前端监控:让你的网站问题无处遁形

前端监控:让你的网站问题无处遁形

毒舌时刻

前端监控?这不是后端的事吗?

"我的代码没问题,不需要监控"——结果用户反馈网站崩溃,自己却一无所知,
"我有日志,还需要什么监控"——结果日志太多,根本找不到问题,
"监控太复杂了,我没时间做"——结果问题频发,用户流失。

醒醒吧,前端监控是前端开发的重要组成部分,不是可有可无的!

为什么你需要这个?

  • 问题发现:及时发现和定位前端问题
  • 性能优化:了解网站性能瓶颈
  • 用户体验:了解用户真实使用情况
  • 数据驱动:基于数据做出决策

反面教材

// 反面教材:没有任何监控 function App() { return ( <div> <h1>我的网站</h1> {/* 没有任何错误处理和监控 */} <button onClick={() => { // 可能会出错的代码 const data = fetchData(); processData(data); }}>点击我</button> </div> ); } // 反面教材:简单的console.log function fetchData() { try { const data = // 从API获取数据 return data; } catch (error) { console.log('Error:', error); // 只在控制台打印,没有持久化 return null; } } 

正确的做法

// 正确的做法:使用专业的监控工具 // 安装依赖:npm install @sentry/react @sentry/tracing // index.js import React from 'react'; import ReactDOM from 'react-dom/client'; import App from './App'; import * as Sentry from '@sentry/react'; import { BrowserTracing } from '@sentry/tracing'; // 初始化Sentry Sentry.init({ dsn: 'YOUR_SENTRY_DSN', integrations: [new BrowserTracing()], tracesSampleRate: 1.0, // 环境信息 environment: process.env.NODE_ENV, // 发布版本 release: '[email protected]' }); ReactDOM.createRoot(document.getElementById('root')).render( <React.StrictMode> <App /> </React.StrictMode> ); // 正确的做法:错误边界 import React from 'react'; import * as Sentry from '@sentry/react'; class ErrorBoundary extends React.Component { constructor(props) { super(props); this.state = { hasError: false }; } static getDerivedStateFromError(error) { // 更新状态,下次渲染时显示降级UI return { hasError: true }; } componentDidCatch(error, errorInfo) { // 捕获错误并发送到Sentry Sentry.captureException(error, { extra: errorInfo }); } render() { if (this.state.hasError) { // 降级UI return <h1>Something went wrong.</h1>; } return this.props.children; } } // 正确的做法:性能监控 import { usePerformanceObserver } from 'web-vitals'; function PerformanceMonitor() { usePerformanceObserver(({ entries }) => { entries.forEach((entry) => { // 发送性能数据到监控服务 if (entry.name === 'first-contentful-paint') { Sentry.captureMessage('FCP', { level: 'info', extra: { value: entry.startTime } }); } if (entry.name === 'largest-contentful-paint') { Sentry.captureMessage('LCP', { level: 'info', extra: { value: entry.startTime } }); } }); }); return null; } // 正确的做法:用户行为监控 function trackUserAction(action, data) { // 发送用户行为数据到监控服务 Sentry.captureMessage(action, { level: 'info', extra: data }); } // 正确的做法:网络请求监控 function fetchWithMonitoring(url, options = {}) { const start = performance.now(); return fetch(url, options) .then(response => { const end = performance.now(); const duration = end - start; // 发送网络请求数据到监控服务 Sentry.captureMessage('Network Request', { level: 'info', extra: { url, status: response.status, duration } }); return response; }) .catch(error => { // 捕获网络请求错误 Sentry.captureException(error, { extra: { url } }); throw error; }); } // 正确的做法:在组件中使用 function App() { return ( <ErrorBoundary> <PerformanceMonitor /> <div> <h1>我的网站</h1> <button onClick={() => { trackUserAction('Button Click', { button: 'submit' }); fetchWithMonitoring('https://api.example.com/data') .then(res => res.json()) .then(data => processData(data)) .catch(error => { console.error('Error:', error); }); }} > 点击我 </button> </div> </ErrorBoundary> ); } 

毒舌点评

看看,这才叫前端监控!不是简单地console.log,而是使用专业的监控工具,从错误监控、性能监控、用户行为监控等多个方面入手。

记住,前端监控不是为了发现错误,而是为了预防错误。通过监控数据,你可以了解用户的真实使用情况,发现潜在的问题,从而不断优化你的网站。

所以,别再觉得监控不重要了,它是你网站质量的保障!

总结

  • 错误监控:使用Sentry等工具捕获和分析错误
  • 性能监控:监控Core Web Vitals等性能指标
  • 用户行为:跟踪用户点击、页面浏览等行为
  • 网络监控:监控API请求的响应时间和成功率
  • 错误边界:使用React错误边界捕获组件错误
  • 日志聚合:集中管理和分析日志
  • 告警机制:设置阈值,当出现问题时及时告警
  • 数据可视化:通过图表直观展示监控数据

前端监控,让你的网站问题无处遁形!

Read more

AI实践(5)检索增强(RAG)

AI实践(5)检索增强(RAG)

AI实践(5)检索增强(RAG) Author: Once Day Date: 2026年3月2日 一位热衷于Linux学习和开发的菜鸟,试图谱写一场冒险之旅,也许终点只是一场白日梦… 漫漫长路,有人对你微笑过嘛… 全系列文章可参考专栏: AI实践成长_Once-Day的博客-ZEEKLOG博客 参考文章:Prompt Engineering GuideDocumentation - Claude API DocsOpenAI for developers检索增强生成 (RAG) | Prompt Engineering GuideBuild a RAG agent with LangChain - Docs by LangChain一文读懂:大模型RAG(检索增强生成)含高级方法2026 年 RAG 技术最新进展与落地实践指南 - 个人文章 - SegmentFault

春节寒假作业辅导:基于 Rokid 灵珠平台打造 AI Glasses 作业助手

春节寒假作业辅导:基于 Rokid 灵珠平台打造 AI Glasses 作业助手

本文应用基于Rokid灵珠智能体/CXR SDK开发,开发指南https://forum.rokid.com/index 文章目录 * 一、引言:为什么我们需要一个 AI Glasses 作业助手? * 二、方案设计与架构 * 2.1 核心功能定义 * 2.2 端到端架构(AI Glasses) * 2.3 业务流程架构 * 三、开发实战:手把手搭建“作业救星” * 3.1 准备工作 * 3.2 步骤一:创建知识库(资源准备) * 3.3 步骤二:创建智能体(Agent) * 3.4 步骤三:搭建核心工作流(Workflow)

大模型工程化vs传统AI工程:核心差异解析

大模型工程化vs传统AI工程:核心差异解析

大模型工程化vs传统AI工程:核心差异解析 📝 本章学习目标:本章是基础入门部分,帮助读者建立大模型工程化的初步认知。通过本章学习,你将全面掌握"大模型工程化vs传统AI工程:核心差异解析"这一核心主题。 一、引言:为什么这个话题如此重要 在大模型技术快速发展的今天,大模型工程化vs传统AI工程:核心差异解析已经成为每个AI工程师必须掌握的核心技能。大模型的工程化落地不仅需要理解模型原理,更需要掌握系统化的部署、优化和运维能力。 1.1 背景与意义 💡 核心认知:大模型工程化是将研究模型转化为生产级服务的关键环节。一个优秀的模型如果缺乏良好的工程化支持,将难以在实际场景中发挥价值。 从GPT-3到GPT-4,从LLaMA到Qwen,大模型参数量从数十亿增长到数千亿。这种规模的增长带来了巨大的工程挑战:如何高效部署?如何优化推理速度?如何控制成本?这些问题都需要系统化的工程化能力来解决。 1.2 本章结构概览 为了帮助读者系统性地掌握本章内容,我将从以下几个维度展开: 📊 概念解析 → 技术原理 → 实现方法 → 实践案例 → 最佳实践 → 总结展望 二、

人工智能:大语言模型(LLM)原理与应用实战

人工智能:大语言模型(LLM)原理与应用实战

人工智能:大语言模型(LLM)原理与应用实战 1.1 本章学习目标与重点 💡 学习目标:掌握大语言模型的核心原理、训练流程与微调方法,学会基于开源大语言模型完成定制化对话与文本生成任务。 💡 学习重点:理解大语言模型的Transformer decoder-only架构,掌握指令微调与RLHF技术,能够使用LoRA高效微调开源LLM。 1.2 大语言模型的核心概念与发展历程 1.2.1 什么是大语言模型 💡 大语言模型(Large Language Model, LLM)是参数量达到十亿级甚至万亿级的Transformer-based模型。它通过在海量文本数据上进行预训练,学习语言的语法、语义、常识和推理能力。 LLM的核心能力包括文本生成、理解、翻译、摘要、问答等。它可以处理复杂的自然语言任务,无需针对每个任务单独设计模型结构。 LLM与传统NLP模型的核心区别: * 参数量级:传统模型参数量通常在千万级,LLM参数量可达十亿到万亿级。 * 训练数据:传统模型依赖标注数据,LLM使用海量无标注文本进行预训练。 * 能力边界:传统模型只能处理单一任务,LL