CoreDash API: Forespørg på Core Web Vitals-data fra rigtige brugere

Dine performancedata, lige hvor du har brug for dem

CoreDash indsamler Core Web Vitals fra rigtige brugere, der besøger din side. API'et giver dig adgang til de samme data fra ethvert værktøj, script eller AI-agent. Tre værktøjer, JSON ind, JSON ud.

Det mest interessante brugsscenarie: Forbind din AI. CoreDash API'et bruger samme protokol som Model Context Protocol (MCP), hvilket betyder, at AI-værktøjer som Claude, Cursor og Windsurf kan hente dine data fra rigtige brugere direkte. Spørg din AI "hvorfor er min LCP langsom på mobil?", og den henter de faktiske field data for at svare.

Vi har bygget CWV Superpowers oven på dette. Det er en AI-agent, der kombinerer dine CoreDash field data med Chrome DevTools for at diagnosticere og løse Core Web Vitals-problemer. API'et er det, der gør det muligt.

Men du har ikke brug for en AI-agent. En curl-kommando fungerer lige så godt.

Driver du et bureau, eller administrerer du many projekter fra én konto? Der findes et separat Agency API, som bruger en masternøgle til at oprette, opdatere og slette projekter samt hente data på tværs af dem alle med en enkelt nøgle. Resten af denne side dækker data-API'et per projekt.

Autentificering

Hver anmodning kræver en API-nøgle i Authorization-headeren:

Authorization: Bearer cdk_YOUR_API_KEY

Sådan får du en nøgle:

1. Log ind på app.coredash.app
2. Gå til dit projekt, derefter AI Insights, og så Connect Your AI
3. Klik på Create API Key og kopier den. Den vises kun én gang.

Nøgler starter med cdk_ og er afgrænset til et enkelt projekt. Du kan oprette flere nøgler og tilbagekalde dem fra samme side.

Anmodningsformat

API'et bruger JSON-RPC 2.0. Hver anmodning er en POST til:

https://app.coredash.app/api/mcp

Anmodningens body ser sådan ud:

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "get_metrics",
    "arguments": { }
  }
}

Feltet id kan være et hvilket som helst tal eller en streng. Det sendes tilbage i svaret. Der er tre værktøjer: get_metrics, get_timeseries og get_histogram.

get_metrics: aktuel performance

Returnerer de aktuelle Core Web Vitals-værdier med vurderingerne good/improve/poor. Dette er det værktøj, du bruger til spørgsmål af typen "hvad er min LCP lige nu?".

Parametre

Eksempel: Hent alle metrics

curl -X POST https://app.coredash.app/api/mcp \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer cdk_YOUR_API_KEY" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "get_metrics",
      "arguments": {}
    }
  }'

Det rå svar er en JSON-RPC-wrapper:

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [{
      "type": "text",
      "text": "{ ... JSON string ... }"
    }]
  }
}

De faktiske data er en JSON-streng inde i text-feltet. Når de er parset, ser de sådan ud:

{
  "period": "last 31 days",
  "percentile": "p75",
  "metrics": {
    "LCP": {
      "value": 2450,
      "unit": "ms",
      "rating": "improve",
      "distribution": { "good": 61.2, "improve": 22.4, "poor": 16.4 }
    },
    "INP": {
      "value": 180,
      "unit": "ms",
      "rating": "good",
      "distribution": { "good": 82.1, "improve": 12.3, "poor": 5.6 }
    },
    "CLS": {
      "value": 0.08,
      "unit": "",
      "rating": "good",
      "distribution": { "good": 74.5, "improve": 18.2, "poor": 7.3 }
    }
  }
}

Objektet distribution fortæller dig, hvor stor en procentdel af de rigtige sideindlæsninger, der falder inden for hver vurdering. Dette er ofte mere nyttigt end p75-værdien alene. En LCP på 2.450 ms med 61 % good betyder, at de fleste brugere har en fin oplevelse, men halen trækker p75-værdien ned.

Eksempel: Sammenlign LCP på mobil og desktop

Brug parameteren group til at opdele resultaterne efter en vilkårlig dimension. Det er sådan, du finder ud af, om dit LCP-problem er et mobilproblem:

curl -X POST https://app.coredash.app/api/mcp \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer cdk_YOUR_API_KEY" \
  -d '{
    "jsonrpc": "2.0",
    "id": 2,
    "method": "tools/call",
    "params": {
      "name": "get_metrics",
      "arguments": {
        "metrics": "LCP",
        "group": "d",
        "date": "-7d"
      }
    }
  }'

Parset svar:

{
  "period": "last 7 days",
  "percentile": "p75",
  "groupedBy": "d",
  "groupName": "Device Type",
  "segments": [
    {
      "segment": "mobile",
      "value": "mobile",
      "metrics": {
        "LCP": {
          "value": 3200, "unit": "ms", "rating": "improve",
          "distribution": { "good": 52.3, "improve": 28.1, "poor": 19.6 }
        }
      }
    },
    {
      "segment": "desktop",
      "value": "desktop",
      "metrics": {
        "LCP": {
          "value": 1800, "unit": "ms", "rating": "good",
          "distribution": { "good": 78.5, "improve": 15.2, "poor": 6.3 }
        }
      }
    }
  ]
}

Mobil på 3.200 ms, desktop på 1.800 ms. Det samlede resultat ville vise 2.500 ms, og du ville tænke "ikke fantastisk, men ikke forfærdeligt". Den grupperede visning viser den virkelige historie: desktop er fin, mobil kræver arbejde.

Eksempel: Filtrer til en specifik side på mobil

Kombiner filters for at indsnævre til præcis den trafik, du fokuserer på:

curl -X POST https://app.coredash.app/api/mcp \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer cdk_YOUR_API_KEY" \
  -d '{
    "jsonrpc": "2.0",
    "id": 3,
    "method": "tools/call",
    "params": {
      "name": "get_metrics",
      "arguments": {
        "metrics": "LCP,CLS",
        "filters": { "ff": "/checkout", "d": "mobile" },
        "date": "-7d"
      }
    }
  }'

get_timeseries: performance over tid

Returnerer metric-værdier opdelt over tid med automatisk trenddetektering. Dette er det værktøj, du bruger til spørgsmål som "er min LCP blevet værre?" og "løste det deploy regressionen?".

Parametre

Eksempel: LCP-trend over de seneste 7 dage

curl -X POST https://app.coredash.app/api/mcp \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer cdk_YOUR_API_KEY" \
  -d '{
    "jsonrpc": "2.0",
    "id": 4,
    "method": "tools/call",
    "params": {
      "name": "get_timeseries",
      "arguments": {
        "metrics": "LCP",
        "date": "-7d",
        "granularity": "day"
      }
    }
  }'

Parset svar:

{
  "period": "last 7 days",
  "percentile": "p75",
  "granularity": "day",
  "dataPoints": 7,
  "timeseries": [
    { "date": "2026-03-10T00:00:00.000Z", "LCP": { "value": 2600, "unit": "ms", "rating": "improve" } },
    { "date": "2026-03-11T00:00:00.000Z", "LCP": { "value": 2450, "unit": "ms", "rating": "improve" } },
    { "date": "2026-03-12T00:00:00.000Z", "LCP": { "value": 2300, "unit": "ms", "rating": "good" } }
  ],
  "summary": {
    "LCP": {
      "recent": 2350,
      "previous": 2680,
      "change": -12.3,
      "trend": "improving",
      "unit": "ms"
    }
  }
}

summary-objektet sammenligner den anden halvdel af perioden med den første halvdel. Trend-værdierne er improving (mere end 5 % bedre), stable (inden for 5 %) eller regressing (mere end 5 % værre). Dette er grunden til, at timeseries-endpointet er nyttigt til automatiseret overvågning: Du behøver ikke selv at parse datapunkterne for at vide, om tingene bliver værre.

get_histogram: fordelingens form

Returnerer fordelingen for en enkelt metric som ~40 buckets med antal per interval. Dette er værktøjet, du skal bruge, hvis p75 ser fin ud, men du mistænker en lang hale, eller hvis du vil se den fulde form af dine performancedata.

Parametre

Bemærk: I modsætning til get_metrics tager denne en enkelt metric (ikke metrics). Én metric per anmodning.

Eksempel: LCP-fordeling på mobil

curl -X POST https://app.coredash.app/api/mcp \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer cdk_YOUR_API_KEY" \
  -d '{
    "jsonrpc": "2.0",
    "id": 5,
    "method": "tools/call",
    "params": {
      "name": "get_histogram",
      "arguments": {
        "metric": "LCP",
        "filters": { "d": "mobile" },
        "date": "-7d"
      }
    }
  }'

Parset svar:

{
  "period": "last 7 days",
  "metric": "LCP",
  "unit": "ms",
  "filters": { "d": "mobile" },
  "buckets": [
    { "from": 0, "to": 250, "count": 1250, "rating": "good" },
    { "from": 250, "to": 500, "count": 3400, "rating": "good" },
    { "from": 500, "to": 750, "count": 2800, "rating": "good" },
    { "from": 2500, "to": 2750, "count": 890, "rating": "improve" },
    { "from": 4000, "to": 4250, "count": 120, "rating": "poor" },
    { "from": 9750, "to": null, "count": 15, "rating": "poor" }
  ],
  "total": 45000
}

Hver bucket har from/to-grænser, et count af estimerede sideindlæsninger i det pågældende interval samt en rating baseret på, hvor den pågældende bucket ligger i forhold til tærskelværdierne for Core Web Vitals. Den sidste bucket har to: null, fordi det er den åbne ende af halen.

Bredden på hver bucket er fastlagt per metric: LCP bruger 250 ms, INP bruger 25 ms, CLS bruger 0,025, FCP bruger 200 ms, TTFB bruger 125 ms.

Dette er nyttigt til at forstå formen på dine data. En p75 på 2.400 ms kan betyde, at de fleste brugere ligger omkring 2.400 ms, eller det kan betyde, at 60 % er under 1.000 ms, og at en del langsom mobiltrafik trækker halen ud. Histogrammet fortæller dig, hvad der er tilfældet.

Dimensioner

Brug disse nøgler i filters eller som værdien for group. Filtrering indsnævrer data til et specifikt segment. Gruppering opdeler resultaterne, så du kan sammenligne segmenter side om side.

Generelt

Enhed og netværk

Metric-attribuering

Disse dimensioner fortæller dig, hvad der forårsagede en metric-værdi. Grupper efter lcpel for at se, hvilke elementer der udgør LCP på dine sider. Grupper efter inpel for at finde de interaktioner, der resulterer i den værste INP.

Filtereksempler

{ "d": "mobile" }
{ "ff": "/checkout", "d": "desktop" }
{ "cc": "US", "browser": "Chrome" }
{ "u": "[neq]*/admin/*" }

Metrics-reference

Standardpercentilen er p75. Det er den, Google bruger til rangering af Core Web Vitals. Hvis 75 % af dine sideindlæsninger er under tærskelværdien, består du.

Brug af API'et som en MCP-server

API-endpointet er en fuldt kompatibel MCP-server. Hvis dit AI-værktøj understøtter MCP (Claude Code, Cursor, Windsurf og andre), kan du forbinde det direkte. Din AI får derefter adgang til get_metrics, get_timeseries og get_histogram som værktøjer og kan hente dine field data som en del af enhver samtale.

Det er sådan, CWV Superpowers fungerer: Det forbinder til CoreDash via MCP, henter dine data fra rigtige brugere, åbner din side i Chrome og sporer den præcise årsag til en langsom metric. API'et leverer delen med "hvad der sker i produktion", mens Chrome leverer delen med "hvorfor det sker".

Du kan også forbinde MCP-serveren til dit eget AI-setup. Peg din MCP-klient mod https://app.coredash.app/api/mcp med din API-nøgle, og din AI kan svare på spørgsmål som "hvilke sider har den værste INP på mobil?" ved hjælp af faktiske field data i stedet for at gætte.

Rate limits

Grænserne gælder per projekt per dag og nulstilles ved midnat UTC.

150 anmodninger på Trial-planen er rigeligt til manuel udforskning og AI-assisteret fejlfinding. Hvis du kører automatiseret overvågning i CI, giver de betalte planer dig 500 per dag.

Fejlhåndtering

Fejl returneres som JSON-RPC-fejlobjekter:

{
  "jsonrpc": "2.0",
  "id": 1,
  "error": { "code": -32001, "message": "Invalid or revoked API key." }
}

Hvis du får -32001, skal du kontrollere, at din nøgle starter med cdk_, og at du ikke har tilbagekaldt den. Hvis du får -32002, har du nået den daglige grænse. Vent på nulstillingen ved midnat UTC, eller opgrader dit abonnement.