统一管理 ML 特征，让训练和上线用同一份数据
Feast 是一个开源的 Feature Store（特征仓库），专为 AI/ML 场景设计，旨在解决机器学习模型开发与部署中特征管理混乱、训练与在线推理特征不一致、特征复用困难等痛点。它提供特征注册、存储、检索和监控的统一平台，支持从离线数据源（如 BigQuery、Snowflake）批量计算特征，并通过在线存储（如 Redis、DynamoDB）提供低延迟的特征服务，确保训练和线上使用同一套特征定义，避免训练-服务偏差。核心能力包括：声明式特征定义（用 Python 或 YAML）、时间点正确的特征检索（point-in-time joins）、特征血统与数据质量监控、与主流编排工具（Airflow、Kubeflow）集成，以及支持流式特征（如 Kafka）。Feast 帮助数据团队像管理代码一样管理特征，提升 ML 系统的工程化水平。
1安装 Feast
用 pip 从 PyPI 安装 Feast 官方包，安装完成后即可使用 feast 命令。建议在虚拟环境中安装，避免依赖冲突。
pip install feast2编写特征定义
Feast 使用声明式方式定义特征，可用 Python 或 YAML 编写特征视图，把离线数据源映射成可复用的特征。需在项目目录中组织这些文件。
3注册特征定义
在包含特征定义的项目目录中执行 feast apply，将特征注册到 Feature Store，同时按配置创建或更新离线/在线存储。
feast apply执行 feast apply 后无报错并输出已注册的特征视图等信息，即表示特征仓库注册成功；也可用 pip show feast 确认包已安装。
Q：feast apply 提示找不到特征定义怎么办？
A：feast apply 必须在存放特征定义的项目目录（feature repository）中执行。README 未给出初始化该目录的命令，请参考官网 feast.dev 文档创建仓库后再执行。
Q：Feast 支持哪些 Python 版本？
A：README 未说明版本要求，请查看官网文档或 PyPI 页面上的 Python 版本说明，并按提示选择合适的 Python 环境。
Q：pip 安装很慢或超时怎么办？
A：可在 pip install feast 命令后追加 -i 参数指定可用的 PyPI 镜像源，或适当增大 pip 的超时时间后重试。
Q：想安装指定版本怎么操作？
A：可使用 pip install feast==版本号 的形式固定版本，具体可用版本以 PyPI 上发布的信息为准。
Hopsworks、Tecton、Featureform
feast 是基础设施领域的开源项目，由 feast-dev 开发，2018 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（7,304）位列前 7%，在基础设施分类的 1,130 个项目里位列前 10%。
近 44 天，它的 GitHub 星标从 7,203 增加到 7,304，净增 101。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0 许可证，可免费使用和部署。
它主要面向的使用场景是：需要统一管理大量特征的MLOps团队。同类可对比的替代方案包括 Hopsworks、Tecton、Featureform。
freebuff-proxy
开源
聚合多账号，一键接入 OpenAI 兼容 API，轻松管理会话。
Multi-account OpenAI-compatible gateway for coding models. Pooled keys, session life···
microduck
开源
用 Rust 造一只会走路的桌面小鸭，快速上手双足机器人。
A Tiny biped duck robot
soperator
开源
用 Kubernetes 原生方式运行 Slurm，简化 HPC 集群管理。
Run Slurm in Kubernetes
ollama
开源
一条命令本地跑起大模型，免费、私密、不卡顿
Get up and running with Kimi, GLM, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other···