专题演讲嘉宾：李锐

近年来，为了更好的满足用户需求，大前端技术领域呈现出迭代速度加快、功能复杂度和业务耦合度增加的特点，加之快手亿级 DAU 的用户规模和超长使用时长，面临着多技术栈并存、高资源占用的挑战，性能稳定性保障风险持续增大。传统的性能稳定性排障工具使用门槛高，依赖特定领域专家多年积累的深度知识和隐性经验判断。那么，如何破解有限的人力和无限的复杂问题之间的矛盾？本次演讲我将分享在大前端性能稳定性保障中，如何借助 AI 赋能，实现性能稳定性问题排障经验平民化，显著提升诊断效率。

演讲提纲

1. 快手性能稳定性保障的挑战

• 快手性能稳定性现状
• 快手性能稳定性保障的痛点问题

2. AI x 稳定性问题诊断方案

• AI 崩溃诊断方案，排障知识沉淀，关联崩溃现场上下文及源码根因分析​​
• AI 故障处置助手，报警巡检、故障归因、处置总结，提升排障效率

3. AI x 性能问题诊断方案

• 传统火焰图痛点分析，高信息密度、高背景知识依赖
• AI 火焰图方案，自动识别性能瓶颈和热点函数，减少分析成本

4. 总结和展望

• 实践经验总结：ShowCase分享、踩坑经验
• 后续规划：AI能力边界，自动修复覆盖范围

您认为，这样的技术在实践过程中有哪些痛点？

• 以 AI + 稳定性为例：在传统的崩溃问题排障工作流中，需要人工分步骤解析多维度上下文信息，包括崩溃堆栈、设备型号、应用版本、生命周期事件、页面栈及用户行为等，若涉及多线程并发等系统级机制问题，还需深入理解操作系统原理，排查效率较低；如果直接将崩溃现场提交给 AI 分析，会得到比较泛化的结论
• 以 AI + 性能为例：火焰图是性能分析领域的核心工具，在快手量级的复杂工程中，火焰图报告通常包含高达数十万行调用栈信息，且依赖开发同学具有大量操作系统前置知识（例如：CPU 负载、锁等待、资源抢占）和业务背景知识，有较高使用门槛且消耗大量人力；在 AI + 火焰图提效方案中，如果直接将火焰图原始数据交给 AI 分析，会面临远超大模型上下文窗口限制的挑战

演讲亮点

• 快手在亿级 DAU 超长使用时长下应用出现的各种性能稳定性疑难杂症，介绍如何通过 AI+ 性能稳定性的方案取得提效成果，有很高的实战参考价值

听众收益

• 了解如何借助 AI 的力量提升性能稳定性问题诊断效率，进而提升 App 用户体验