Core/Dash 维度： 重复访客

维度：用户行为：重复访客 (fv)

重复访客 维度将你的性能数据拆分为两类人群：以前访问过你网站的用户和没有访问过的用户。这两组人群在工程上的区别在于浏览器缓存。重复访客从磁盘加载你的字体、脚本和图片。新访客则需要从网络获取每一个字节。

这很重要，因为你的累计 LCP 分数是两者的加权平均值。如果你的会话中有 40% 是新访客，他们的冷缓存加载时间就会拉高你的 p75。如果没有这个维度，你无法判断 LCP 退化是真实的架构问题，还是仅仅因为新用户获取量出现临时暴涨。

为什么性能差距比你预期的要大

浏览器缓存为重复访客消除了整个请求链。在一个典型的内容网站上，重复访客会跳过每个缓存资源的 DNS 查询、TCP 握手、TLS 协商和服务器响应。LCP 资源本身通常在不到 5 毫秒内从内存缓存中提供，而不是通过网络耗时 200 毫秒到 800 毫秒。这不是微小的改进：这是页面加载方式上的结构性差异。

在 CoreDash 监测的所有网站数据中，在相同页面上，重复访客的 LCP 分数通常比新访客低 35% 到 60%。在图片密集的页面上，如果首屏大图很大，且源服务器与用户在地理上距离遥远，这种差距最为明显。在采用服务端渲染且 LCP 元素为文本的页面上，由于两组人群的文本加载延迟都接近于零，这种差距会缩小。

两组人群之间的 INP 差异较小，但仍然存在。新访客在首次加载时通常会触发更多的 JavaScript 解析，因为模块包是首次被执行评估。重复访客则受益于 V8 的代码缓存，它存储了编译后的字节码，从而完全跳过了解析和编译步骤。在 JavaScript 密集的页面上，这可以缩短 50 毫秒到 150 毫秒的处理时间。

解读这三个值

0: 重复访客

浏览器报告这并不是该用户在你的 origin 上的首次会话。缓存资源可用。在 CoreDash 监测的大多数营销和内容网站上，重复访客占了所有会话的 55% 到 70%。他们的性能数据是你的温缓存 (warm-cache) 基线：即熟悉你网站的真实用户的最佳情况。如果这里的 LCP 很差，那问题就不在缓存上。你应该去排查 render blocking 资源、服务器响应时间或渲染延迟。

1: 新访客

无缓存。浏览器从网络获取每个资源。这是你的冷缓存最差情况，它代表了通过自然搜索、付费广告或社交分享找到你的每个用户的首要印象。新访客通常占会话的 30% 到 45%。在图片页面上，他们的 LCP 分数通常比重复访客高出 300 毫秒到 700 毫秒。如果你的新访客 LCP 未能通过 2.5 秒的阈值，但重复访客 LCP 通过了，那么你的优化目标就很明确：减少 LCP 资源本身的大小和延迟，因为你无法针对这部分受众依赖缓存。

2: 未测量

CoreDash 无法确定此会话的访问类型。这通常发生在浏览器阻止了区分新旧访客所需的存储访问，或者注重隐私的浏览器配置阻止了该检查时。在大多数网站上，这个分类占会话的比例低于 5%。将其视为背景噪音，而不是需要优化的细分群体。

调试工作流

1. 确定你的基线配比：在 CoreDash 中打开 Repeat Visitor 维度，并记录新会话与重复会话的百分比。如果新访客占流量的 50% 以上，那么冷缓存性能就是主导你用户体验的关键，必须作为首要优化目标。
2. 按访问类型比较 LCP：仅筛选新访客并记录 p75 LCP。然后筛选重复访客并记录相同的指标。超过 500 毫秒的差距表明资源大小或网络获取时间是瓶颈。低于 200 毫秒的差距表明存在同样影响两组人群的渲染端问题。
3. 直接针对 LCP 资源进行优化：对于 LCP 慢的新访客，解决办法是缩短资源加载时间。压缩 LCP 图片，从靠近用户的 CDN 边缘节点进行服务，并应用 fetchpriority="high"。无论缓存状态如何，这些收益都将持续存在。不要指望靠缓存来弥补体积过大或服务缓慢的 LCP 资源。
4. 结合 Navigation Type 维度进行验证：与 Navigation Type 维度进行交叉比对。重新加载和前进/后退导航更常出现在重复访客中。如果你的重复访客 LCP 看起来慢得反常，那么高比例的重新加载导航（即缓存资源被重新验证而不是被直接提供）可能是原因。

工程经验法则

• 新访客 LCP 目标：p75 达到 2.5 秒以下。这比重复访客的 LCP 更难达到，并且需要切实的架构工作：CDN、图片优化和正确的获取优先级。
• 新访客与重复访客 LCP 之间的可接受差距：最多 400 毫秒。更大的差距表明你的网站依赖浏览器缓存来通过 Core Web Vitals，这意味着第一印象是失败的。
• 未测量比例低于 5%：如果该分类占比超过 10%，请调查 cookie consent 的实现或存储权限的更改是否阻止了访问类型的检测。

当一个网站在 LCP 上表现为临界通过时，Repeat Visitor 维度是我最先应用的过滤器之一。聚合的 field data 隐藏了真实情况。按访问类型进行拆分能立即显示出你的优化工作是否扎实，还是说网站仅仅在靠忠实回头客的缓存命中维持体面，而让每一个从搜索进来的新用户都体验糟糕。