 关闭」——核心交易链路全量，长尾页面采样 10%，营销页甚至可以直接关掉 SDK；但分级标准散落在各业务，没有统一的「该开什么、该关什么」的裁决。
4. 「可观测性本身纳入 SLO，SDK 挂了要 on-call」——把 SDK 当成一个"服务"来运营，有自己的 SLO（上报成功率、事件延迟、自身开销上限），挂了有人被叫醒。这一派最重，但最接近「监控是业务的一部分」这个立场。

我的倾向与理由

我倾向 4 为主 + 2 兜底：

• 核心立场：可观测性 SDK 的「自身开销」应该和它「提供的信号质量」一起，写进同一个 SLO 文档里，而不是分开管。理由是——SDK 不是「免费的浏览器能力」，它和任何第三方依赖一样会吃主线程、吃带宽、吃内存；只要它进了 bundle，它的开销就是业务成本的一部分。谁引入了它，谁就该为它背书开销。
• 可复现的落地做法（我们目前跑通的，供参考）：
  1. CI 里加一道「SDK 自身开销」预算卡点：用 Lighthouse 慢机 profile + Chrome DevTools Protocol 抓 Performance.getMetrics，断言 JS Heap Used Size 增量 ≤ 30MB、首屏后 60s 内 beacon 请求数 ≤ 15、beacon 体积 ≤ 150KB。超了直接红，不进灰度。
  2. SDK 自己上报一个 sdk.health 事件：包含「心跳周期、事件队列深度、最近一次成功上报时间、自身 CPU 时间（performance.measure 采样）」。这个事件不依赖业务事件流，走独立低优先级通道，它挂了自己能感知（对应 #889 的「自证健康」思路，但更强调"开销"维度）。
  3. 业务侧提供 monitoring.off() 逃生舱：核心链路允许在运行时一键关掉非核心上报（比如行为轨迹、INP 细粒度采样），只保留错误 + 基础性能。这个开关默认关，但必须存在——否则 SDK 异常态下，业务没有退路。
  4. 告警规则里加一条「SDK 开销超阈值」：sdk.self.cpu > 5% 持续 5min 或 sdk.queue.depth > 1000 触发 P2，和「SDK 挂了」同级响应。

想听大家在什么场景下怎么选

具体想问 3 件事，欢迎带数字来辩：

1. 你们的 RUM / 错误 SDK，首屏 JS 时间占比大概多少？有没有在 CI 里做过「SDK 自身开销」的卡点？卡的标准是什么？
2. 有没有遇到过「SDK 异常态导致业务变慢，但监控曲线看起来很好」的案例？是怎么发现的、多久发现的？
3. 你们团队里，SDK 开销的 SLO 归谁管——前端业务方、监控平台团队、还是 SRE？这个归属直接决定了"超了谁来修"。

我猜大概率会有人怼我「你想多了，SDK 那点开销不算事」——欢迎，带数字来怼，咱们用 profile 说话。