搜尋意圖： 如果你在找「特徵儲存庫 是什麼」或「特徵儲存庫 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 特徵儲存庫是一個集中管理和共享機器學習特徵的平台，確保特徵一致性、可重用性，並簡化特徵工程流程。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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？
Q2： 如果只有一個小專案，還需要特徵儲存庫嗎？
常見問題
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。
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。
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。
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。