返回 AI 工具目录
Feast
开发框架人工精选最近核验 2026年7月23日
Feast 是一个开源的机器学习特征存储(feature store),统一管理离线训练与在线推理所需的特征数据基础设施。它采用离线存储(历史数据)加在线存储(低延迟服务)的双层架构,支持时间点正确的特征取数以避免训练数据泄漏,并提供特征服务器供在线推理低延迟取特征、Web UI 探索数据,以及数据质量与漂移监控。数据源覆盖 BigQuery、Snowflake、Redshift、Postgres、Parquet、Spark、Kafka/Kinesis 等;在线存储支持 Redis、DynamoDB、SQLite、Postgres、Cassandra 等多种后端。可本地、Kubernetes 或结合云厂商部署。它把 ML 系统与底层数据平台解耦;其中向量检索、流式转换等能力仍处于 alpha/beta 阶段。
定价开源部署自托管、本地运行国内可达国内可达许可Apache-2.0
解决什么问题
- 统一管理训练与推理的特征数据
- 时间点正确取数,避免数据泄漏
- 在线存储支撑低延迟特征服务
- 解耦 ML 系统与底层数据平台
- 保证离线与在线特征口径一致
适合
- 需要在线推理低延迟取特征的系统
- 训练与线上特征需保持一致的团队
- 已有 BigQuery、Snowflake 等数据栈
- 希望规范化管理特征定义与复用
- 需要特征漂移与质量监控
不适合
- 小型或纯离线项目引入成本偏高
- 向量检索与流式转换仍处于 alpha/beta
- 需自行搭建并运维存储后端
- 特征工程逻辑仍需团队自行实现
- 部分云部署选项成熟度不一
如何接入
- pip 安装,用 feature repo 定义特征
- 对接 BigQuery、Snowflake 等离线源
- 在线存储可选 Redis、DynamoDB 等
- 提供特征服务器与 Python SDK 取数
- 可本地、Kubernetes 或结合云厂商部署
已知限制
- 需自建并运维离线与在线存储后端
- 向量检索与流式转换处于 alpha/beta
- 引入带来架构与运维复杂度
- 不负责特征工程本身的业务逻辑
- 不同部署选项成熟度参差
接入与使用事实
- 部署方式
- 自托管、本地运行
- 实现语言
- Python、Go
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- Apache-2.0
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
暂无可公开的来源链接。