特征平台
特征平台是统一管理机器学习特征的系统，解决特征重复开发、一致性问题，提升模型迭代效率。
一句话解释
特征平台是一个集中管理、存储和提供机器学习特征的系统，让数据科学家和工程师能像调用API一样共用特征，避免重复造轮子。
为什么会被关注
随着企业机器学习模型增多，特征重复开发、版本混乱、在线和离线不一致等问题突出。特征平台能统一特征生命周期，降低协作成本，成为MLOps落地关键一环。
核心逻辑
核心包括特征注册、存储、计算和服务。数据科学家先通过SQL或Python定义特征，注册到平台；平台自动计算离线特征并存储，同时提供低延迟在线服务接口，保持线上线下一致性。
常见场景
推荐系统需要实时用户画像特征，特征平台能统一管理用户历史行为、上下文等特征，确保训练和推理特征一致。广告点击率预测、风控模型等场景同样依赖特征平台支持快速上线。
容易混淆的点
特征平台与特征存储不同：特征存储是底层存储组件，特征平台是管理加服务。与数据仓库不同：数据仓库存储原始数据，特征平台存储经过特征工程处理后的特征向量，并支持在线查询。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词Model Registry（模型注册表）是集中存储、版本化和管理机器学习模型元数据的系统，帮助团队跟踪模型从训练到生产的全生命周期，确保模型的可重复性、可审计性和可部署性。
人在回路（Human-in-the-Loop）是一种将人类判断与机器学习模型结合的训练与部署范式。它不追求全自动，而是在关键节点引入人工审核、标注或反馈，从而提高模型准确性、鲁棒性和可信度，尤其适合高风险或数据稀疏的场景。
工具权限控制是指对AI工具、应用或系统的访问与操作进行精细化管理的机制。它确保只有经过授权的用户或服务能够使用特定功能、访问敏感数据，是防止滥用、数据泄露和越权操作的核心防线。
沙盒执行是一种在隔离环境中运行代码或程序的技术，防止其对主系统、数据或其他应用造成任何影响。它广泛用于网络安全、软件开发测试、浏览器安全等领域，保障用户设备不受恶意软件或未知行为侵害。
智能体沙箱是一种隔离的、可交互的AI代理测试环境，允许开发者在不影响生产系统或造成意外后果的前提下，安全地实验、调试和验证智能体的决策逻辑、工具调用和任务执行能力。它类似于软件工程中的沙箱概念，但专为AI代理（Agent）设计，重点关注行为安全、边界测试和交互验证。
智能体记忆库是AI智能体存储、管理历史交互数据的系统，使AI能在多轮对话中保持上下文，并形成用户画像。它类似于给AI配上“大脑存档”，实现个性化与连续性交互。