那个"不可能"的Bug

2026年3月，我们的推荐模型上线后，AUC从0.91掉到了0.68。排查了整整两天，最终发现：训练时对"用户过去30天购买次数"这个特征，做了log(1+x)转换。但推理时，这个转换被遗漏了。

一个简单的log函数，导致整个模型失效。这不是程序员的错——这是"特征工程逻辑分散在多个代码库"的系统性缺陷。

金句：如果你在训练和推理时分别写特征工程代码，你就是在为Bug写邀请函。Feature Store就是你的"单一真相来源"。

什么是Feature Store？

Feature Store统一管理特征的定义、存储和服务，确保训练和推理使用完全相同的特征。三个核心组件：特征注册表（Feature Registry）——特征的目录，定义每个特征的名称、类型、数据来源、转换逻辑。离线存储（Offline Store）——存储历史特征数据，用于模型训练。在线存储（Online Store）——存储最新的特征值，用于低延迟推理。

Feast实战

Feast（Feature Store）是2026年最流行的开源Feature Store。安装：pip install feast。定义实体和特征视图：Entity(name="user")、FeatureView(name="user_stats", entities=[user], schema=[...])。训练时从离线存储获取历史特征：store.get_historical_features()。推理时从在线存储获取最新特征：store.get_online_features()。关键：训练和推理使用完全相同的特征定义，消除了"训练-推理不一致"。

Feature Store的三大价值

价值一：消除训练-推理不一致。 特征定义一次，训练和推理都用同一个定义。价值二：特征复用。 不同模型共享相同的特征，减少重复的特征工程工作。价值三：特征回溯（Point-in-Time Correct）。 获取某个历史时间点的特征值，杜绝"数据泄露"。

结论：Feature Store不是"银弹"，但它是解决"训练-推理不一致"问题的最佳方案。 当你的模型数量超过5个，或者你经历了一次"训练-推理不一致"事故，你就会理解Feature Store的价值。