实时特征平台：把 CDC、在线查询和离线回放接成一条链

推荐和风控常同时需要“过去一小时行为次数”和“过去一年累计金额”。如果线上特征和离线训练各算一套，模型上线后会出现训练服务偏移。特征平台要把定义、计算、存储和回放统一起来。

特征定义先版本化

每个 feature 记录实体键、时间语义、窗口、数据类型、默认值、负责人、敏感级别和版本。定义变更产生新版本，模型绑定具体版本；删除或重算不能悄悄改变历史含义。

CDC 到在线存储

业务库通过 CDC 发送变更事件，流处理按事件时间更新窗口和去重状态，写入带 TTL 的在线 KV。事件要有 event_id、source_lsn、occurred_at 和 schema_version，重复、乱序和迟到数据按规则处理。在线读路径只取模型所需字段，避免一次请求扫描大量特征。

离线回放与点时间正确

训练样本必须只看到预测时刻之前可获得的数据。回放作业根据事件时间重建特征，不能直接读取今天已经聚合好的结果。抽样比较线上实时值和离线重算值，监控 freshness、缺失率、分布漂移和写入延迟。

回填要隔离

历史回填使用独立队列和限速，写入新版本或影子表，完成校验后再切换读指针。回填期间禁止覆盖线上新数据，必要时用 source_lsn 或版本号做最后写入保护。

特征平台的验收指标是训练—服务一致性、数据新鲜度和回填可控，而不是单纯追求更低的 KV 延迟。

参考资料：Prometheus Remote Write 规范（实时数据链路示例）。