---
title: "特徵儲存庫（Feature Store）"
slug: feature-store
language: zh-TW
source: https://aiterms.tw/terms/feature-store
updated_at: 2026-04-29
tags: [機器學習, 特徵工程, 資料處理, 模型訓練, 模型部署]
ipas_term: false
---

# 特徵儲存庫（Feature Store）

> **你有沒有遇過訓練時很準，上線後卻突然變差，原因只是特徵算得不一樣？**
>
> 你可以把特徵儲存庫想成特徵的集中管理中心，讓訓練和推論拿到同一套定義清楚的資料。
>
> 它重要，是因為團隊一旦多人協作，特徵很容易散在不同程式和不同資料源裡，最後連版本都對不起來。

### 容易混淆
> **特徵儲存庫 vs 資料庫**
> 資料庫主要存原始資料。
> 特徵儲存庫存的是可直接給模型用的特徵，還會管版本和一致性。
>
> **特徵儲存庫 vs 資料管線**
> 資料管線負責搬資料和做計算。
> 特徵儲存庫負責把算好的特徵管理起來，方便重用。

### 記住這句就好
> 特徵儲存庫管的是「同一個特徵，訓練和上線都要一樣」。

### 實際案例
> **信用模型團隊**
> 訓練用的逾期次數、消費頻率和上線取值方式一致，模型才不會線上失真。
>
> **推薦系統團隊**
> 多個服務共用同一組使用者特徵，避免每個團隊各算各的，最後結果不一致。

### 深入了解
> 它通常會同時支援離線特徵和線上特徵，前者偏訓練、後者偏即時查詢。
> 真正的價值不只是存資料，而是維持特徵定義、計算邏輯和版本的一致性。

### 情境判斷
> **Q1：如果同一個特徵在訓練和上線算出不同結果，會發生什麼事？**
> → 模型表現可能明顯落差，因為它看到的輸入和訓練時不一樣。
>
> **Q2：如果只有一個小專案，還需要特徵儲存庫嗎？**
> → 看情況，小專案不一定非用不可，但只要多人協作或特徵重用變多，就會開始有價值。

### 常見問題
> **Q：特徵儲存庫和模型登錄庫是一樣嗎？**
> 不一樣，前者管特徵，後者管模型版本與部署資訊。
>
> **Q：線上特徵一定要即時算嗎？**
> 不一定，有些可以預先算好存起來，重點是查詢延遲要夠低。
>
> **Q：特徵儲存庫只適合大型公司嗎？**
> 不只，大型團隊最有感，但中型團隊也常因為一致性受益。
>
> **Q：它能解決所有訓練問題嗎？**
> 不能，它主要解決特徵一致性，不會自動把資料品質變好。

### 相關術語
> - **特徵工程**：先做出好特徵，才有東西放進儲存庫。
> - **資料管線**：特徵通常就是靠它被計算和搬運。
> - **機器學習維運**：特徵儲存庫是維運穩定性的重要基礎。
> - **模型登錄庫**：一個管特徵、一個管模型，常在同一套流程裡搭配。
> - **模型部署**：上線後能不能穩定取特徵，直接影響它。

---

來源：https://aiterms.tw/terms/feature-store
快查頁：https://aiterms.tw/terms/feature-store
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-feature-store