什么是特征商店？在 MLOps 中为何重要？

特征商店（Feature Store）：组织内特征的「单一数据源」——统一定义、版本化、供离线训练与在线推理复用；

解决的核心问题：

1. Training-Serving Skew：离线用 SQL 算特征，在线用 Java 重写，逻辑不一致导致线上性能暴跌
2. 特征重复建设：各团队重复写相同 user_7d_click 特征
3. 点-in-time 正确性：训练只能用「预测时刻之前」的特征，防标签泄漏

架构组件：

• 离线存储：Hive/S3，批量回溯历史特征
• 在线存储：Redis/DynamoDB 低延迟 lookup
• 特征定义层：Python/SQL 声明式 API，一处定义两处 materialize

工作流：

1. 定义特征 + 转换逻辑
2. 离线 backfill 生成训练集（point-in-time join）
3. 流/批更新在线 store
4. 推理时 low-latency 读取相同特征

代表：Feast（开源）、Tecton、Hopsworks

特征商店（Feature Store）：组织内特征的「单一数据源」——统一定义、版本化、供离线训练与在线推理复用。

解决的核心问题：

1. Training-Serving Skew：离线用 SQL 算特征，在线用 Java 重写，逻辑不一致导致线上性能暴跌
2. 特征重复建设：各团队重复写相同 user_7d_click 特征
3. 点-in-time 正确性：训练只能用「预测时刻之前」的特征，防标签泄漏

架构组件：

• 离线存储：Hive/S3，批量回溯历史特征
• 在线存储：Redis/DynamoDB 低延迟 lookup
• 特征定义层：Python/SQL 声明式 API，一处定义两处 materialize

工作流：

1. 定义特征 + 转换逻辑
2. 离线 backfill 生成训练集（point-in-time join）
3. 流/批更新在线 store
4. 推理时 low-latency 读取相同特征

代表：Feast（开源）、Tecton、Hopsworks。详见 MLOps 入门、特征工程。