9. 最佳实践：口径、时间、TTL 与治理

一句话理解：特征平台的最佳实践大多不性感——命名说清口径、时间字段只用 event_timestamp、TTL 表达业务时效、默认值显式化、上线前必做偏斜检查——但每一条都对应一类真实线上事故。

9.1 特征定义规范

1. 命名即文档：entity_agg[_window]，如 user_spend_sum_7d、item_click_cnt_1h；禁止 feat_v2_final 式命名。
2. 定义即代码：FeatureView 进 Git，走 code review + CI（feast plan 预览变更）。
3. 必填元数据：owner、口径描述（窗口含不含当天、去重规则、空值语义）、数据源、预期新鲜度。
4. 一个视图一个实体组合：跨实体拼接留给训练侧，特征视图保持内聚。

9.2 时间语义规范（最重要的一节）

规则	理由
只用 event_timestamp（业务时间）做 PIT 与 TTL	写入时间会随重跑变化，破坏可复现性
迟到数据按 event_timestamp 归位	保证任意历史时刻可复原
删除做成“删除事件”写入离线库	PIT join 能复原删除前的状态
entity_df 必须携带 query_timestamp	让“按标签时刻取值”成为默认而非选项
训练集生成冻结 registry 版本与数据快照 ID	可复现审计

反例集锦：用 NOW() 回填 event_timestamp（训练集变成“今天看过去”，泄漏）；同一实体不同表的 timestamp 时区不一致（PIT join 错位 8 小时）；批作业按调度日而非业务日分区（重跑产生双份）。

9.3 TTL 与默认值策略

TTL 回答“这个特征多旧就不可信”，必须由业务时效决定：

特征类型	建议 TTL	缺失/过期行为
实时行为（最近点击、位置）	分钟级	默认值 + STALE 标记
短期画像（7/30 天聚合）	1-2 倍计算周期	0 或全局均值
长期画像（性别、注册时长）	无限（无 TTL）	不可用 → 模型降级
embedding	与源数据更新频率一致	上一版本向量

默认值必须显式出现在 FeatureView 定义里，并在训练侧用同样的默认值填充——否则训练学的分布与服务不一致，是偏斜的隐蔽来源。

9.4 偏斜防控四道防线

• 首选“单管道”：能批产+物化就不用批流双实现；必须用流式时，用 Tecton RIFT / Databricks 托管管道这类“一份声明双执行”的引擎。
• 按需特征（on-demand）：简单变换（如 a / b）可在服务时计算，Databricks 支持 on-demand feature，从根上消除该类偏斜。
• 上线门禁：模型发布流水线里强制跑偏斜检测（同实体抽样 ≥ 1000 对，失配率 0，PSI < 0.25）。

9.5 训练集构建清单

1. entity_df 的 query_timestamp = 标签发生时刻（不是样本构建时刻）。
2. 训练/验证/测试按时间切分，且特征同样 PIT 取值（防止“验证集用了比训练更新的特征分布”这种隐性泄漏）。
3. 记录特征定义版本 + 快照 ID 到实验追踪（MLflow run 的 tag 里）。
4. 抽样 10 条人工 SQL 复核。

9.6 规模与性能实践

• 批量取特征：在线读取永远批量（多实体一次请求），单点查 N+1 是延迟杀手。
• 热点实体：超活跃实体的特征更新会打偏分区，在线库按 key 打散（一致性哈希）。
• 大特征分流：embedding/长序列走向量库或对象存储，KV 只放标量与指针。
• 物化错峰：多个特征的物化任务错峰调度，避免同时冲击离线库。

9.7 LLM/Agent 时代的补充实践

1. 把 Agent 上下文当特征管：用户最近行为、账户状态、会话摘要 → 复用在线特征服务的 TTL 与新鲜度机制，而不是在 Agent 框架里另起炉灶。
2. embedding 入平台：向量特征登记进 registry（类型标记为 embedding + 维度），在线侧接向量索引（Hopsworks/Tecton 均支持）。
3. 上下文版本化：Agent prompt 使用的上下文特征集要版本化，可回放（与 prompt 版本管理同理，见本手册 tool-use/mcp 主题）。

9.8 反模式速查表

反模式	后果	替代
手写 SQL join 特征当前值做训练	泄漏，指标虚高	PIT join
批流两套代码算同一特征	偏斜	单管道/托管管道
TTL 无限 + 无 STALE 标记	陈旧值静默污染决策	TTL + 显式降级
特征无 owner 无描述	没人敢用没人敢删	注册即评审
在线库手工修数据	离线/在线不一致	修正走离线与重放

9.9 本章小结

• 五个规范面：定义、时间、TTL/默认值、偏斜防线、训练集构建。
• 时间语义是灵魂：event_timestamp 贯穿一切；默认值一致性是偏斜的隐蔽来源。
• Agent 时代新实践：上下文特征化、embedding 入 registry、上下文版本化。

参考来源

• Feast 最佳实践与文档
• Databricks Feature Engineering：on-demand feature 与托管管道
• Tecton：为 LLM 应用供给实时上下文
• Databricks：什么是 Feature Store（含 PSI 实践口径）