Тест отвечает на один вопрос: работает ли оно правильно. Про скорость не говорит ничего. Поэтому у нас в процессе не два шага, а три: тесты → бенчмарки → заказчику. Между вторым и третьим — самое скучное и самое важное. Бенчмарк, который «просто запустили», врёт: шлюзы в одном контейнере мешают друг другу, без прогрева первый запрос тянет вниз, без фиксированных ядер результат гуляет на десятки процентов. Поэтому стенд жёсткий: один шлюз на контейнер, два ядра и лимит памяти, бэкенд и нагрузчик на разных ядрах, логи выключены, прогрев пять секунд, лучший из пяти прогонов. И у каждого сценария свой baseline — сравниваем с собой «без функции», а не с общим знаменателем. После этого остаётся ±10% разброса. Это не баг, это реальность: 24 000 и 25 000 req/s — одно и то же. Сравнивать можно только относительные разрывы. Заказчику отдаём не «мы всё протестировали», а цифры и способ их воспроизвести: скрипты, конфиги, методику. А у вас «готово» — это зелёные тесты или замеры?