Feast 变更日志深度解读从 v0.0.1 到 v0.66.0 的八年演进与技术脉络【免费下载链接】feastThe Open Source Feature Store for AI/ML项目地址: https://gitcode.com/GitHub_Trending/fe/feast本指南以仓库根目录的 CHANGELOG.md 为唯一主体系统梳理 Feast 自 2019 年 2 月 v0.0.1 到 2026 年 8 月 v0.66.0 的完整版本演进史。读完本文你将掌握这份 4000 余行变更日志的正确阅读方法、每个重大版本背后的技术转折点从 Java 核心到 Python SDK、再到 Kubernetes Operator 与 AI/ML 原生能力并能够将版本号 变更条目与仓库中的实际代码、配置和文档一一对应为升级评估与问题排查提供依据。一、CHANGELOG.md 文件概览与阅读方法CHANGELOG.md 位于仓库根目录全文共 4000 余行记录了 Feast 从首个版本 v0.0.12019-02-11到最新 v0.66.02026-08-21的全部发布历史涵盖约 80 个版本。其格式遵循自动化生成变更日志的惯例每个版本以# 版本号 (发布日期)的 H1 标题开始版本内部按类别分组### Bug Fixes缺陷修复、### Features新特性、### Performance Improvements性能优化、### Reverts回退、### BREAKING CHANGES破坏性变更每条记录通常形如* 描述 (commit hash),并附带关联的 issue 编号形如closes #XXXX方便追溯讨论上下文早期版本约 v0.18 及以前还会额外列出Merged Pull Requests与Closes Issues明细信息粒度更细。阅读建议若你关心某个功能是什么时候引入的直接搜索### Features段若关心升级是否安全优先通读### BREAKING CHANGES段若遇到线上诡异行为可先在### Bug Fixes中检索对应在线存储或离线存储的关键词往往能找到已修复的同类问题及提交号。二、版本节奏与发布周期将各版本发布日期串联起来可以观察到 Feast 的发布节奏随发展阶段不断变化2019–2020 早期v0.0.12019-02-11、v0.1.02019-04-09、v0.3.x、v0.4.x、v0.5.02020-05-19、v0.6.02020-07-13迭代密集但版本跳跃2020–2021v0.7v0.13 大约以月为单位稳步推进例如 v0.9.02021-01-28、v0.10.02021-04-15、v0.11.02021-06-24、v0.12.02021-08-05、v0.13.02021-09-222022–2023v0.17v0.36基本保持月度一版其中 v0.18.02022-02-05、v0.21.02022-05-13、v0.24.02022-08-25、v0.27.02022-12-05、v0.33.02023-08-14等节点清晰2024 之后v0.38v0.66 频率进一步提高v0.40.02024-07-31、v0.44.02025-02-04、v0.49.02025-04-29、v0.50.02025-07-01、v0.60.02026-02-17、v0.66.02026-08-21同时引入补丁版本如 v0.45.0 与 v0.44.0 同日发布均为 2025-02-04。这一节奏与仓库 版本策略文档 相互印证Feast 采用语义化版本SemVer主版本与次版本从master分支切出并建立长期维护分支如v0.3-branch先在分支上打v0.3.0-rc.1这样的候选版本再发布稳定补丁版本。三、第一阶段v0.0.1–v0.5.0Java 核心与流式摄入的奠基Feast 的起点并非 Python SDK而是一套以 Java/Spring Boot 为核心的架构。v0.0.12019-02-11的变更条目已经勾勒出最初的形态允许注册没有 warehouse store 的特征Allow for registering feature that doesnt have warehouse store摄入作业在收到无效 FeatureRow 时的容错处理以及流式摄入时忽略未知特征修复 jackson-databind 依赖安全漏洞、Beam 2.9.0 升级后的运行时依赖错误、FlinkRunner 作业跟随问题引入 Kafka 数据源、FeatureRow 合并coalesce以保证 serving store 中最新值的一致性v0.0.2在 serving 缓存中预加载 specPreload spec in serving cache、为摄入作业添加--name参数、CSV 数据上传作业等v0.1.0。v0.1.0 还做出了两个方向性决定从 serving 存储中移除特征历史值以及移除特征 granularity 概念、将其降级为元数据——这奠定了 Feast在线存最新值、离线存历史的职责分工。v0.3v0.5 阶段围绕 Helm Chart 打包、Redis 写入修复、日志规范化等持续打磨部署体验。四、第二阶段v0.6.0–v0.18.0Python SDK 成为一等公民从 v0.6.02020-07-13开始变更日志的重心明显转向 Python SDK 与主流云数据仓库的集成这也是 Feast 从内部工具走向开源社区项目的关键时期v0.9.0 / v0.10.x2021 年初围绕 BigQuery 离线存储、注册表registry与 Feature Store 重构展开为后续的 SDK 化铺路v0.12.02021-08-05新增 AWS Redshift 离线存储与 DynamoDB 在线存储云厂商支持矩阵成型v0.13.02021-09-22这是一个里程碑版本引入了On-Demand Feature ViewODFV、Feature ServerPython 特性服务以及无实体 Feature View意味着 Feast 开始具备请求时转换与在线推理服务能力v0.14.02021-10-08新增 AWS Lambda Feature Server 部署形态v0.18.02022-02-05Snowflake 离线存储并入主仓库同时引入数据质量监控Data Quality Monitoring基于 Great Expectations profiler 对历史特征检索结果做校验并将结果持久化保存。这一阶段的 Bug Fixes 也很有参考价值例如 v0.18.x 中仅当所有关联 Feature View 都被删除时才从 Redis 删除实体键避免误删、ODFV 对超大特征集会抛出 PerformanceWarning、避免重复请求 OnlineStore等都是生产环境才会暴露的细节问题。五、第三阶段v0.19–v0.36平台化、Web UI 与多引擎2022 年起变更日志呈现明显的平台化趋势v0.19.02022-03-05首次合入Web UI 逻辑、新增Feast Spark 离线存储同时将 DataSource 提升为顶层对象、引入标签tags替换labels为 UI 驱动元数据管理打下基础v0.18/v0.19 期间feast plan机制逐步成形——从InfraDiff类、diff_infra_protos、到feature_store._apply_diffs实现先计划、后应用的基础设施差异比对这一设计沿用至今v0.20v0.36Java Feature Server 持续演进Redis 密码认证与 SSL、多 application properties 文件支持Go Feature Server 加入并逐步成熟Python 特性服务器被毕业Graduate Python feature server, v0.18Snowflake、Redshift、Datastore 等各存储的异步化与批量删除优化贯穿始终。六、第四阶段v0.37–v0.50Kubernetes Operator、安全与向量检索v0.38v0.502024 年中至 2025 年中是变更日志信息密度最高的区间主题高度集中在运维与安全Feast Go Operator从 v0.41/v0.42 的 Create initial structure of Feast Go Operator 起步到 v0.42 的 TLS 支持、OIDC 授权、PVC/对象存储持久化、文件持久化、服务级 ServiceAccount、RBAC 授权、spec.feastProject字段再到 v0.50 支持 registry server 的 REST/gRPC 双模式、feast deleteCLI 命令安全模型RBACv0.41 引入Feast Security Model (aka RBAC)#4380v0.50 将权限下沉到 UI、为 registry API 增加分页与排序、用关系relationshipAPI 支撑血缘视图同时 OIDC 认证、SSL/TLS 支持online server、offline server、registry server、UI server在 v0.41/v0.42 集中落地向量检索v0.41 引入 FAISS 与内存存储v0.42 增加 Qdrantv0.50 增加 HybridOnlineStore多后端在线存储路由与 MCPModel Context Protocol特性服务支持性能改进v0.41 将 API 默认切到异步端点并用线程池支撑同步调用、/push 异步化、按表与批次并行读v0.50 重构物化引擎、实现 Remote Write to Online Store 的客户端/服务端架构。值得关注的是 v0.50 的BREAKING CHANGES序列化版本 2 及以下被彻底移除意味着旧版本写入的注册表数据需要提前迁移。七、第五阶段v0.51–v0.66AI/ML 原生与远程化最新两年的变更日志反映出 Feast 向AI/ML 数据基础设施的纵深演进v0.60 前后新增 Set 特征类型、Decimal 标量类型v0.62、复杂类型Map/JSON/Struct与模式校验v0.61支持非字符串 map 键v0.64引入 zoned timestamp 特征类型v0.65移除 setup.py、统一到 pyproject.toml 与 uvv0.60Feature View 版本化v0.63 为 Redis、DynamoDB、Milvus、FAISS 在线存储加入版本化支持v0.64 扩展到 PostgreSQL 与 MySQL 在线存储对应 alpha 版本化参考文档AI 工作负载v0.50 新增 Feast RAG Retrieverv0.60 为feast init demo增加 RAG 模板v0.62 增加 Agent SkillsClaude Code / Cursor 规则仓库中对应 skills 目录v0.63 支持 RaySource 与to_ray_datasetLabelView 与数据质量v0.64 落地 Feast First-Class LabelView 实现并加入 init 模板见 LabelView 概念文档同期加入 DQM 原生计算、多后端支持、REST API 与 CLI以及 Feast-MLflow 集成operator 侧在 v0.66 继续增强远程化与血缘v0.50 支持 remote write to online storev0.66 新增Remote Materialization服务端侧#6649、OpenLineage 血缘增强全对象覆盖、更丰富 UI 与 API 级同步并允许跨生产者接收/存储/可视化血缘新增在线存储MongoDBv0.61、Aerospikev0.65含向量检索、ScyllaDBv0.65DynamoDB 在 v0.66 补齐plan()支持。其中 Aerospike 在线存储在 v0.65 引入的namespace_overrides、set_overrides与prewriting_hook三个配置旋钮均有完整的配套实现与文档Aerospike 在线存储文档 与 示例仓库内含 feature_store.yaml 与 hooks.py并配有 22 个单元测试覆盖新行为。八、BREAKING CHANGES 盘点与升级注意事项以下是变更日志中明确标注的破坏性变更升级前务必核对版本破坏性变更影响v0.50.0注册表序列化版本 2 及以下被移除旧注册表数据需提前迁移到新序列化格式v0.65.0total_timeout_ms重命名为batch_total_timeout_ms使用旧配置名的 feature_store.yaml 必须更新字段名默认值不变新增 per-attempt 与总 deadline 的区分说明v0.65.0Aerospike 写入路径策略调整Map CDT 改为MAP_KEY_ORDERED、写入不再发送POLICY_KEY_SEND、客户端由类属性改为实例属性v0.41.0Feast UI 升级 elastic/eui 与 emotion/react使用被重命名/替换的 EUI 组件的消费方需同步更新九、把变更日志用起来三个实用建议按 issue 号溯源变更条目中的closes #XXXX指向具体讨论遇到不理解的行为变更先回到对应 issue 再对照 注册表/存储相关文档 与 离线存储文档 确认设计意图把版本号与 CLI 关联Feast 的 CLI 命令feast apply、feast plan、feast materialize、feast init等能力随版本演进CLI 命令参考 与 快速入门 是验证当前版本支持什么的权威入口跟踪破坏性变更段每次发布只读### BREAKING CHANGES可低成本避免升级事故重大功能如 v0.66 的 Remote Materialization、v0.65 的 ScyllaDB/Aerospike则配合对应参考文档判断是否纳入你的架构。结语从 2019 年的 Java/Beam/Kafka 摄入管道到 2022 年的 Python SDK Web UI 平台化再到 2026 年的 Kubernetes Operator、RBAC 安全模型、向量检索与远程物化CHANGELOG.md 完整记录了一条特征存储从基础设施走向 AI/ML 原生数据平台的演进路径。对使用者而言它既是升级前的风险清单也是理解 Feast 设计取舍的最佳史料——配合 版本策略 与各组件参考文档你可以让版本演进成为可控、可预期、可追溯的工程决策依据。【免费下载链接】feastThe Open Source Feature Store for AI/ML项目地址: https://gitcode.com/GitHub_Trending/fe/feast创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考