4. 工作流程：特征生产与消费全链路
一句话理解：一条特征从想法到稳定服务要走过定义 → 回填（backfill）→ 训练集构建 → 物化上线 → 在线服务 → 监控回流六个阶段，每个阶段都有明确的输入输出与失败模式；理解这条链路是排查一切特征事故的基本功。
4.1 全链路总览
4.2 阶段一：特征定义
新特征的起点是声明，而不是脚本。以 Feast 风格为例：
python
from feast import Entity, FeatureView, Field, FileSource
from feast.types import Float64, Int64
user = Entity(name="user", join_keys=["user_id"])
user_spend_src = FileSource(
path="s3://bucket/user_spend_events/",
timestamp_field="event_timestamp",
)
user_spend_fv = FeatureView(
name="user_spend_7d",
entities=[user],
schema=[
Field(name="spend_sum_7d", dtype=Float64),
Field(name="order_cnt_7d", dtype=Int64),
],
source=user_spend_src,
ttl=None,
)关键审查点：
- timestamp_field 必须指向业务时间（事件发生时刻），而不是 ETL 写入时刻。
- TTL / max_age 显式声明：这个特征过多久就不可信？（用户实时位置 5 分钟，画像年龄永久）。
- owner 与描述：写清楚口径，特别是窗口边界（含不含当天）、去重规则、空值语义。
4.3 阶段二：历史回填（Backfill）
新特征定义好之后，离线存储里是空的，必须回填历史才能训练。
- 批特征：Spark/dbt 作业按分区重算全部历史，写入离线表（幂等：按分区覆盖）。
- 流特征：要么从 Kafka replay 一段历史到流作业做回放计算，要么用批引擎按同一语义算一遍——两边语义必须一致，这是偏斜防控的第一道关口。
- 回填触发再训练：新特征上线通常意味着模型要重新训练并离线评估，A/B 通过后才切换服务。
4.4 阶段三：训练集构建（PIT Join）
训练集 = 标签表 ×（按标签时刻取值的）特征表：
验收清单：
- 抽样核对若干 entity 在若干 query_timestamp 的特征值与人工 SQL 计算一致。
- 确认无泄漏：特征 event_timestamp 全部 ≤ query_timestamp（Mini Demo 的
test_no_future_leakage就是这个检查）。 - 确认标签表的时间定义（下单时刻 vs 支付时刻）与业务口径一致。
4.5 阶段四：物化（Materialization）
把离线最新状态同步到在线存储，供服务读取。
- 调度：批特征通常每 5 分钟 ~ 数小时一次增量物化；
materialize(start, end)只搬运时间窗内的新记录（Feast 的物化原语）。 - 乱序保护：在线存储按 event_timestamp 做 last-write-wins 判断，迟到事件不覆盖更新值（Mini Demo 的
test_out_of_order_write_ignored）。 - 首启冷启动：新特征首次物化需要把全部实体当前值灌入在线存储（full materialize）。
4.6 阶段五：在线服务
推理服务的特征获取路径必须短：
python
features = fs.get_online_features(
features=["user_spend_7d:spend_sum_7d", "user_click:click_cnt_1h"],
entity_rows=[{"user_id": "u123"}],
).to_dict()工程约束：
- 延迟预算：特征获取 P99 通常 ≤ 10ms（批量多 key 一次 fetch，禁用 N+1 查询）。
- 降级策略：在线缺失/TTL 过期 → 返回默认值并打
STALE标记，推理侧决定放行或降级为兜底模型。 - 与推理框架集成：KServe/SageMaker 推理可将特征获取封装为 transformer 前置步骤（见本手册 KServe 主题的 Transformer 模式）。
4.7 阶段六：监控与回流
特征平台的生命周期以监控闭环收尾：
| 监控项 | 信号 | 典型阈值 | 处置 |
|---|---|---|---|
| 新鲜度 | event_timestamp 与 wall clock 的差 | 批特征超过调度周期 2 倍 | 告警、查调度 |
| 在线缺失率 | get_online_features 返回 null 比例 | 突增 > 5% | 查物化管道 |
| 训练/服务偏斜 | 同实体两路取值差异 | 逐样本比对 + PSI > 0.25 | 阻断上线/回滚 |
| 分布漂移 | 在线特征分布 vs 训练分布 PSI | PSI > 0.25 | 触发再训练评估 |
| 预测日志回流 | 线上预测输入输出落离线 | 常态进行 | 支撑偏斜与效果归因 |
4.8 一次完整迭代的时序示例
4.9 本章小结
- 六阶段链路：定义 → 回填 → PIT 训练集 → 物化 → 在线服务 → 监控回流，回流发现问题反向触发回填或再训练。
- 每个阶段的“验收点”：定义审口径与时间字段、回填验语义一致、训练集验无泄漏、物化验乱序保护、服务验延迟与降级、监控设新鲜度/偏斜/漂移阈值。
参考来源