英文：Feature Engineering 分类：foundation
从原始数据中构造、选择与变换供模型学习的输入特征的实践。在传统机器学习中决定模型上限，是数据科学家的核心工作；深度学习与大模型通过表示学习自动提取特征，使特征工程部分被自动化取代。
包括特征构造（交叉、离散化、聚合统计）、特征选择（过滤、包裹、嵌入法）、特征变换（归一化、标准化、对数化）与缺失值处理。好的特征应具有区分度、稳定性与可解释性；在线系统中特征一致性（训练/推理同源）是工程重点。
从专家手工特征（广告 CTR 的交叉特征）主导，到深度学习端到端学习特征，再到大模型时代以文本/向量为特征的自动化范式，特征工程的形态不断演变但思想（提升信号质量）始终存在。
传统机器学习业务（风控、推荐、营销）、特征平台（Feature Store）建设与 MLOps 流水线；在 LLM 应用中，提示词设计、检索元数据与结构化字段也可视为新形态的特征工程。
相关词条：Transformer · 注意力机制 · 自注意力 · 相似度搜索 · 数据增强