بررسی سرعت سایت با هوش مصنوعی

بررسی سرعت با هوش مصنوعی یعنی گزارش ها و متن واقعی صفحه های خودتان را جلوی مدل بگذارید و از او الگو و اولویت بخواهید، نه توصیه عمومی. کاری که مدل انجام نمی دهد دیدن صفحه رندر شده و داده کاربران واقعی است، و برای همین مرحله آخر همیشه اندازه گیری دوباره است.

  • درس ۱۰ از ۱۰
  • میانی
  • ۱۶ دقیقه مطالعه
  • رایگان، بدون ثبت نام
افزایش سرعت سایت

یک بررسی کامل، از اندازه گیری تا تایید

  1. ۱

    اندازه گیری

    چند قالب صفحه، نه یک آدرس

  2. ۲

    استخراج

    گزارش خلاصه شده، واقعیت های صفحه، و نقش هر صفحه

  3. ۳

    دستور

    اول الگو، بعد علت یک شاخص مشخص

  4. ۴

    برنامه

    به ترتیب، با کاری که انجام نمی دهیم و دلیلش

  5. ۵

    تایید

    سه اندازه گیری قبل و سه بعد، مقایسه میانه ها

مدل فقط در دو مرحله میانی کار می کند. مرحله اول و مرحله آخر کار شماست و اگر یکی از آن دو را حذف کنید، چیزی که می ماند بررسی نیست.

آخرین بررسی فکت ها و نام ابزارهای این درس در همین تاریخ با منابعشان بازبینی شده اند.۱۶ دقیقه مطالعه۵ بخش

یک بررسی با یک گزارش چه فرقی دارد

گزارش، عددهای یک صفحه است. بررسی یک تصمیم درباره یک سایت است: کدام قالب صفحه مشکل دارد، علتش چیست، به چه ترتیبی درست می شود، و چه چیزی را عمدا درست نمی کنیم. بین این دو یک کار کاملا مکانیکی نشسته که آدم ها بد انجامش می دهند و مدل خوب: خواندن چند گزارش کنار هم و پیدا کردن چیزی که در همه شان تکرار شده.

اینجا همان جایی است که بیشتر مردم اشتباه می کنند. سوالی که از مدل می پرسند این است که چطور سایتم را سریع کنم، و جوابی که می گیرند فهرستی است که از سال ۲۰۱۵ در هزار مقاله تکرار شده. آن فهرست غلط نیست؛ فقط درباره سایت شما نیست، چون هیچ چیزی از سایت شما در ورودی نبوده.

بررسی درست از سه چیز ساخته می شود. اندازه گیری، که کار شماست و روشش در درس اندازه گیری سرعت سایت آمده. تحلیل، که کار مدل است و در ادامه دو دستور آماده اش را می دهیم. و تایید، که دوباره کار شماست و بخش آخر همین درس است. اگر یکی از این سه را حذف کنید، چیزی که می ماند بررسی نیست؛ یا اندازه گیری خام است یا حرف مدل بدون پشتوانه.

دسته ای گزارش زیر چراغ آبی با یک نخ قرمز که سه صفحه را به هم وصل کرده و یک ذره بین سبز روی آن

چه چیزی جمع کنید تا مدل چیزی برای خواندن داشته باشد

کیفیت هر بررسی به ورودی اش بند است و نه به دستوری که می نویسید. چهار چیز جمع کنید، و هر کدام کار مشخصی دارد.

اول، گزارش خلاصه شده برای چند قالب صفحه و نه برای یک آدرس. صفحه اول، یک صفحه محصول یا خدمت، یک نوشته، و یک صفحه فرم. یک صفحه به شما یک مشکل می دهد؛ چهار صفحه به شما الگو می دهد، و الگو همان چیزی است که تصمیم از آن در می آید. دستور خلاصه کردن پاسخ PageSpeed در درس اندازه گیری آمده و اینجا تکرارش نمی کنیم.

یک هشدار عملی که وقت شما را می خرد: نشانی رایگان و بی کلید PageSpeed دیگر جواب نمی دهد. امروز از همین سرور صداش زدیم و پاسخ ۴۲۹ برگشت با سهمیه روزانه ای که مقدارش صفر است. یا کلید بگیرید یا گزارش را از مرورگر بردارید؛ راه سومی نمانده.

دوم، چند واقعیت خام از خود صفحه، چون گزارش سرعت آنها را نمی گوید. این دستور همان چیزهایی را می دهد که مدل برای فهمیدن علت لازم دارد و از هیچ گزارشی در نمی آید:

curl -s --compressed "https://example.com/" -o page.html
python3 -c "
import re
h = open('page.html', encoding='utf-8', errors='replace').read()
d = h.split('</head>')[0]
p = lambda k, v: print(k.ljust(24), v)
p('bytes', len(h.encode()))
p('img tags', len(re.findall(r'<img', h)))
p('css links in head', len(re.findall(r'<link[^>]+stylesheet', d)))
p('scripts in head', len(re.findall(r'<script[^>]*src=', d)))
p('scripts total', len(re.findall(r'<script[^>]*src=', h)))
p('inline style bytes', sum(len(s.encode()) for s in re.findall(r'<style[^>]*>(.*?)</style>', d, re.S)))
"

سوم، یک خط درباره هر صفحه: این صفحه چه کاری برای کسب و کار می کند، و شما چقدر اجازه تغییر دارید. کد قالب دستتان است، یا فقط پیشخوان دارید، یا حتی می توانید هاست را عوض کنید. مدل زحمت هر کار را از همین یک خط تخمین می زند و اگر ننویسیدش، تخمینش خیالی می شود.

چهارم، و این یکی را اغلب فراموش می کنند: اگر داده کاربران واقعی در گزارش نبود، خودتان یک خط بنویسید که نبود. سکوت را مدل به عنوان «مشکلی نیست» می خواند، در حالی که معنایش «نمی دانیم» است. یک جمله در ورودی جلوی یک نتیجه گیری غلط را می گیرد.

چهار چیزی که باید در ورودی باشد، و چهار چیزی که نباید

برگه ورودیقبل از نوشتن دستور

باید باشد

  • گزارش خلاصه شده چند قالب صفحه، هر کدام با نامش
  • واقعیت های خام صفحه، از خروجی دستور همین درس
  • یک خط درباره نقش تجاری هر صفحه و اختیار شما
  • یک جمله که می گوید داده کاربران واقعی هست یا نیست

نباید باشد

  • فایل خام گزارش، که پنجره را پر می کند و چیزی اضافه نمی کند
  • کلید API یا هر رمزی که در متن صفحه مانده
  • نشانی صفحه های داخلی مشتری که هنوز منتشر نشده اند
  • حدس خودتان درباره علت، که جواب مدل را جهت می دهد

ردیف چهارم ستون بالا تنها موردی است که ابزار برایتان تولید نمی کند: نبود داده میدانی را باید خودتان به عنوان یک واقعیت بنویسید.

دستور یکم: از چند صفحه به یک الگو

این دستور یک کار می کند و فقط همان: از میان چند گزارش، تشخیص می دهد کدام مشکل مال قالب است و در همه صفحه ها تکرار می شود، و کدام مال یک صفحه خاص. این تفکیک ارزش کل بررسی است، چون اولی را یک بار درست می کنید و روی همه صفحه ها جواب می دهد و دومی را باید صفحه به صفحه بروید.

نقش تو مشاور ارشد عملکرد وب است. کار امروزت پیدا کردن الگوست، نه تعمیر.
فقط از داده زیر قضاوت کن و چیزی از حافظه ات اضافه نکن.

گزارش خلاصه شده هر صفحه:
{برای هر صفحه: نام صفحه، خروجی خلاصه گزارش، و خروجی دستور واقعیت های صفحه}

نقش تجاری و اختیار من روی هر صفحه:
{یک خط برای هر صفحه}

داده کاربران واقعی: {موجود بود | در پاسخ نبود}

چهار چیز بنویس:
۱. جدولی بساز که در آن هر مشکل یک ردیف باشد و ستون هایش نام مشکل، صفحه هایی که در آنها دیده شده، و اینکه مال قالب است یا مال یک صفحه.
۲. یک مشکل را انتخاب کن که بیشترین صفحه ها را توضیح می دهد و بگو چرا آن را انتخاب کردی.
۳. بگو کدام یافته ها را باید نادیده گرفت و چرا. هر چیزی که فقط در یک صفحه دیده شده و آن صفحه نقش تجاری مهمی ندارد در همین دسته است.
۴. برای مشکل منتخب، دو تا چهار فرضیه علت بنویس، و برای هر فرضیه یک آزمایش که اگر غلط باشد آن را رد می کند.

قاعده ها: هیچ نام آدیت، فایل یا افزونه ای ننویس مگر اینکه در ورودی باشد.
هیچ عددی درباره افزایش فروش، نرخ تبدیل یا رتبه ننویس؛ از این داده چنین
عددی در نمی آید. اگر داده کاربران واقعی نبود، صریح بنویس که نتیجه گیری تو
فقط بر پایه اجرای آزمایشگاهی است. اگر داده ها الگوی مشترکی نشان نمی دهند،
همین را بنویس؛ «الگویی نیست، هر صفحه مشکل خودش را دارد» جواب درستی است.

بند چهارم مهم ترین بند این دستور است و معمولا در دستورهایی که مردم می نویسند نیست. وقتی از مدل بخواهید هر فرضیه را با راه رد کردنش بنویسد، دو اتفاق می افتد: فرضیه هایی که قابل آزمایش نیستند خود به خود حذف می شوند، و شما به جای یک نظر، یک فهرست کار می گیرید.

دستور دوم: چرا این یک شاخص خراب است

وقتی الگو را پیدا کردید، سراغ یک شاخص روی یک صفحه بروید و این بار متن خود صفحه را هم بچسبانید. تفاوت این دستور با دستور اول در ورودی است و نه در لحن: اینجا مدل به جای عدد، منبع را می بیند.

نقش تو مهندس عملکرد است. یک شاخص خراب داریم و می خواهم علتش را
با شواهد بفهمم. فقط از داده زیر قضاوت کن.

شاخصی که خراب است و مقدارش: {مثلا LCP، عدد گزارش}
عنصری که ابزار به عنوان LCP معرفی کرده: {همان چیزی که در گزارش نوشته}
واقعیت های صفحه: {خروجی دستور واقعیت های صفحه}
بخش head صفحه: {اینجا بچسبانید، تا حداکثر دو هزار نویسه}
چیزی که در اختیار من هست: {دسترسی به کد قالب | فقط پیشخوان | هاست را هم می توانم عوض کنم}

سه چیز بنویس:
۱. دو تا چهار فرضیه علت، مرتب شده بر اساس اینکه کدام با شواهد بالا
سازگارتر است. برای هر کدام بنویس کدام تکه از ورودی آن را پشتیبانی می کند.
۲. برای هر فرضیه، یک آزمایش که ظرف ده دقیقه انجام می شود و اگر فرضیه
غلط باشد آن را رد می کند. آزمایش باید یک اندازه گیری باشد و نه یک تعمیر.
۳. یک هشدار: بنویس کدام یک از تغییرهای ممکن، اگر اشتباه انجام شود،
چیزی را که الان درست کار می کند خراب می کند.

قاعده ها: هیچ چیزی که در ورودی نیست را فرض نگیر. اگر عنصر LCP در
ورودی نیامده، بپرس و حدس نزن. اگر تشخیص دادی که این عدد اصلا مشکل
جدی ای نیست، همین را بنویس.

دلیل وجود بند سوم را با یک مثال از خود این سایت می گویم. اگر گزارش صفحه اول ما را به مدل بدهید، دو توصیه با اطمینان کامل می گیرید: شیوه نامه را از داخل صفحه به یک فایل جدا منتقل کن تا کش شود، و تصویرها را تنبل بارگذاری کن. صفحه اول این سایت هیچ تصویری ندارد؛ امروز شمردیم و صفر بود. و آن حدود ۸۹ کیلوبایت CSS عمدا داخل خود صفحه است، چون HTML این سایت مدت طولانی روی لبه کش می شود و یک فایل جدا فقط یک درخواست اضافه می کند که الان وجود ندارد. هر دو توصیه در حالت کلی درست اند و روی این صفحه غلط.

چرا مرحله تایید اختیاری نیست

سه چیز هست که مدل نمی بیند و هیچ دستوری این را عوض نمی کند. اول، صفحه رندر شده: مدل متن HTML را می خواند و نمی داند وقتی صفحه واقعا باز می شود چه چیزی اول دیده می شود، کجا می پرد، و کدام عنصر بالای صفحه است. دوم، داده کاربران واقعی، مگر اینکه خودتان بچسبانید؛ و اگر نچسبانید مدل به شما نمی گوید که ندارد، فقط بدون آن نتیجه می گیرد. سوم، اینکه بازدیدکننده های شما با چه دستگاهی و چه شبکه ای می آیند.

پیامدش یک اشتباه مشخص و پرتکرار است که ارزش دارد اسمش را بدانید: مدل با اطمینان پیشنهاد می دهد چیزی را حذف کنید که خودش عنصر LCP شماست. منطقش هم از دید خودش درست است، چون آن عنصر سنگین ترین چیز صفحه است؛ چیزی که نمی داند این است که همان عنصر تصویر اصلی محصول شماست و حذفش صفحه را سریع و بی فایده می کند.

تایید سه قدم دارد و هیچ کدام سخت نیست. قبل از تغییر، همان صفحه را سه بار اندازه بگیرید و میانه را بنویسید. تغییر را تک تک اعمال کنید و نه چند تا با هم، چون اگر عدد جابه جا شد باید بدانید کدام کار مقصر بوده. بعد از هر تغییر دوباره سه بار بگیرید و باز میانه را مقایسه کنید. و قاعده ای که همه چیز به آن بند است: اگر تفاوت دو میانه از دامنه نوسان همان سه اجرا کوچک تر بود، هیچ اتفاقی نیفتاده. عدد عوض شده، سایت نه.

و یک قدم که فنی نیست ولی بیشتر از بقیه جلوی دردسر را می گیرد: هر ادعایی که مدل نوشته را در ورودی خودتان جستجو کنید. اسم آدیتی که در گزارش شما نبوده، فایلی که در فهرست نبوده، افزونه ای که نصب نیست. اگر پیدا نشد، وجود ندارد؛ و این ساده ترین بررسی ای است که می شود روی خروجی یک مدل انجام داد.

مدل چه چیزی را می خواند و چه چیزی را نمی بیند

نمی بیند

  • صفحه رندر شده و اینکه چه چیزی اول دیده می شود
  • داده کاربران واقعی، مگر خودتان بچسبانید
  • دستگاه و شبکه ای که بازدیدکننده های شما دارند
  • اینکه کدام عنصر برای کسب و کار شما حذف شدنی نیست

می خواند

  • عددهای گزارشی که چسبانده اید
  • متن HTML صفحه، تا جایی که در ورودی جا شده
  • شمارش هایی که خودتان با دستور گرفته اید
  • نقش تجاری صفحه، اگر نوشته باشیدش

ستون راست را نمی شود با دستور بهتر جبران کرد. تنها راهش این است که آنچه از آن ستون در اختیار دارید را خودتان به ورودی اضافه کنید.

مسیر سریع با هوش مصنوعی

۰ از ۴ مرحله انجام شده

دستور سوم تنها خروجی این چرخه است که از دفتر شما بیرون می رود، و برای همین بیشترین قاعده را دارد. کارش این است که یافته های تاییدشده را به برنامه ای تبدیل کند که یک آدم غیرفنی بخواند و تصویب کند: چه کاری، چرا، به چه ترتیبی، چه چیزی را انجام نمی دهیم و چرا، و بعدش چه چیزی را اندازه می گیریم. راه معمولی این است که یک نفر دو ساعت وقت می گذارد و متنی می نویسد که نصفش اصطلاح فنی است و مشتری تاییدش می کند بدون اینکه فهمیده باشد. این یکی ده دقیقه طول می کشد و مهم تر اینکه هر جمله اش به یک یافته گره خورده است.

روی هر مرحله بزنید تا به عنوان انجام شده تیک بخورد.

نسخه آماده کپی

یک برنامه بهبود سرعت بنویس که مخاطبش فنی نیست. فقط از یافته های زیر بنویس و هیچ چیزی به آنها اضافه نکن.

یافته های تاییدشده:
{هر یافته در یک خط: چه چیزی، در کدام صفحه ها، با چه شواهدی}

مخاطب و اختیارش: {مثلا مدیر فروش، بودجه را تصویب می کند، اصطلاح فنی نمی داند}
محدودیت ها: {زمان، بودجه، چیزی که نباید دست بخورد}

این پنج بخش را بنویس، بدون مقدمه و بدون نتیجه گیری:

۱. وضعیت امروز در سه جمله، به زبان ساده، بدون هیچ اصطلاح فنی. هر عددی که می آوری باید در یافته ها باشد.

۲. کارهایی که پیشنهاد می کنی، به ترتیب انجام. برای هر کار: در یک جمله چه کاری است، چرا این یکی زودتر از بقیه، و یک تخمین زحمت به صورت ساعت یا روز کاری. اگر برای تخمین زحمت اطلاعات کافی نداری، بنویس نامعلوم.

۳. کارهایی که پیشنهاد نمی کنی، با دلیل. این بخش را حذف نکن؛ اگر مشتری بعدا جای دیگری چیزی شنید، این بخش جواب اوست.

۴. چه چیزی را بعد از هر کار اندازه می گیریم تا معلوم شود جواب داده یا نه.

۵. چه چیزی هنوز نامعلوم است و برای دانستنش به چه چیزی نیاز داریم.

قاعده ها: هیچ عددی درباره افزایش فروش، نرخ تبدیل، رتبه گوگل یا نمره نهایی ننویس، حتی اگر خواسته شد؛ این برنامه چنین وعده ای نمی دهد. هیچ یافته ای اضافه نکن که در ورودی نیست. هیچ اصطلاح فنی ای را بدون یک توضیح کوتاه در همان جمله به کار نبر. اگر یافته ای برای مخاطب بی معنی است، حذفش کن و ننویس که حذفش کردی. لحن باید آرام و بدون تعریف از خود باشد.

قبل از اعتماد به خروجی: دو قاعده هست که هر چه مدل بنویسد باید خودتان نگه دارید، چون هزینه شکستنشان را سه ماه بعد می پردازید. اول، هیچ عددی درباره افزایش فروش یا رتبه در آن متن نماند؛ از داده سرعت چنین عددی در نمی آید و مشتری همان یک جمله را در جلسه بعد به شما برمی گرداند. دوم، هیچ وعده نمره ای ندهید؛ نمره از شرایط اجرای تست هم اثر می گیرد و شما کنترلش نمی کنید. و یک تذکر که به هر دو وصل است: متن نهایی را قبل از فرستادن یک بار به عنوان کسی که باید پشتش بایستد بخوانید، نه به عنوان کسی که نوشتنش را سپرده.

هوش مصنوعی در این کار

موضع ما درباره این موضوع صریح است: مدل زبانی برای تحلیل سرعت مفید است و برای تشخیص سرعت نه. تفاوت این دو در ورودی است. اگر داده خودتان را جلویش بگذارید، کاری می کند که یک آدم در نیم ساعت انجام می دهد و شما در ده دقیقه می گیرید. اگر فقط بپرسید سایتم چرا کند است، جوابی می گیرید که به همان اندازه درست است که یک فهرست عمومی می تواند باشد، یعنی کم.

ابزارهایی که واقعا کمک می کنند

  • راهنمای RGB

    برای هر سه دستور این درس مناسب است، به خصوص دستور سوم که کار نوشتن است و لحن اهمیت دارد. ایران در هیچ یک از دو فهرست کشورهای پشتیبانی شده انتروپیک نیست، پس نه ثبت نام رسمی انجام می شود و نه کارت ایرانی پذیرفته می شود.

  • راهنمای RGB

    برای مرحله استخراج فرق واقعی می سازد، چون روی سرور یا لپ تاپ خودتان اجرا می شود: دستورهای این درس را خودش می گیرد، خروجی را نگه می دارد و بین چند صفحه مقایسه می کند، بدون اینکه شما چیزی را دستی بچسبانید. ابزار رایگان نصب می شود ولی به اشتراک کلود یا حساب کنسول انتروپیک نیاز دارد، و ایران در فهرست کشورهای پشتیبانی شده نیست.

  • راهنمای RGB

    اگر تصمیم گرفتید گزارش را خلاصه نکنید و کل فایل JSON چند صفحه را یکجا بدهید، خواندن ورودی های خیلی بلند را خوب انجام می دهد. صفحه خود گوگل می گوید اپ وب جمنای در بیش از دویست و سی کشور و منطقه کار می کند و ایران در آن فهرست نیست.

  • راهنمای RGB

    برای دستور اول و دوم، یعنی مرتب کردن و دسته بندی گزارش ها، کافی است. درباره دسترسی از ایران ادعایی نمی کنیم، چون صفحه کشورهای پشتیبانی شده اوپن ای آی مثل بقیه آن دامنه به این سرور پاسخ ۴۰۳ می دهد.

کجا نتیجه معکوس می دهد

سه خطر، و اولی مخصوص همین کار است: مدل نام آدیت هایی را می سازد که در گزارش شما نیستند. الگوی نام گذاری Lighthouse را دیده و می تواند چیزی بسازد که شکل درستی دارد و وجود ندارد، و چون شکلش درست است کسی شک نمی کند. راه ساده جلوگیری همان است که در بخش آخر آمد: هر عنوانی که مدل نوشته را در ورودی خودتان جستجو کنید. انتروپیک خودش این را که مدل با اطمینان چیزی بگوید که پشتوانه ندارد توهم می نامد و یکی از راه های کاهشش را همین می داند که مدل را وادار کنید فقط از سندی که به او داده اید نقل کند. خطر دوم مال ورودی است و نه مدل: خروجی گزارش، نشانی صفحه ها و گاهی نشانی صفحه های منتشر نشده مشتری را در خودش دارد، و اینکه چه بر سر متنی که در یک سرویس می چسبانید می آید به همان سرویس و پلن و تنظیمات شما بستگی دارد. صفحه خود انتروپیک درباره محصولات مصرفی اش می گوید گفتگوها برای بهبود مدل استفاده می شوند اگر خودتان اجازه بدهید، و محصولات تجاری اش را جدا حساب می کند؛ قبل از چسباندن داده مشتری، صفحه سرویسی که استفاده می کنید را یک بار بخوانید. خطر سوم جدی ترین است چون بی صدا اتفاق می افتد: مدل با اطمینان کامل می گوید همان چیزی را حذف کنید که عنصر LCP شماست، و اگر ورودی تان عنصر LCP را نگفته باشد، هیچ راهی ندارد که بفهمد. موضع ما: مدل اجازه دارد فرضیه بسازد و برنامه بنویسد، و اجازه ندارد یافته اضافه کند؛ هر ادعایی که در ورودی نیست، تا وقتی خودتان تاییدش نکرده اید وجود ندارد.

منبع ها: Anthropic: reduce hallucinations Anthropic: is my data used for model training Anthropic: supported countries Google: where Gemini Apps are available

حد این توصیه

این درس یک روش کار است و نه یک ابزار تشخیص؛ هیچ صفحه ای را سریع تر نمی کند و هیچ چیزی را خودش پیدا نمی کند. چهار مرز دارد. اول اینکه کیفیت خروجی کاملا به ورودی بند است: اگر داده میدانی ندارید، هر سه دستور فقط درباره یک اجرای آزمایشگاهی حرف می زنند و باید همین را در متن بنویسید. دوم اینکه دستورها نمونه های ساخته شده اند و نه واقعیت؛ آنها را برای سایت خودتان کوتاه و بلند کنید و هر بار خروجی را در ورودی جستجو کنید. سوم اینکه مدل ها و رده هایشان مرتب عوض می شوند و ما عمدا هیچ شماره نسخه ای اینجا ننوشته ایم؛ انتخاب امروزی هر رده در مرجع هوش مصنوعی ما نگه داشته می شود. و چهارم اینکه این روش برای سایت های کسب و کارهای کوچک و متوسط نوشته شده؛ در مقیاسی که تیم عملکرد اختصاصی و پایش دائمی کاربران واقعی وجود دارد، چرخه کار فرق می کند و ما در آن مقیاس تجربه دست اولی نداریم.

از تجربه خود ما

صفحه اول همین سایت مثال زنده ای است از چیزی که مدل نمی بیند، و امروز دوباره اندازه اش گرفتیم. با همان دستور واقعیت های صفحه که در متن آمده: صفر تگ تصویر، صفر لینک شیوه نامه در head، صفر اسکریپت در head، هفت اسکریپت در کل صفحه، و ۹۱۰۵۰ بایت CSS داخل خود صفحه. حالا یک گزارش سرعت از همین صفحه، بدون این شمارش ها، دو چیز را قرمز نشان می دهد: حجم CSS که در مسیر رسم است، و فرصت بهینه سازی تصویرها. مدلی که فقط آن گزارش را بخواند هر دو را با اطمینان توصیه می کند، و هر دو روی این صفحه غلط اند: تصویری وجود ندارد که بهینه شود، و آن CSS با تصمیم RGB_CSS_EXTERNAL در قالب ما عمدا داخل صفحه است، چون HTML این سایت مدت طولانی روی لبه کش می شود و یک فایل جدا فقط یک درخواست اضافه می کند. چیزی که این تجربه به ما یاد داد و در دستورهای بالا هست: ورودی را نباید فقط از گزارش ساخت. همان شش خط شمارش، هر دو توصیه غلط را از همان اول بی معنی می کند.

۳ پرسش متداول

سوال هایی که واقعا پرسیده می شوند

پاسخ سوالتان اینجا نیست؟ مستقیم بپرسید:

می شود گزارش کامل PageSpeed را همان طور خام به مدل داد؟

می شود، ولی معمولا جواب بدتری می گیرید. فایل خام پر از بخش هایی است که به مشکل شما ربط ندارند و همان ها توجه مدل را به سمت چیزهای بی اهمیت می برند. خلاصه کردن گزارش قبل از دادنش، که دستورش در درس اندازه گیری آمده، هم ارزان تر است و هم جواب متمرکزتری می دهد.

اگر داده کاربران واقعی نداشته باشم چه؟

برای بیشتر سایت های فارسی همین حالت پیش می آید و خرابی نیست. کاری که باید بکنید این است که در ورودی صریح بنویسید نبوده، و از مدل بخواهید نتیجه گیری اش را با همین قید بنویسد. آن وقت هر چه به دست می آید یک فرضیه است درباره یک اجرای شبیه سازی شده، و برای تصمیم های کوچک کافی است و برای خرج کردن پول نه.

مدل می تواند خودش تغییرها را روی سایت اعمال کند؟

ابزارهایی که روی سرور خودتان اجرا می شوند فنی می توانند، ولی سوال درست این نیست که می تواند یا نه. سوال این است که اگر چیزی خراب شد چه کسی می فهمد و چطور برمی گرداند. تا وقتی جای آزمایشی جدا از سایت زنده و راه برگشت روشن ندارید، خروجی مدل یک فهرست برای بررسی است و نه یک وصله برای اجرا.

این درس را تمام کردید؟

درس را تکمیل کنید تا پیشرفتتان در میان همه ۱۶ مسیر روی همین دستگاه ثبت شود.

افزایش سرعت سایت
۰٪

فهرست درس و مسیر

فهرست مطالعه شما

دفترچه مطالعه این صفحه

هایلایت های شما

ذخیره خودکار روی همین دستگاه

حرکت با کلیدهای جهت دار · Enter باز کردن · Ctrl+Enter تب جدید ↑↓↵ESC