1. 课程导论与目标

1.1 信用评分特征服务的业务价值

在信贷风控体系中，信用评分特征服务是连接原始数据与决策模型的核心中间层。它负责将用户授权数据（身份信息、收入流水、消费行为、多头借贷等）实时加工为标准化特征向量，供评分模型推理使用。该服务的稳定性与准确性直接决定信贷审批的通过率、坏账率与用户体验。

1.2 多环境部署的核心挑战

信用评分特征服务通常需要跨越 开发(Dev)、测试(Test)、预发布(Staging)、生产(Prod) 四个环境。每个环境的数据隔离、资源配置、流量特征与治理要求截然不同，部署过程中面临以下系统性挑战：

• 特征口径不一致： 开发环境使用模拟数据，生产环境使用真实数据，同一特征在不同环境可能产生不同分布，导致模型效果回退。
• 配置漂移： 数据库连接串、缓存超时、特征计算阈值等配置在环境间手动复制时容易遗漏或写错。
• 依赖版本冲突： Python/R 包、底层 C++ 库、模型文件版本在环境间未严格锁定，引发运行时异常。
• 灰度与回滚困难： 生产环境缺乏金丝雀发布机制，新特征上线后若出现异常，无法快速隔离或回退。
• 监控割裂： 各环境监控指标不统一，预发布环境无法模拟生产流量，导致容量评估失真。

1.3 多环境部署架构概览

下图展示了信用评分特征服务在四个环境中的典型部署拓扑与数据流向。注意每个环境在数据源、特征存储、模型版本与监控策略上的差异。

1.4 本课程学习目标

完成本课程后，学员将能够独立设计并实施一套可复现、可审计、可灰度的信用评分特征服务多环境部署体系。具体目标如下：

1. 掌握环境隔离策略： 区分数据隔离、配置隔离与依赖隔离的实现方案，避免环境间相互污染。
2. 构建特征一致性流水线： 使用特征仓库与版本控制工具，确保离线训练与在线推理使用相同特征逻辑。
3. 实现自动化部署与回滚： 基于 CI/CD 工具链，设计支持金丝雀发布、蓝绿部署与自动回滚的部署流程。
4. 建立全链路监控体系： 覆盖特征延迟、缺失率、分布漂移与模型效果指标，实现异常自动告警与根因定位。
5. 通过实战案例验证： 基于开源特征服务平台（如 Feathr、Tecton）完成从开发到生产的完整部署演练。

1.5 课程知识体系结构

下表梳理了后续章节的核心模块与对应学习路径，帮助学员建立全局认知：