2. 核心思想：一份逻辑，两条通路，一个时间轴
一句话理解：特征平台的所有设计可以归纳为三句话——特征是唯一资产（写一次）；训练与服务共用同一份定义（两条通路同源）；一切取值都以 event_timestamp 为准绳（一根时间轴）。
2.1 思想一：特征即资产（Feature as an Asset）
传统模式里，特征是“某个脚本里的中间变量”；平台模式里，特征是有名字、有 owner、有口径文档、有版本、可检索、可复用的数据资产。
| 维度 | 脚本模式 | 资产模式 |
|---|---|---|
| 定义位置 | 散落各项目 | 中央注册中心（Registry） |
| 复用 | 复制粘贴 | 按名字引用 |
| 口径文档 | 口头传承 | 定义即文档（代码即声明） |
| 血缘 | 无 | 从数据源到模型可追踪 |
| 生命周期 | 无人下线 | owner 负责下线与迁移 |
把特征资产化的直接收益是跨团队复用：风控团队的“用户近 7 天交易次数”可以直接被推荐团队引用，而不必重新抽数。Uber Michelangelo 论文里强调，特征平台让 Uber 的模型开发者从“找数据写 SQL”变成“浏览特征目录选特征”。
2.2 思想二：单逻辑双通路（One Definition, Two Paths）
同一份特征逻辑，在训练时和在线服务时走不同的物理通路，但必须语义等价：
三条硬性约束：
- 定义唯一：窗口、过滤、空值处理只有一份代码（或一份声明式配置）。
- 数据同源：离线/在线数据来自同一个特征管道（批产出或流产出 + 物化），而非两套独立管道。
- 可验证：平台提供偏斜检测能力，周期性对比两条通路在同一实体上的取值（见 Mini Demo 的 skew 模块与第 8 章监控）。
训练/服务偏斜（training-serving skew）正是“三约束”被破坏后的症状。Google 的 ML 测试规则（Breck et al., 2017）把它列为上线前必须检查的第一类问题。
2.3 思想三：Point-in-Time Correctness（时间轴准绳）
这是特征平台区别于普通数据平台的核心能力。
问题：训练集由“实体 + 标签时刻 + 特征值”构成。特征值必须回答的问题是——“在标签发生的那一时刻，这个特征看上去是什么样？”而不是“这个特征现在是什么样”。
解法：as-of join（又称 point-in-time join）。对每条训练样本，取特征表中满足 event_timestamp <= 标签时刻 的最新一条记录：
工程细节：
- event_timestamp 是业务时间，不等于写入时间（ingestion time）。迟到数据以 event_timestamp 归位。
- max_age / TTL：太老的特征宁可置空（模型用默认值兜底）也不服务陈旧值。
- 删除也是事件：SageMaker Feature Store 的
DeleteRecord会把删除作为一条记录写入离线库，保证 PIT join 能复原任意历史时刻的状态。
2.4 批流架构：Lambda vs Kappa 在特征上的映射
特征生产有两种主流架构，对应大数据领域的 Lambda 与 Kappa：
Lambda 架构（离线批 + 在线流双轨）
- 优点：离线管道简单可靠、可重算、易回填。
- 缺点：批流两套代码，是偏斜的头号来源；在线状态与离线历史的一致性需要额外校验。
Kappa 架构（流式单轨）
只有流式一条管道：Kafka + Flink 持续计算特征，全量历史从流的 replay/物化中重建，在线最新值是流状态的投影。
- 优点：一套语义，天然避免双实现偏斜。
- 缺点：流作业运维复杂、重放成本高、长时间窗口聚合的状态管理困难。
演进方向：批流一体引擎
商业系统普遍走向“一份声明式定义 + 引擎自动选择批/流执行”：Tecton 的 RIFT 引擎用 Rust 实现内存流式计算，声明同一个 time-windowed aggregation，引擎同时产出历史回填与在线增量；Databricks Feature View（Unity Catalog 模式）由平台托管特征管道，流式特征可直接写在线存储实现亚秒新鲜度；以 RisingWave 为代表的流式 SQL 引擎则主张用物化视图替代专用特征平台。Feast 以 push source 支持流式写入，但更纯粹的流式计算仍需外部 Flink/Kafka Streams。
2.5 2025-2026：从 Feature Store 到 Context Engine
LLM/Agent 时代给特征平台注入了新内涵，Tecton 1.0（2024-09）与 Databricks 收购 Tecton（2025-08）是两大节点：
- embedding 成为一等特征：特征的 value 可以是向量，在线存储支持 ANN 检索（Hopsworks 内置向量索引；Tecton 支持向量特征并对接 Pinecone/Weaviate）。
- 实时上下文工程（real-time context engineering）：Agent/LLM 应用需要在毫秒级延迟预算内把“用户刚做了什么、账户状态、最近对话”注入 prompt。特征平台的在线服务 + 新鲜度保障恰好是这个问题的成熟答案。
- Lakehouse 化离线底座：离线特征默认落在 Delta/Iceberg/BigQuery 上，与数仓共用存储与治理（Databricks Unity Catalog、Vertex AI Feature Store 与 BigQuery 打通）。
- 平台整合：Databricks 收购 Tecton 后，未被云厂商绑定的团队更多转向 Feast 等开源方案或流式 SQL 自建路线。
2.6 本章小结
- 三大核心思想：特征即资产、单逻辑双通路、一根 event_timestamp 时间轴。
- 偏斜的本质是“双实现”，泄漏的本质是“无视时间轴”；平台用定义中心化与 PIT join 分别从根上解决。
- Lambda/Kappa 是特征生产的两条路线，产业正在收敛到“一份定义、批流一体执行”。
- LLM/Agent 时代，特征平台演进的下一站是实时上下文引擎。
参考来源