最近在团队中落地INP 交互到下一帧绘制优化，积累了不少经验。整理出来供参考，希望对做类似工作的同学有所帮助。

核心概念

关键在于理解核心逻辑：

const observer = new PerformanceObserver((list) => {
  for (const entry of list.getEntries()) {
    if (entry.entryType === 'largest-contentful-paint') {
      reportMetric('LCP', entry.startTime)
    }
    if (entry.entryType === 'first-input') {
      reportMetric('FID', entry.processingStart - entry.startTime)
    }
  }
})
observer.observe({ entryTypes: ['largest-contentful-paint', 'first-input'] })

性能优化需要结合具体场景，不是所有情况都需要过度优化。

深度解析

我们可以通过以下方式来改进：

const observer = new PerformanceObserver((list) => {
  for (const entry of list.getEntries()) {
    if (entry.entryType === 'largest-contentful-paint') {
      reportMetric('LCP', entry.startTime)
    }
    if (entry.entryType === 'first-input') {
      reportMetric('FID', entry.processingStart - entry.startTime)
    }
  }
})
observer.observe({ entryTypes: ['largest-contentful-paint', 'first-input'] })

这套方案已经在线上稳定运行了半年以上，经过了实际验证。

落地经验

先来看基本的实现方式：

const observer = new PerformanceObserver((list) => {
  for (const entry of list.getEntries()) {
    if (entry.entryType === 'largest-contentful-paint') {
      reportMetric('LCP', entry.startTime)
    }
    if (entry.entryType === 'first-input') {
      reportMetric('FID', entry.processingStart - entry.startTime)
    }
  }
})
observer.observe({ entryTypes: ['largest-contentful-paint', 'first-input'] })

这段代码展示了基本的使用方式。实际项目中还需要考虑错误处理和边界条件。

调优策略

在这个基础上，我们可以进一步优化：

const observer = new PerformanceObserver((list) => {
  for (const entry of list.getEntries()) {
    if (entry.entryType === 'largest-contentful-paint') {
      reportMetric('LCP', entry.startTime)
    }
    if (entry.entryType === 'first-input') {
      reportMetric('FID', entry.processingStart - entry.startTime)
    }
  }
})
observer.observe({ entryTypes: ['largest-contentful-paint', 'first-input'] })

这种模式在大型项目中非常实用，能显著降低维护成本。

小结

• INP 交互到下一帧绘制优化不是银弹，需要根据项目规模和技术栈选择
• 理解底层原理比记住 API 更重要
• 生产环境使用前务必做好兼容性验证
• 团队协作中约定和文档比技术本身更重要