FunctionGraph冷启动优化：依赖瘦身、预留实例与连接复用实战

冷启动是无服务器函数最容易被用户感知到的延迟来源。当请求到达而平台手头没有可复用的 warm 实例时，平台需要分配运行环境、下载代码包、启动语言运行时、执行模块顶层初始化代码，然后才真正进入业务处理函数。这一段额外时间在低频接口、定时任务和突发流量场景里尤其明显，有时甚至会超过业务本身的执行时间。因此，优化冷启动不能只盯着某一个参数，而要从代码包、初始化、实例供给和外部连接四个环节一起治理。

第一，冷启动的成因要先分清楚。第一类是环境准备，包括沙箱创建和运行时启动，这部分主要由平台决定，开发者能做的是选择更轻的运行时和更小的内存规格组合，避免不必要的语言版本升级带来的启动开销。第二类是代码加载，包越大、文件越多、依赖越重，解压和导入时间就越长。第三类是初始化逻辑，例如在模块顶层连接数据库、加载大模型、读取远程配置，这些操作如果每次冷启动都重复执行，就会把一次性的成本摊到首个请求上。第四类是下游建连，数据库、缓存和对象存储的首次握手、鉴权和连接池建立，往往比本地计算慢一个数量级。把这四类成本拆开测量，才能知道优化的优先级。

第二，减少依赖体积是最直接的收益。很多函数的 requirements 里会长期积累用不到的包，或者引入了一个重量级框架只用其中一两个工具函数。建议先用依赖分析工具列出真实导入关系，删除未使用的包，把仅在个别分支使用的重依赖改为函数内延迟导入。对于数据处理、图片处理这类大依赖，可以考虑用更轻的替代库，或者把大模型、大词典等静态资源放到对象存储中按需加载，而不是打进部署包。部署包越小，下载和解压越快，冷启动的下限就越低。

第三，初始化优化的关键是区分一次性和每次请求的工作。数据库客户端、HTTP 会话、对象存储客户端、配置对象都应该放在模块顶层创建并复用，而不是在每次 handler 调用时重新创建。同时要避免在顶层做网络请求和重型计算，例如不要在导入阶段就拉取远程配置或加载完整模型权重，可以先用轻量默认值启动，在首次真正需要时再懒加载。对于必须预热的资源，可以利用平台的初始化钩子或在函数入口做一次性的轻量探测，让后续请求直接走 warm 路径。

第四，预留实例适合对延迟敏感的接口。预留实例的本质是用一定的成本换取确定性：平台提前保持若干实例处于 warm 状态，请求到来时不需要重新冷启动。但预留数量要根据真实流量曲线来定，峰值定得过高会浪费成本，定得过低则在突发时仍会冷启动。建议先看过去一周的并发曲线，取 P95 附近的并发数作为起点，再结合业务的容忍延迟做上下调整。非核心、低频的接口不一定需要预留，改用更轻的代码和更快的初始化往往性价比更高。

第五，连接复用是容易被忽视的环节。每次请求都新建数据库连接会带来握手、鉴权和连接池扩张的开销，尤其是在冷启动实例上会叠加。正确的做法是在模块级别维护一个全局客户端，配合连接池和合理的超时、重试策略。下面是一个可运行的 Python 示例，演示了全局复用 HTTP 会话、懒加载重资源、以及把初始化成本从每次请求中剥离出来的写法。

import time
import requests

_session = None
_heavy_resource = None


def get_session():
    global _session
    if _session is None:
        _session = requests.Session()
        _session.headers.update({"User-Agent": "functiongraph-demo/1.0"})
    return _session


def load_heavy_resource():
    global _heavy_resource
    if _heavy_resource is None:
        time.sleep(0.01)
        _heavy_resource = {"model": "tiny-demo", "loaded": True}
    return _heavy_resource


def handler(event, context):
    start = time.time()
    session = get_session()
    resource = load_heavy_resource()
    try:
        resp = session.get("https://example.com", timeout=3)
        status = resp.status_code
    except Exception as exc:
        status = f"request failed: {exc}"
    cost = round((time.time() - start) * 1000, 2)
    return {
        "status": status,
        "resource": resource["model"],
        "cost_ms": cost,
    }

最后，给出一份落地的检查清单。第一，定期清理依赖并测量部署包大小；第二，把客户端创建移到模块顶层并复用；第三，对重资源使用懒加载；第四，对核心接口按流量曲线配置预留实例并定期复核；第五，为函数加上冷启动和首请求耗时的观测指标，区分冷启动和热请求，优化前后用同一组压测脚本对比。冷启动优化不是一次性的调参，而是一个持续的工程习惯：包越轻、初始化越少、连接越能复用，函数的首请求体验就越稳定。