AI 术语表 · 进阶 · MLOps 与 LLMOps · 数据工程
特征存储
特征存储是集中生成并保存机器学习模型所用输入值（特征）的存储库。它让训练时和实际服务中预测时都能以完全相同的方式取用相同的值。
关于这个术语
- 难度
- 进阶 · 需要了解内部原理的专业术语
- 分类
- 数据、运维与平台
- 加入时间
- 2026-10-08
通俗解释 它类似于餐厅的公共备料仓库。厨师们不必各自切洋葱，而是共同取用按统一方式预先处理好的食材。不过，特征存储不只是保管食材，还会记录这些食材属于哪个时间点，这一点有所不同。
工作原理
首先定义一条管道，把原始数据（购买记录、点击日志等）加工成“最近 7 天购买次数”之类的特征。生成的特征会存到两个地方。一个是长期积累历史记录的离线存储，用于构建模型训练数据。另一个是只保存最新值、可快速读取的在线存储，用于服务运行中的实时预测。特征的名称、定义、创建者等信息也会一并登记，方便其他团队查找使用。
为什么重要
最常见的问题是训练时的计算方式和服务时的计算方式逐渐出现细微差异，导致模型性能在不知不觉中下降。特征存储只需写一次定义、两边共用，从而减少这种差异。它还能减少多个团队各自重复构造同一特征的情况。它还提供只选取过去某一时间点可获知的值来构建训练数据的功能，防止混入未来信息的失误。
注意事项
特征存储主要用于推荐、异常检测、需求预测等处理表格数据的传统机器学习。在 LLM 服务中，用于文档检索的向量数据库有时也承担部分类似作用，但两者目的不同。在模型数量不多的小型组织中，引入和运维的负担可能大于收益。它通常作为 MLOps 工具集的一部分一起引入。
示例
以购物 App 的推荐系统为例，可以把“该用户最近浏览的商品类别”“上周购买金额”等特征登记到特征存储中。数据科学家用离线存储中的历史值训练推荐模型；用户在 App 中打开页面时，服务器立即从在线存储取出同一特征的最新值输入模型，生成推荐列表。欺诈交易检测模型也可以取用同样的特征。