评估 LLM 用于自动化 DOM 级网页性能问题解决的可行性
软件工程
2026-01-12 v1 人工智能
摘要
用户对快速流畅的网页体验有着强烈需求，但开发者往往在资源受限的情况下难以满足这些期望。性能优化虽然至关重要，但却是耗时且往往是手动进行的过程。其中最复杂的任务之一是修改文档对象模型（DOM），因此本研究聚焦于此。最近在大型语言模型（LLM）领域的进展为自动化这一复杂任务提供了可行的途径，或许能改变开发者如何解决网页性能问题的方式。本研究评估了九种最先进 LLM 用于自动网页性能问题解决的效果。为此，我们首先提取了 15 个流行网页（如 Facebook）的 DOM 树，然后使用 Lighthouse 检索其性能审计报告。随后将提取的 DOM 树及相应的审计报告传递给每个模型进行处理。本研究考虑 7 个独特的审计类别，结果显示 LLM 在 SEO 与可访问性问题方面普遍表现出色。然而，在性能关键的 DOM 操作方面的效果则参差不齐。虽然像 GPT-4.1 这样的高性能模型交付了显著的减少，如初始加载、交互性和网络优化（例如将审计发生率降低 46.52% 至 48.68%），但像 GPT-4o-mini 这样的模型则表现不佳，始终如一地落后。对这些修改进一步的分析显示，主要采用增益策略，常常进行位置变更，同时在视觉稳定性方面出现回归。
引用
@article{arxiv.2601.05502,
title = {Evaluating the Use of LLMs for Automated DOM-Level Resolution of Web Performance Issues},
author = {Gideon Peters and SayedHassan Khatoonabadi and Emad Shihab},
journal= {arXiv preprint arXiv:2601.05502},
year = {2026}
}
备注
Accepted to the The ACM International Conference on Mining Software Repositories (MSR) (MSR 2026)