1. Feature Store 概述：什么是 Feature Store、核心价值、在 MLOps 中的定位

1.1 什么是 Feature Store

Feature Store（特征存储）是一个专门用于管理机器学习特征数据的中央化平台。它解决了传统 ML 开发中特征重复计算、口径不一致、缺乏复用和难以线上/线下一致性保障等核心痛点。简单来说，Feature Store 是特征的“单一可信源”（Single Source of Truth）。

Feature Store 通常包含以下核心组件：

• 特征注册表（Feature Registry）：元数据管理，记录特征名称、类型、来源、统计信息、版本等。
• 离线存储（Offline Store）：用于批量计算和历史回溯，通常基于数据湖或数据仓库（如 S3 + Parquet、BigQuery）。
• 在线存储（Online Store）：用于低延迟实时特征读取，通常基于 KV 存储（如 Redis、DynamoDB、Cassandra）。
• 特征工程管道（Feature Pipeline）：自动化特征计算和写入的 ETL 流程。
• 特征 Serving API：统一接口，供训练和推理阶段获取特征。

1.2 Feature Store 的核心价值

Feature Store 为 MLOps 团队带来的价值可以归纳为以下五个关键维度：

1.3 Feature Store 在 MLOps 中的定位

在 MLOps 生命周期中，Feature Store 处于数据工程与模型工程之间的桥梁位置。它向上承接原始数据源，向下为模型训练和模型推理提供标准化的特征数据。

1.4 Feature Store 与 MLOps 核心流程的关系

Feature Store 深度嵌入 MLOps 的三大核心流程中，具体关系如下：

• 数据工程阶段：原始数据经过特征工程管道，生成标准化特征并写入 Feature Store 的离线存储和在线存储。
• 模型训练阶段：训练作业通过 Feature Store 的离线 API 获取历史特征，结合标签构建训练数据集，并利用 Point-in-Time Join 保证时间点正确性。
• 模型推理阶段：推理服务通过 Feature Store 的在线 API 获取实时特征，确保与训练时使用的特征口径完全一致，消除训练/推理偏差。

1.5 常见 Feature Store 产品对比

目前业界主流的 Feature Store 产品包括开源和商业两类，运维团队需要根据基础设施环境选择合适方案：