2015年，谷歌内部有个团队每天花70%的时间在干同一件事：找数据。不是训练模型，不是调参数，就是找半年前写好的特征工程代码，然后发现同事早就改过三版了。
这个场景后来被写成一篇论文，标题很学术：《TFX: A TensorFlow-Based Production-Scale Machine Learning Platform》。但论文里藏了个脚注——他们建了个叫"特征存储"（Feature Store）的东西，专门解决"特征重复造轮子"的问题。
8年后，这套系统成了机器学习基础设施里最沉默的组件。沉默到大多数从业者甚至不知道它该存在。
01 | 特征工程：机器学习最昂贵的"手工活"
先解释一个反直觉的事实。业界有个估算：数据科学家80%的时间花在数据准备上，其中大部分又是特征工程。特征是什么？简单说，就是把原始数据（用户点击、交易记录、传感器读数）转换成模型能吃的数字。
举个例子。预测用户会不会买某款耳机，原始数据是"用户A在页面停留了47秒"。特征工程要把它变成："过去7天浏览同类商品的次数""当前页面与购物车的距离""该用户历史转化率分位数"——三列数字，三个不同的SQL查询，三个不同的时序窗口。
这套活儿有两个致命痛点。
第一，线上和线下要一致。训练模型用历史数据（批处理），预测时用实时数据（流处理）。同一个"过去7天点击次数"，批处理算一遍，流处理再算一遍，代码路径不同，结果小数点后第三位对不上，模型直接崩。
第二，团队之间重复造轮子。支付团队的"用户活跃度"和推荐团队的"用户活跃度"，名字一样，定义差了一个"是否排除退款订单"。两个团队各自维护，各自踩坑，各自在凌晨三点被告警叫醒。
2017年，Uber的机器学习平台团队统计过：全公司有超过10000个特征在跑，其中30%是重复或近似的定义。他们花了18个月清理，清理完发现又长了8000个新的。
02 | 特征存储：不是数据库，是"特征版本的Git"
特征存储（Feature Store）的解法，是把特征当成代码来管。
核心能力就三条。第一，统一计算层。同一个特征定义，自动翻译成批处理（Spark/Flink）和实时服务（Redis/Cassandra）两套实现，保证线上线下的数值一致。第二，版本和血缘。谁改了定义、什么时候改的、影响了哪些模型，全链路可追溯。第三，跨团队共享。特征注册成服务，其他团队直接调用，不用知道底层是Hive表还是Kafka流。
这听起来像数据仓库？区别很微妙。数据仓库存的是原始数据，特征存储存的是"业务语义化的计算结果"。数据仓库的表结构变一次，下游全崩；特征存储的接口保持稳定，底层实现可以换。
2019年，Netflix开源了他们的特征存储工具Feast。文档第一页写了句话：「我们的推荐模型有数千个特征，其中40%是跨团队复用的。」这句话背后是个组织变革——特征从"个人资产"变成"公共基础设施"。
国内跟进的速度更快。2020年，字节跳动的火山引擎、蚂蚁的KubeWharf、美团的MLX，几乎同时上线特征存储模块。不是跟风，是规模逼的。字节内部一个推荐场景，特征更新频率从小时级压到分钟级，没有统一存储层，工程师得住在机房。
03 | 沉默的真相：为什么从业者"感觉不到"它存在
特征存储的尴尬在于，它解决的是"没有它会很痛"的问题，而不是"有了它会很爽"的问题。
对比就很明显。模型训练框架（PyTorch、JAX）天天发论文，因为"快了多少倍"容易量化。MLOps工具链（Weights & Biases、MLflow）融资故事好讲，因为"实验管理"看得见摸得着。特征存储呢？它的价值是"减少了多少线上事故""节省了多少重复开发"，这两个指标很难写进PPT。
更深层的原因是组织惯性。很多公司的机器学习团队，数据工程和算法工程是分开的。数据工程管ETL，算法工程管模型，中间的特征层没人认领。特征存储要落地，得先打破这个分工，让"特征即服务"成为共识。
2022年，Gartner把特征存储列入"数据管理技术成熟度曲线"的"萌芽期"。同期，数据编织（Data Fabric）、数据网格（Data Mesh）这些概念炒得火热。特征存储的供应商（Tecton、Feast、Hopsworks）集体选择了低调——他们的大客户名单里，金融和零售占了一大半，这些行业不爱声张自己的基础设施。
一个细节：Tecton的官网案例页，客户logo打了码，描述写成"某全球前十零售商"。不是不想炫耀，是合同里签了保密条款。特征存储太靠近业务核心，知道"某电商的实时特征延迟压到50毫秒"，约等于知道它的推荐系统架构。
04 | 2024年的拐点：实时化和大模型带来的新压力
两件事正在改变特征存储的处境。
第一是实时推荐的普及。抖音、淘宝首页的"猜你喜欢"，特征延迟从小时级→分钟级→秒级→毫秒级，每压一个数量级，架构复杂度翻倍。没有特征存储的统一调度，流处理和批处理的代码会分裂成两个完全不同的系统，维护成本指数级上升。
第二是大模型的"特征回潮"。GPT-4这类模型似乎减少了对人工特征的依赖，但落地到推荐、广告、风控这些场景，企业发现还是要喂结构化特征。大模型负责理解语义，传统模型负责记忆用户行为，两者的特征存储需求反而叠加了。
Feast的GitHub仓库有个有趣的数据：2023年贡献者数量翻倍，但issue里最高频的关键词是"文档不足"。这说明什么？用的人多了，但上手门槛还在。特征存储的抽象层设计，需要同时理解数据工程、流计算和机器学习，这种复合人才本身就很稀缺。
国内厂商的路径更务实。火山引擎把特征存储和推荐系统打包成"增长套件"，客户不用理解概念，直接买效果。蚂蚁的KubeWharf开源了特征存储的存储引擎，但计算层绑定内部的Ray集群——开放一部分，锁定一部分，典型的云厂商策略。
一个产品经理的观察：特征存储的采购决策，往往不是技术负责人拍板，是风控负责人或增长负责人。他们算的是账——线上事故一次损失多少，重复开发一个特征人力成本多少。这个账算清楚，技术选型反而简单了。
2024年初，Tecton完成了C轮融资，估值未披露。同期，Feast的母公司Tecton和Hopsworks开始争夺"实时特征存储"的定义权。这个细分领域的战争，比特征存储本身热闹得多。
特征存储会不会成为像数据库一样的基础设施？取决于机器学习工程化的深度。如果模型上线还是"手工作坊"模式，特征存储就是可选组件；如果模型成为像软件一样持续交付的产品，特征存储就是必选项。
你现在用的推荐系统，背后有多少特征在实时计算？这个数，连很多从业者都答不上来。
热门跟贴