Gratis & åpen kildekode

AI-agenten din fikk akkurat Core Web Vitals-superkrefter

Koble Claude Code til dine feltdata fra CoreDash. Den finner den verste flaskehalsen din på tvers av millioner av sidevisninger, sporer rotårsaken i Chrome og skriver fiksen. Agentdrevet web performance — ikke en rapport, men den faktiske kodelinjen som må endres.

Installer på 2 minutter Start gratis CoreDash-prøveperiode »
claude --chrome
25+
RUM-dimensjoner forespurt
28 dager
med ekte brukerdata
5 agenter
Claude, Cursor, Windsurf, VS Code, Gemini
0
Lighthouse-poengsummer brukt

Trusted by market leaders · Client results

happyhorizondpg mediasaturnmarktplaatssnvnestlealeteialoopearplugsadevintafotocasaharvardebayworkivacompareperionnina careerasmusmcmonarchwhowhatwearmy work featured on web.devvpnkpn

AI-verktøy for ytelse har et dataproblem

De fleste AI-agenter optimaliserer for Lighthouse. En syntetisk poengsum på en simulert enhet som Google ikke bruker for rangering. En nyttig AI-agent for web performance starter med de samme dataene som Google gjør: ekte brukere på budsjett-telefoner, ustabile tilkoblinger og kontinenter utviklermaskinen din aldri har sett.

Lighthouse er ikke ditt rangeringssignal

Google rangerer basert på CrUX-feltdata fra ekte Chrome-brukere over 28 dager. En perfekt Lighthouse-score og en strykkarakter i felten skjer hele tiden. 52 % av mobilsider stryker på minst én Core Web Vital i felten.

Blinde agenter gjør blinde fikser

Uten ekte brukerdata vet ikke en AI-agent hvilken side som er treg, hvilket element som er flaskehalsen, eller om fiksen hjalp. Den optimaliserer en simulering og sier seg fornøyd. Dine faktiske brukere er uenige.

Manuell etterforskning tar timer

Segmenter dataene. Lag hypoteser. Kjør en trace. Bekreft. Skriv utkast til fiksen. En senior performance engineer bruker 2 til 4 timer per problem. Multipliser det med hver trege side på nettstedet ditt.

INP kan overhodet ikke simuleres i en lab Interaction to Next Paint måler hvordan ekte brukere samhandler med siden din. Ingen syntetiske verktøy kan replikere ekte brukeratferd: hvor de trykker, hvor fort de scroller, hvilken enhet de holder. Lighthouse rapporterer ikke en gang INP. Hvis AI-agenten din kjører Lighthouse, er den blind for dine verste interaktivitetsproblemer. Feltdata er den eneste kilden.

To kilder til sannhet: Feltdata møter nettleserbevis

CWV Superpowers kombinerer ekte brukerdata fra CoreDash med målrettede Chrome-traces. Feltdataene forteller hva som er tregt. Chrome forteller hvorfor.

CoreDash forteller agenten hva som er tregt

CoreDash sporer hver sidevisning fra hver ekte bruker. Hver metrikk, tilskrevet det nøyaktige elementet som forårsaker problemet. Ingen sampling, ingen begrensninger.

Når CoreDash rapporterer en LCP på 4,2 sekunder der Load Delay forbruker 52 % av den totale tiden på div.hero > img.main, vet agenten nøyaktig hvor den skal lete. Ikke gjetting. En måling fra millioner av ekte økter.

Skillet forespør over 25 CoreDash-dimensjoner: LCP-element, elementtype, prioritetstilstand, faseinndeling, INP-interaksjonsmål, LOAF-skript, CLS-forskyvende element, enhetstype, besøkstype, nettverkshastighet, 7-dagers trender.

Chrome forteller agenten hvorfor det er tregt

CWV Superpowers besøker siden med mobilemulering: Fast 3G, 4x CPU-throttling. Den sporer kun den flaskehalsfasen som CoreDash identifiserte.

Er Load Delay flaskehalsen? Agenten undersøker nettverks-waterfall for gap i oppdagelse. Render Delay? Den ser etter blokkerende skript og forsinkelser i skrifttypeinnlasting.

Resultatet: filmstripe-skjermbilder, nettverks-waterfall, og målrettede bevis som forklarer rotårsaken feltdataene dine avslørte.

Proporsjonalt resonnement, ikke absolutte terskler

Lighthouse forteller deg "Render Delay er 350ms." Er det problemet? Aner ikke. CWV Superpowers identifiserer flaskehalsen som den fasen som forbruker størst prosentandel av den totale tiden.

INP er 350ms. Input Delay 70ms (20 %), Processing 80ms (23 %), Presentation 200ms (57 %). Presentation er flaskehalsen, selv om 200ms høres greit ut isolert sett. Å fikse det vil utgjøre en forskjell. Å optimalisere Input Delay vil knapt merkes.

Dette forhindrer den vanligste feilen i ytelsesarbeid: å fikse feil ting.

lcp breakdown img hero loaddelay

Fem trinn: Fra "noe er tregt" til kodefiks

Still et spørsmål. Fem trinn senere har du en fiks støttet av ekte brukerbevis.

1. Oppdagelse

Skanner CoreDash-dataene dine for de verste sidene og beregningene. Prioriterer dårlige vurderinger, mobil, sider med høy trafikk og p75-poengsummer som skjuler en lang hale av dårlige opplevelser.

2. Diagnostikk

Bryter beregningen ned i faser. LCP: TTFB, Load Delay, Load Time, Render Delay. INP: Input Delay, Processing, Presentation. Navngir flaskehalsen i prosent.

3. Chrome Trace

Besøker siden med mobilemulering. Sporer kun flaskehalsfasen fra trinn 2. Fanger opp nettverks-waterfall, filmstripe, og bevis på blokkerende ressurser.

4. Rotårsak

Kombinerer begge beviskildene til én uttalelse: elementet, årsaken, CoreDash-beregningene, og hva Chrome bekreftet. Ingen tvil.

5. Fiks eller rapport

Ditt valg. Bruk kodefiksen med fil, linje, element, før/etter. Generer en frittstående HTML-rapport med diagrammer og bevis. Eller begge deler.

network waterfall discover gap

Over 25 dimensjoner: Alle vinkler feltdataene dine dekker

Dette er de faktiske CoreDash-dimensjonene agenten spør etter. Ikke et sammendrag. Det fulle bildet.

LCP (Largest Contentful Paint)

LCP-element Elementtype Prioritetstilstand TTFB-fase Load Delay Load Time Render Delay

INP (Interaction to Next Paint)

INP-mål Input Delay Processing Presentation LOAF-skript Lastetilstand

CLS (Cumulative Layout Shift)

Forskyvende element Forskyvningsårsak Forskyvningstidspunkt

Segmenter

Enhetstype Land Nettleser OS Tilkobling Besøkstype Sidesti

Trender

7-dagers delta 28-dagers grunnlinje Regresjonsdeteksjon

Diagnose: Nedbryting på fasenivå for hver Core Web Vital

Ikke bare poengsummer. Hver metrikk brutt ned i faser ved bruk av attribusjon fra ekte brukere fra CoreDash.

Fiks LCP med AI: Largest Contentful Paint-diagnose

4-faset nedbryting: TTFB, Load Delay, Load Time, Render Delay. Identifiserer hvilken fase som forbruker den største andelen av total tid.

Elementattribusjon: det nøyaktige LCP-elementet, elementets type (bilde, tekst, bakgrunnsbilde, video), og prioritetstilstand (fetchpriority, lazy loading).

Typiske fikser: legg til preload hint, fjern lazy loading fra hero, optimaliser bildeformat, fiks render-blokkerende skript.

Fiks INP med AI: Interaction to Next Paint-diagnose

3-faset nedbryting: Input Delay, Processing, Presentation. Den eneste metrikken du ikke kan simulere i en lab. Feltdata er den eneste kilden.

Skriptattribusjon: Long Animation Frames (LOAF) navngir den eksakte JavaScript-filen og varigheten. Samt sidens lastetilstand da interaksjonen skjedde.

Typiske fikser: yield to main thread, utsett evaluering, splitt hendelseshåndterere, content-visibility for store DOM-er.

CLS: Cumulative Layout Shift

5 årsaksmønstre: bilder uten dimensjoner, skrifttypebytter, dynamisk injisert innhold, ressurser som lastes inn sent, CSS-animasjoner på layout-egenskaper.

Kryssdimensjonal: sammenligner mobil mot skrivebord, nye mot returnerende besøkende, raske mot trege nettverk for å begrense årsaken.

Typiske fikser: legg til width/height, font-display: optional, min-height-reservering, bruk transform i stedet for top/left.

inp and lcp bottlenecks
Ekte eksempel

Slik ser en rotårsaksuttalelse ut

Ikke "vurder å optimalisere bildene dine". Dette er de faktiske resultatene. Spesifikk nok til å gjennomgå og merge.

Rotårsak:

LCP-bildet div.hero-banner > img.product-main på /product/running-shoes-42 oppdages 1,980ms for sent fordi det mangler et preload hint og ikke har fetchpriority="high".

CoreDash-bevis:

LCP er 3,820ms (dårlig) på mobil, p75. Load Delay er flaskehalsen på 1,980ms (52 % av totalen). Prioritetstilstand: 3 (ikke preloadet). Trend: forverring +340ms over 7 dager.

Chrome-bevis:

Nettverks-waterfall viser 1,940ms gap mellom HTML first byte og bildeforespørselen. Bildet refereres kun til i CSS, usynlig for preload-skanneren.

Fiks:

Legg til <link rel="preload" href="/images/hero.jpg" as="image" fetchpriority="high"> i templates/product.html linje 12. Sett fetchpriority="high" på img-elementet på linje 47.

Generisk AI-råd:

"Vurder å legge til fetchpriority på ditt LCP-bilde og sikre riktig preloading av kritiske ressurser."

CWV Superpowers:

Element: div.hero-banner > img.product-main

Fil: templates/product.html, linje 47

Bevis: 52 % av LCP-tiden i Load Delay (CoreDash p75). 1,940ms gap i oppdagelse (Chrome waterfall).

Fiks: Endring på 2 kodelinjer med før/etter-diff.

Sammenlign: Slik presterer CWV Superpowers

Ulike verktøy løser ulike problemer. Her er hva hver enkelt faktisk gjør.

Evne CoreDash + CWV Superpowers Chrome DevTools MCP PSI / Lighthouse MCP
Datakilde Ekte brukere (28 dagers feltdata) Enkelt lab-økt Simulert enkeltinnlasting
INP-måling ✓ Ekte interaksjoner ✗ Ingen ekte brukere ✗ Ikke målt
Faseinndeling ✓ LCP-, INP-, CLS-faser ~ Manuell analyse ✗ Kun poengsum
Elementattribusjon ✓ Eksakt element + prioritet ~ Hvis du vet hvor du skal lete ~ Generiske forslag
Proporsjonalt resonnement ✓ Flaskehals i % ✗ Absolutte verdier ✗ Absolutte verdier
Segmentsammenligning ✓ Enhet, land, nettleser ✗ Enkel konfigurasjon ✗ Enkel konfigurasjon
Trenddeteksjon ✓ 7-dagers delta ✗ Tidspunkt ✗ Tidspunkt
Chrome tracing ✓ Målrettet etter fase ✓ Full tilgang ✗ Ingen nettleser
Kodefikser ✓ Fil + linje + diff ~ Agentavhengig ~ Generisk råd

Merk: Chrome DevTools MCP er komplementær. CWV Superpowers bruker den for målrettet tracing etter at feltdata har identifisert flaskehalsen. De fungerer best sammen.

Rapporter: Slipp dem i Slack, legg ved i Jira

Frittstående HTML. Ingen avhengigheter. Ingen byggetrinn. Én fil med alt inkludert.

cwv suporpowers report crux yield
Fullstendig rapport (med Chrome)

Fargekodede metrikk-kort, fasediagrammer, filmstripe-skjermbilder på nøkkeløyeblikk (first paint, LCP, loaded), nettverks-waterfall i SVG, rotårsaksanalyse og den anbefalte fiksen med før/etter-kode.

Rapport med kun RUM

Samme metrikk-kort og faseinndeling, pluss elementattribusjon og rotårsaksanalyse. Ingen filmstripe eller waterfall, men diagnosekvaliteten er identisk fordi feltdata er sannhetskilden.

Fungerer med alle MCP-klienter

Claude Code: Fullstendig skill med automatisert arbeidsflyt. Oppdagelse, diagnostikk, Chrome tracing, kodefikser og rapporter. Anbefales.

Cursor: Plugin-installasjon med CoreDash MCP. Full diagnostikk og kodefikser inne i editoren din.

VS Code, Windsurf, Gemini CLI: Alle klienter som støtter HTTP MCP-servere kobler seg til CoreDash. Samme feltdata, samme attribusjon.

Client Success

Don't just take my word for it

Klar til bruk på 2 minutter

Automatisert Core Web Vitals-diagnostikk i terminalen din. Du trenger en CoreDash-konto der data strømmer inn. Gratisversjonen fungerer.

Claude Code

claude mcp add --transport http coredash \
  https://app.coredash.app/api/mcp \
  --header "Authorization: Bearer cdk_YOUR_API_KEY"


/plugin marketplace add corewebvitals/cwv-superpowers
/plugin install cwv-superpowers@cwv-superpower


claude --chrome


Find my biggest CWV issue and fix it.

Hent din API-nøkkel fra CoreDash → Project Settings → API Keys (MCP). Vises kun én gang. Lagres som SHA-256-hash. Read-only.

Cursor

/plugin-add cwv-superpowers

Legg til CoreDash i .cursor/mcp.json:

{
  "mcpServers": {
    "coredash": {
      "url": "https://app.coredash.app/api/mcp",
      "headers": {
        "Authorization": "Bearer cdk_YOUR_API_KEY"
      }
    }
  }
}

Andre MCP-klienter

Endepunkt: https://app.coredash.app/api/mcp
Header: Authorization: Bearer cdk_YOUR_API_KEY

Fungerer med VS Code (Copilot agent-modus), Windsurf, Gemini CLI, Claude Desktop og alle HTTP MCP-klienter. Ett MCP web performance-endepunkt for enhver agent.

Ofte stilte spørsmål

Trenger jeg å ha Chrome kjørende for å bruke CWV Superpowers?

Nei. Chrome tracing er valgfritt. Uten det får du full diagnostikk av feltdata, faseinndeling, elementattribusjon og forslag til kodefikser utelukkende basert på CoreDash-data. Chrome legger til filmstripe-skjermbilder, nettverks-waterfall og visuell bekreftelse på rotårsaken. Begge modusene genererer rapporter.

Hvordan er dette annerledes enn å kjøre Lighthouse i AI-agenten min?

Lighthouse kjører én enkelt syntetisk innlasting på din maskin. CWV Superpowers bruker 28 dagers ekte brukerdata fra CoreDash: faktiske enheter, faktiske nettverk, faktiske interaksjoner. Den måler INP fra ekte brukertrykk (noe Lighthouse ikke kan). Den sammenligner segmenter (mobil vs. skrivebord, India vs. USA). Og den bruker proporsjonalt resonnement for å finne flaskehalsfasen, ikke bare absolutte poengsummer.

Hvilke AI-kodeagenter støttes?

Alle AI-kodeagenter for web performance som støtter MCP-servere (Model Context Protocol). Claude Code har en dedikert skill med automatisert 5-trinns arbeidsflyt. Cursor, VS Code (Copilot agent-modus), Windsurf, Gemini CLI og Claude Desktop kobler seg til via HTTP MCP-endepunktet til CoreDash. Feltdataene og attribusjonen er identiske på tvers av alle klienter.

Er CoreDash gratis?

CoreDash har en gratisversjon som fungerer med CWV Superpowers. Du trenger data som strømmer fra nettstedet ditt (legg til CoreDash-script-taggen). Gratisversjonen har ingen sampling eller begrensninger på sidevisninger. API-nøkler for MCP-tilgang er tilgjengelig på alle abonnementer.

Kan jeg bruke dette for kundesider?

Ja. For hvert CoreDash-prosjekt kan du opprette ubegrenset  dedikerte MVP API-nøkler. Legg til CoreDash på hver kundeside, generer en read-only API-nøkkel og konfigurer MCP-klienten din. Agenten ser kun dataene for det prosjektet. CWV Superpowers har MIT-lisens, så det er ingen restriksjoner på kommersiell bruk.

MIT-lisensiert

Åpen kildekode. Ingen innelåsing.

Automasjon for Core Web Vitals som du kan inspisere og utvide. Orkestratoren, diagnosemodulene, Chrome tracing-logikken og rapportmalene ligger alle på GitHub. Les hvordan det fungerer. Fork det. Utvid det. Bidra.

Start din gratis prøveperiode Se på GitHub