管理离线和在线特征
在线共享多种特征：降低在线存储的用量
离线特征视图：
支持每天例行同步离线数据到在线数据源中：离线特征数据如何推送到在线数据源？
实时特征视图：
管理实时特征，实时统计特征可以通过FeatureDB自动增量更新到processor中。
- 实时特征包含属性特征，例如商品的价格可以动态变化
- 实时特征包含统计特征，例如新闻最近4小时的点击、点击率、播放、评论量。
- 实时视图支持用户实时行为序列特征，行为序列特征是推荐系统的重要特征，文档
行为序列特征视图：
- 序列特征文档，注意向下翻页
- 支持行为表的注册，以及离线序列特征表注册
- go sdk 支持查询行为表数据，以及根据序列特征配置生成拼装好的序列特征数据。
- 支持离线行为表数据同步，以及实时行为数据写入
FeatureStore SDK：
- go-sdk。支持高性能点查
- java-sdk。支持高性能点查，以及实时特征的写入。
- 使用DataWorks独享资源组安装FeatureStore Python SDK
- 如何使用FeatureStore Python SDK
- 集成在 EasyRec Processor，TorchEasyRec Processor中的 FeatureStore c++ sdk，支持高性能查询，支持全量拉取数据（包含从离线MaxCompute表拉取数据），以及轮询拉取实时特征数据到内存，加速查询。
特征生产：SDK
- 独立的sdk，不依赖FeatureStore平台
- 降低特征生产的复杂度
- 使用天级别中间数据，大大节约特征的计算量
FeatureDB存储：文档，计费方案
- 高性能：通过map、array的高效存储、在打分服务中能够高效缓存，整体提高模型推理性能 性能测试
- 低成本：按照硬盘、内存、读写计费，整体能提供更低的成本
- 及时性：打分服务的缓存能够高效缓存增量实时数据
导出样本：
- 导出训练样本
- 训练样本自动关联实时特征，不需要部署Callback服务
提供自动化特征工程
挖掘新特征（组合特征）：AutoFE文档
依赖：
- DataWorks安装通用资源组（包月），安装手册
