feathr

一站式特征平台，让特征定义、计算和上线变得简单高效

Feathr 是一个面向企业的可扩展、统一的数据与 AI 工程平台，主要用于特征工程的全生命周期管理。它解决了机器学习中特征定义、计算、存储和在线/离线一致性难以统一的问题，支持从原始数据到特征服务的完整流程。核心能力包括：基于 SQL 或 Python 的声明式特征定义、自动化的特征回溯计算（point-in-time join）、离线批量与在线实时特征存储、以及特征注册与发现。Feathr 与 Spark、Flink 等计算引擎集成，支持云原生部署，帮助团队高效构建和复用特征，加速模型上线。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1943

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队feathr-ai

所属国家

官网地址https://join.slack.com/t/feathrai/shared_invite/zt-1ffva5u6v-voq0Us7bbKAw873cEzHOSg

GitHubhttps://github.com/feathr-ai/feathr

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Scala

技术栈/模型apache-spark,artificial-intelligence,azure,data-engineering,data-quality,data-science,feature-engineering,feature-governance,feature-management,feature-marketplace,feature-metadata,feature-platform,feature-store,machine-learning,mlops

GitHub 星标★ 1943

30天Star增速

HF 下载量

上线时间2022-02-18 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

可运行 pip 的 Python 环境
体验 Sandbox 需要容器（Docker）运行环境
云端生产部署需要 Azure / Databricks / Azure Synapse 账号

安装与启动步骤

1安装 Feathr 客户端

在 Python 环境中通过 PyPI 安装官方发布的 Feathr 客户端包，适用于本地开发与调用。
```
pip install feathr
```
2安装 GitHub 最新代码

如需最新未发布代码，可指定仓库子目录 feathr_project 直接从 GitHub 安装。
```
pip install git+https://github.com/feathr-ai/feathr.git#subdirectory=feathr_project
```
3运行 Feathr Sandbox

README 推荐用自包含容器 Sandbox 快速体验，声称 5 分钟可上手；但节选中具体命令缺失，请按官方 Sandbox 快速入门文档执行。
4云端生产部署

Azure 生产部署有两种方式：ARM 模板自动化部署，或按 CLI 部署指南逐个资源手动搭建；也可按指南跑在 Databricks / Azure Synapse 上。
5运行示例 Notebook

按官方 quick start Jupyter Notebook（azure_synapse 产品推荐 demo）体验完整流程，并配合快速入门指南阅读。

如何确认成功

执行 pip 安装命令无报错即表示 Feathr 客户端安装完成；Sandbox 与云端部署需按官方文档确认运行状态。

常见问题

Q：Sandbox 的启动命令是什么？

A：README 节选中该命令被截断未显示，请打开官方 Feathr Sandbox 快速入门文档获取完整可复制命令，不要自行猜测参数。

Q：必须使用 Azure 才能跑 Feathr 吗？

A：不是。本地只安装客户端即可；生产环境 README 提供的路径包括 Azure（ARM 或 CLI 部署）、Databricks 和 Azure Synapse。

Q：如何用仓库最新代码而不是 PyPI 包？

A：使用 pip install git+https://github.com/feathr-ai/feathr.git#subdirectory=feathr_project，注意子目录为 feathr_project。

Q：有可直接跑通的示例吗？

A：有，官方提供 quick start Jupyter Notebook（azure_synapse 下的 product_recommendation_demo.ipynb），并配有对应的快速入门指南。

注意事项

README 节选中 Sandbox 运行命令缺失，务必以官方文档为准，不要臆造 docker run 参数。
云端部署会创建真实云资源，可能产生费用，请先确认账号与配额。
项目主体使用 Scala 编写，但面向用户的主要入口是 Python 客户端包。

核心亮点

声明式特征定义，支持 SQL 和 Python，降低使用门槛
内置时间点连接（point-in-time join），避免数据泄漏，保证特征准确性
统一离线与在线特征存储，支持实时获取，简化架构

不足之处

文档和社区资源相对较少，上手可能有一定学习成本
对非云环境或小型项目的部署复杂度较高

适用场景

企业级机器学习平台的特征工程统一管理
需要离线训练和在线推理特征一致的推荐或风控系统
多团队协作，需要特征共享和复用的数据中台场景

替代项目

Feast、Tecton、Hopsworks

项目介绍

feathr 是基础设施领域的开源项目，由 feathr-ai 开发，2022 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,943）位列前 30%，在基础设施分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，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：企业级机器学习平台的特征工程统一管理。同类可对比的替代方案包括 Feast、Tecton、Hopsworks。

上一篇：mlops.toys

下一篇：space