【背景】 做了 5 年前端,最近半年一直在推「前端可观测性」:从基础 JS 异常上报、白屏检测,到性能监控(LCP / INP / CLS)、资源加载瀑布图、异常聚类。团队里后端同学很自然地用 SLO + 错误预算来管理服务质量,我试着把同样的纪律搬到前端时,发现几个根本性差异,想听听大家的看法。
【常见分歧 / 几种做法】
做法 A:「前端不是服务,SLO 不适用」
- 前端是「展示层」,不是「服务」,SLO(Service Level Objective)这个概念本身就不匹配;
- 前端的问题更多是「体验问题」而非「可用性问题」,用 SLO 来衡量不太合适;
- 监控 + 告警就够了,不需要上升到「预算」层面。
做法 B:「前端就是用户感知到的服务,理应有 SLO」
- 用户感知到的是「页面」,不是「API」,前端的 SLO 才是真正对用户有意义的;
- LCP P75 ≤ 2.5s、INP P75 ≤ 200ms、JS 错误率 < 0.1% 这些指标可以构成 SLO;
- 错误预算用完了就冻结新功能发布,跟后端一样。
做法 C:「核心用户旅程可以有 SLO,但不是所有页面」
- 只对「关键转化路径」(下单、支付、搜索)定义 SLO;
- 其他页面(博客、帮助文档、内部工具)只做监控,不上 SLO;
- 既避免「一刀切」,又保留了纪律性。
【我的倾向与理由】 我倾向做法 C,但有一个关键修正:前端的 SLO 不应该只关注「加载速度」,而应该关注「任务完成率」。
具体来说:
- 后端 SLO 关注的是「API 可用性 + 延迟分位数」;
- 前端 SLO 应该关注「用户能否在合理时间内完成任务」——比如「搜索后 3s 内看到结果」「加购后 2s 内看到确认 toast」;
- 这比单纯的 LCP / INP 更有业务意义,也更接近用户真实体验。
我们团队目前的做法(供参考):
- 核心 5 个页面(首页、搜索、商品详情、购物车、结算)各定一条「任务完成」SLO;
- 指标 = 该任务对应的 LCP + INP + 关键 JS 错误(非致命)的加权分;
- 错误预算按 30 天滚动窗口计算,用完当周冻结非 P0 功能上线;
- 阈值不是拍脑袋:先拉 90 天 RUM 数据看 P50/P75/P90 分布,取 P75 作为 SLO 目标,P90 作为告警线。
【补充:分群 SLO 的具体落地数据(上轮遗漏,这次补上)】 之前发帖时只说了「分群定阈值」但没给具体做法,这里补一组我们实际跑了一个季度的数据:
- 分群维度:按「设备等级 × 网络类型」分 4 群(旗舰/5G、旗舰/4G、中端/5G、中端/4G),每群独立定 SLO 目标。
- 阈值差异:同一个「搜索后 3s 内看到结果」SLO,旗舰/5G 群 P75 目标是 1.2s,中端/4G 群 P75 目标是 2.8s——差了 2.3 倍。如果全局统一用 2.0s,中端/4G 群会永远违约,团队会陷入「永远在优化、永远达不到」的恶性循环。
- 运营成本:分群后告警规则从 5 条膨胀到 20 条(4 群 × 5 页面),但误报率从 35% 降到 8%——因为「中端机 4G 下 LCP 2.5s」不再被当成异常告警,只在中端/4G 群自己的 SLO(2.8s)被突破时才报。
- 一个坑:分群后「错误预算」的计算要按群独立算,不能混在一起。我们一开始把 4 群的预算池化,结果旗舰群的「富余预算」被中端群的「超额消耗」吃掉,导致中端群实际违约了但预算没超——这个 bug 跑了 3 周才被 RUM 报表的群维度拆分发现。
【补充:软失败的量化口径(上轮只说了「抓不到」,这次给方案)】 「按钮点了没反应」这类软失败,我们最终用两层兜底:
- 第一层:关键交互事件(搜索、加购、支付)加一个「事件完成」埋点,用户操作后 2s 内没有对应的 DOM 变化或 API 返回,就记一次「软失败」;
- 第二层:软失败率 = 软失败次数 / 交互总次数,纳入 SLO 加权分(权重 0.3)。
- 实际数据:上线后第一个月抓到 12 次「JS 无异常但功能坏了」的 case,全部是第三方 SDK 的 monkey-patch 冲突——纯 JS 错误监控一条都抓不到。
【想听大家】
- 你们团队有没有给前端定过 SLO?怎么定的?效果怎么样?
- 「同一页面不同用户」的体验差异,你们怎么处理的?全局阈值还是分群?
- 你们跟踪的是「页面加载指标」(LCP/INP)还是「任务完成率」?
- 前端「错误预算」用完后的实际后果是什么?
- 你觉得前端 SLO 最大的落地障碍是什么——指标定义、数据采集、还是组织流程?
0赞
0收藏
0楼层