第 4 章 · MLOps 流程设计与特征存储

第 4 章 · MLOps 流程设计与特征存储

模型不是代码——它需要数据、特征、实验、版本、注册、监控一整套工程化治理，才能从「notebook 里的实验」变成「生产系统的稳定服务」。本章讲清 MLOps 的全景闭环，并聚焦其中最容易踩坑的「特征存储」。

章节摘要

第 2-3 章建立了「调度底座」，解决了「资源怎么管」的问题。本章进入「生产流水线层」，解决「模型怎么工程化生产」的问题。

本章从 MLOps 的全景闭环讲起：数据 → 训练 → 评估 → 部署 → 监控，并介绍 Google 提出的 MLOps 0/1/2 级成熟度模型，用它评估团队现状。随后聚焦流水线中最关键的「特征存储（Feature Store）」：它如何用离线/在线双写解决训练-服务一致性（Training-Serving Skew），如何用 Point-in-Time 正确性保证时间穿越避免，Feast 与 Tecton 两个代表项目的差异。接着讲实验跟踪与元数据管理（MLflow、W&B、Kubeflow Metadata），解决「模型怎么训出来的、能否复现」的问题。最后讲模型注册中心与版本治理（Model Registry、Model Card、阶段管理），让模型从训练产物变成可治理、可回滚的资产。

读完本章，你将掌握把团队从「notebook 黑盒」带到「MLOps 闭环」的全部工程认知。

学习目标

读完本章，你应当能够：

1. 画出 MLOps 端到端闭环，并用 Google 0/1/2 级成熟度模型 评估团队现状与下一步演进方向。
2. 讲清 Training-Serving Skew（训练-服务偏差） 的成因与危害，并用特征存储的离线/在线双写消除它。
3. 理解 Point-in-Time 正确性 的意义，避免特征工程的「时间穿越」陷阱。
4. 选型实验跟踪工具（MLflow、W&B、Kubeflow Metadata），设计可复现的实验记录方案。
5. 设计模型注册中心与版本治理流程，支持 Staging/Production 阶段管理、回滚、A/B 测试。

子章节安排与导引

四个子章节构成「全景 → 特征 → 实验 → 模型」的递进：先建立端到端认知（01），再深入最容易踩坑的特征一致性（02），然后讲实验可复现（03），最后把模型作为资产治理（04）。读完这四节，你将拥有从数据到模型上线的完整 MLOps 工程化图景。

配图说明

• Mermaid「MLOps 端到端闭环流水线」：在第 01 节给出，展示数据→训练→评估→部署→监控→数据反馈的完整回路。
• SVG「特征存储离线/在线双写架构」：在第 02 节给出，展示一个特征如何同时写入离线仓与在线库，训练与推理各取所需。
• 表格「MLOps vs DevOps」：在第 01 节给出，对比两类运维的异同。
• Mermaid「模型注册中心阶段晋升流程」：在第 04 节给出，展示模型从 Development → Staging → Production → Archived 的生命周期。

SEO 关键词

MLOps、MLOps 成熟度模型、特征存储、Feature Store、Feast、Tecton、Training-Serving Skew、Point-in-Time、MLflow、Weights & Biases、W&B、Kubeflow Metadata、实验跟踪、模型注册中心、Model Registry、Model Card、模型版本治理、元数据管理、血缘追踪。

章节关联

• 前置：第 1 章 03 节「从 MLOps 到 LLMOps」建立了 MLOps 的基本认知，本章在此基础上深入工程实现。第 2-3 章的调度底座是本章流水线运行的物理基础。
• 后续：本章建立了 MLOps 的全景与组件认知。第 5 章将聚焦流水线中的「训练」环节，讲分布式训练与 Kubeflow Pipelines 的 DAG 编排，把本章的特征存储、实验跟踪、模型注册串联成完整的训练流水线。第 6 章会用本章模型注册的产出去做推理服务部署。