Feature Store & Training-Serving Skew: 解释特征回填（backfill）与历史特征重算。

Core Concept: 新特征上线或逻辑变更时，需用历史数据补算（backfill）以训练模型；关键是成本、正确性与一致性。

数学机理：<strong>特征回填（backfill）</strong>——(1) <strong>何时需要</strong>——(a) <strong>新特征上线</strong>——新特征在历史上从未计算 → 需补算（否则模型训练时该特征全缺失）；(b) <strong>逻辑变更</strong>——特征的实现改了 → 需重算历史（否则新旧数据不可比）；(c) <strong>Bug 修复</strong>——发现计算错误 → 重算受影响的历史；(d) <strong>上游数据修正</strong>——上游表更新 → 下游特征需重算。(2) <strong>回填的成本</strong>——(a) <strong>规模</strong>——全量历史（可能数月到数年）× 特征复杂度（如'用户 365 天的行为聚合'）；(b) <strong>计算资源</strong>——可能需大量 Spark/GPU 作业；(c) <strong>时间</strong>——可能数小时到数天；(d) <strong>优化</strong>——(i) <strong>只回填必要范围</strong>（如'最近 90 天'而非全部）；(ii) <strong>增量/分片</strong>（分批回填）；(iii) <strong>降采样</strong>（历史数据抽样）；(iv) <strong>利用已有中间结果</strong>（避免重复计算）；(v) <strong>优先级</strong>（先回填'最重要的时间范围'）。(3) <strong>正确性（关键）</strong>——(a) <strong>必须用'当时的数据'</strong>——回填 f_t 时必须用'截至 t 的数据'（而非'当前的数据'）；<strong>否则泄漏</strong>（见时间点正确性题）；(b) <strong>上游表的'历史版本'</strong>——若上游表只保留最新版本，则无法正确回填（需保留历史）；(c) <strong>代码版本</strong>——回填需用'与当时一致的代码逻辑'（或用新逻辑但明确标注）；(d) <strong>幂等性</strong>——回填可重复执行（不产生副作用）。(4) <strong>常见陷阱</strong>——(a) <strong>用当前数据回填历史</strong>（<strong>最严重</strong>——泄漏）；(b) <strong>回填范围不足</strong>（早期历史缺失 → 训练样本减少）；(c) <strong>回填与在线不一致</strong>（回填用离线逻辑、在线用另一套）；(d) <strong>回填期间的数据一致性</strong>（回填过程中线上仍在更新）；(e) <strong>成本失控</strong>（未估算就全量回填）；(f) <strong>'回填后模型指标虚高'</strong>（因为泄漏）。(5) <strong>验证</strong>——(a) <strong>抽样对比</strong>（回填值与在线值的一致性）；(b) <strong>分布对比</strong>（回填特征的分布 vs 在线特征）；(c) <strong>时间切分验证</strong>（用回填数据训练、时间切分评估）；(d) <strong>'回填前后'的模型指标对比</strong>（异常提升 → 怀疑泄漏）。<strong>与其他问题的关系</strong>——(a) 与'时间点正确性'（回填的正确性要求）；(b) 与'训练-服务一致性'（回填与在线需一致）；(c) 与'数据血缘'（回填的影响范围）。<strong>实践建议</strong>——(a) <strong>只回填必要范围</strong>（成本）；(b) <strong>用'当时的数据'</strong>（正确性）；(c) <strong>保留上游历史版本</strong>（前提）；(d) <strong>幂等</strong>（可重复）；(e) <strong>验证</strong>（抽样对比 + 时间切分）；(f) <strong>估算成本</strong>（回填前）。<strong>度量</strong>——(a) 回填的成本（时间/资源）；(b) 回填与在线的一致性；(c) 回填后的模型指标（是否异常提升）。

深度剖析与工程权衡：① <strong>'用当前数据回填历史'是最严重的陷阱</strong>——会引入泄漏（离线虚高）；面试中能指出是深度理解的标志。② <strong>'只回填必要范围'</strong>——全量回填成本可能极大；故应权衡（如只回填 90 天）。③ <strong>'保留上游历史版本'是回填的前提</strong>——若上游只存最新版，则无法正确回填。④ <strong>'回填与在线的一致性'</strong>——回填用离线逻辑、在线用另一套 → 又产生偏移。⑤ <strong>'回填后指标异常提升'是泄漏的信号</strong>——需警惕。⑥ <strong>面试要点</strong>——被问'什么时候需要回填'，应给出'<strong>新特征/逻辑变更/bug 修复/上游修正 + 成本（只回填必要范围）+ 正确性（用当时数据）+ 陷阱（用当前数据回填）+ 验证</strong>'；能指出'用当前数据回填'是深度理解的标志。