企业官网建设流程全解析

1. 性能测试面经：TPS/QPS 压测配置与结果验证

性能测试面试里，TPS 和 QPS 几乎是必问的一对概念，但很多人背得出定义，真让你搭一套可复现的压测环境、把 TPS/QPS 指标采出来、再验证结果是否可信，就卡壳了。这篇就按面试高频考点来拆：什么是压力测试、什么是负载测试，TPS 和 QPS 在什么场景下不相等，以及怎么用一套统一的 Key/API 通道把压测脚本跑通、把指标采准。适合正在准备测开/性能方向面试的同学，也适合日常需要做接口容量评估的后端和测试同学。核心检索词先摆出来：性能测试是统称，压力测试压的是极端和恢复能力，负载测试找的是最大处理能力，TPS 是每秒完整事务数，QPS 是每秒请求数。下面从场景、配置、验证到排障一步步来，配置骨架可以直接复制改。

2. 先厘清概念：压力测试、负载测试、TPS 与 QPS

面试官问“什么是性能测试”，标准回答是：性能测试是统称，指在正常或特定系统负载下，验证响应时间、吞吐量和资源利用率是否达标。负载测试是逐步加并发，观察指标变化直到出现瓶颈，目的是找系统最大处理能力这条安全边界。压力测试则是把负载拉到超负荷甚至压崩，看容错、降级、熔断和降压后能否自恢复，属于破坏性测试。

TPS 和 QPS 的区别是高频追问点。QPS 是每秒查询率，指服务器每秒处理的单个请求数；TPS 是每秒事务数，一个事务代表一次完整业务操作，可能包含多个请求。单接口压测时一个事务等于一个请求，TPS 等于 QPS；多接口复合业务下就不相等。比如“下单”事务，后台要连续调校验库存、扣减余额、生成订单三个请求，三个都成功才算一个 TPS，而服务器处理了三个请求算三个 QPS，此时 QPS 等于 3 倍 TPS。

注意：全链路业务压测以 TPS 为准，因为用户体验基于完整业务；单机容量评估或接口防刷以 QPS 为准，因为要探某台机器或某段代码的请求极限。

并发用户数和吞吐量的关系可以用三阶段模型记：增涨期并发增加、TPS 线性上升、RT 稳定；拐点期资源打满、TPS 到顶不再涨、RT 开始飙升；崩溃期并发继续加、开始报错、TPS 断崖下跌。利特尔法则的简化公式是并发数等于 TPS 乘以响应时间，比如 RT 200ms、目标 TPS 1000，理论并发就是 1000 乘 0.2 等于 200。

3. TaoToken 前置：统一 Key/API 通道准备

压测脚本里最烦的一件事是鉴权。每个接口一套 Key、Token 过期、环境切换，脚本还没跑起来先被 401 拦住。我习惯用一个统一的 API 通道来收敛这件事，TaoToken 就是干这个的：它把模型对话、编码类接口的调用统一到一个 Key 和一套 API 地址上，压测时脚本只需要维护一份鉴权配置，换环境只改 base_url 和 Key，不用逐个接口改。

你需要准备的东西不多：一个可用的 API Key，一个统一的 base_url，以及要压的目标接口路径。API 地址是 https://taotoken.net/api ，注意这个不带查询参数，直接作为请求前缀用。Key 在控制台生成，入口在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite ，生成后复制保存，压测脚本里通过变量注入，别硬编码进 JMX 文件，否则分布式压测分发脚本时容易泄露。

如果你压的是模型对话类接口，可以先用模型对话页面手动发一条请求，确认 Key 和链路是通的，入口在 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 。确认通了再写压测脚本，能省掉大量“到底是脚本错还是 Key 错”的排查时间。长期做编码类或 Agent 类压测的，可以看下 Coding Plan，入口在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite ，配额和调用方式更适合持续压。

提示：压测前先在低并发下跑通一次完整链路，确认返回结构和字段名，再上高并发。直接上高压最容易把配置错误误判成性能瓶颈。

4. 可复制配置：JMeter 压测骨架与 TPS/QPS 采集项

下面给一份可以直接改的 JMeter 配置骨架，用非 GUI 命令行方式跑，方便复现和进 CI。核心是三块：线程组控制并发、HTTP 请求头带统一鉴权、聚合报告采 TPS/QPS 和分位响应时间。

先看线程组和请求头配置，用 JMX 片段表示关键参数：

<!-- 线程组：200 并发， ramp-up 20 秒，循环 10 次 --> <ThreadGroup guiclass="ThreadGroupGui" testclass="ThreadGroup" testname="load-test"> <intProp name="ThreadGroup.num_threads">200</intProp> <intProp name="ThreadGroup.ramp_time">20</intProp> <boolProp name="ThreadGroup.scheduler">true</boolProp> <stringProp name="ThreadGroup.duration">600</stringProp> <elementProp name="ThreadGroup.main_controller" elementType="LoopController"> <intProp name="LoopController.loops">10</intProp> </elementProp> </ThreadGroup> <!-- HTTP 信息头管理器：统一鉴权 --> <HeaderManager guiclass="HeaderPanel" testclass="HeaderManager" testname="auth-header"> <collectionProp name="HeaderManager.headers"> <elementProp name="" elementType="Header"> <stringProp name="Header.name">Authorization</stringProp> <stringProp name="Header.value">Bearer ${__P(api_key)}</stringProp> </elementProp> <elementProp name="" elementType="Header"> <stringProp name="Header.name">Content-Type</stringProp> <stringProp name="Header.value">application/json</stringProp> </elementProp> </collectionProp> </HeaderManager>

请求体用 JSON，base_url 通过命令行参数注入，方便换环境：

{ "model": "your-model-name", "messages": [ {"role": "user", "content": "ping"} ], "stream": false }

命令行执行方式，把 Key 和地址作为属性传进去，避免写死在脚本里：

jmeter -n -t load-test.jmx \ -Japi_key=sk-你的Key \ -Jbase_url=https://taotoken.net/api \ -l result.jtl \ -e -o report/

TPS/QPS 采集项在聚合报告里对应关系要记牢：Throughput 就是吞吐量，单接口场景下等于 QPS，复合事务场景下按事务控制器统计才是 TPS；Average 是平均响应时间；95% Line 和 99% Line 是分位响应时间，代表长尾用户的最差体验线；Error% 是错误率。重点看三组：Throughput 看吞吐极限，95% Line 看延迟，Error% 看稳定性，三者同时达标才算通过。

如果你要压的是复合事务，用事务控制器把多个 HTTP 请求包起来，这样 Throughput 统计的就是 TPS 而不是 QPS，面试时能讲清这个区别很加分。

5. 验证请求与成功结果：从单请求到阶梯加压

配置写完别急着上高压，按三步验证。第一步单请求验证：把线程数设成 1，循环 1 次，跑一遍看返回是否 200、响应体结构是否符合预期。这一步是排除配置错误，不是测性能。

第二步低并发验证：线程数设 10，ramp-up 10 秒，跑 1 分钟，看聚合报告里 Error% 是否为 0、Throughput 是否稳定。如果这一步就报错，先查鉴权和 URL，别往下走。

第三步阶梯加压：从 50 并发开始，每轮加 50，每轮跑 3-5 分钟，记录每轮的 Throughput、95% Line、Error%。把数据整理成表，找拐点：

# 从 jtl 结果文件提取每轮吞吐和分位，快速看趋势 awk -F',' 'NR>1 {print $1, $2, $8}' result.jtl | head -20

成功的结果长这样：并发从 50 加到 200 的过程中，Throughput 线性上升，95% Line 基本稳定在 200ms 以内，Error% 为 0；到 250 并发时 Throughput 不再涨、95% Line 跳到 800ms、Error% 开始出现，说明 200-250 之间就是拐点，200 附近是安全边界。这个边界值就是面试里能拿出来的实测数据，比背定义有说服力得多。

注意：压测机自身也会成为瓶颈。如果压测机 CPU 打满或网卡跑满，TPS 抖动是施压端造成的，不是被测系统的问题。分布式压测就是为了解决这个。

6. 本篇常见错排查

错误一：压测开始瞬间错误率 100%、TPS 为 0。这基本不是性能问题，而是配置或环境问题。先查 URL、端口、路径是否写错，再查 Key 是否过期或格式不对导致网关全部拦截返回 401/403，最后确认被测环境本身是否存活。用单请求先跑通能快速定位。

错误二：TPS 卡在固定值不再上升，95% Line 成倍暴涨。这是到达性能瓶颈拐点的信号，固定值就是当前配置下的最大吞吐极限。底层某些关键资源比如连接池、线程池、CPU 已被占满，新请求只能排队，排队时间变长导致 RT 线性上涨。此时该做的是定位瓶颈资源，而不是继续加并发。

错误三：平均 RT 很低但 99% Line 很高。这是长尾效应，绝大多数请求快，1% 请求极慢。常见原因是 JVM 周期性 Full GC 停顿、偶发慢查询或锁等待、线程池/连接池爆满导致排队。排查方向按应用层、数据层、中间件三层走。

错误四：TPS 锯齿状抖动。先排除压测机自身 Full GC 或网络丢包，再查被测服务是否在频繁 Full GC 导致 Stop The World，TPS 归零后回升就形成锯齿。用 jstat 连续监控 GC 计数变化可以确认。

错误五：分布式压测时部分 Slave 线程启动失败。多半是 CSV 参数化文件没分发到每台 Slave 机器，Slave 本地找不到文件直接抛异常。正确做法是提前把数据文件复制到每台 Slave 的相同路径，并把数据源切分，避免多台读到同一段账号引发互斥报错。

错误六：限流阈值设了但没生效，高压全打穿后端。检查限流节点位置是否被负载均衡绕过、动态规则是否推送到配置中心、限流维度是否只绑了单 IP 而分布式压测分散了来源 IP。

7. 继续深入：接入文档与 Coding Plan

把上面的骨架跑通后，下一步是把压测脚本接入持续流程，用命令行加参数的方式跑，结果文件归档，方便对比不同版本的性能回归。接入相关的接口说明和参数细节可以看接入文档，入口在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有请求格式、鉴权方式和返回字段的完整说明，写断言和提取器时对着看能少踩坑。

如果你压的是编码类或 Agent 类长链路接口，调用频次高、需要稳定配额，Coding Plan 更合适，入口在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。Key 管理统一在控制台，入口在 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，生成、轮换、查看用量都在这里。压测前把 Key 和 base_url 通过命令行属性注入，脚本里只留变量引用，这样同一份 JMX 能在测试、预发、生产多环境复用，也方便在面试时展示一套可复现的压测方案。