Amazon SageMaker Feature Store 是一款专门构建的全托管机器学习（ML）特征库，旨在存储、共享和管理机器学习模型的特征。目前，该服务已支持 Apache Iceberg 表格式、流式导入、可扩展的批量导入，以及通过 AWS Lake Formation 实现的精细访问控制。
随着企业将机器学习平台从实验阶段扩展到生产环境，两个运营挑战随之而来。首先是在不增加繁琐手动操作的前提下，如何确保敏感特征数据的访问安全；其次是在高频流式工作负载产生海量 Apache Iceberg 元数据时，如何保持存储成本的可预测性。例如，某零售分析团队发现，其基于 Apache Iceberg 的离线特征存储在不到一年的时间里，就累积了超过 50 TB 的元数据文件，从而产生了高昂且超出预期的 Amazon S3 存储费用。与此同时，各行业的架构团队也表示，他们需要一种能在特征组创建时自动生效、由 Lake Formation 强制执行的访问控制，而不是事后进行重复的手动配置。
为了解决这些痛点，亚马逊云科技宣布在 SageMaker Python SDK v3.8.0 中推出三项全新功能：
第一，原生 AWS Lake Formation 集成：在特征组创建期间（或针对现有特征组）直接向 Lake Formation 注册离线存储，以强制执行列级、行级和细胞级的精细访问控制，无需任何手动的 Lake Formation 配置。
第二，新增 Apache Iceberg 表属性控制：在创建特征组或对现有特征组进行配置时，可自定义控制元数据保留和快照生命周期策略，防止元数据无序累积并显著降低存储成本。
第三，SageMaker Python SDK v3 对 Feature Store 的全面支持：现代化的 SDK v3.8.0 将全套 Feature Store 功能引入到了一个更模块化、更快速、更轻量级的包中。
要在您的环境中体验这些新功能，需要满足以下前提条件：拥有创建 Amazon SageMaker AI 资源的 AWS 账户权限；拥有可访问 Amazon S3、AWS Glue 和 AWS Lake Formation 的 SageMaker AI 执行角色；安装 SageMaker Python SDK v3.8.0 或更高版本（可使用命令 pip install --upgrade "sagemaker>=3.8.0" 进行升级）；若要使用 Lake Formation 集成，账户中需至少配置一名 Data Lake 管理员，Feature Store 会在激活访问控制前进行验证。
【AgentUpdate 深度解析】在当前 AI Agent 向多模态、长期记忆和自主决策演进的过程中，“特征（Feature）”不仅是传统机器学习的输入，更是 AI Agent 进行上下文检索、实时状态感知和个性化记忆提取的核心底座。然而，企业级 Agent 的落地一直面临着“安全合规”与“存储成本”的双重掣肘。SageMaker Feature Store 此次升级原生集成 AWS Lake Formation，提供了行/列/细胞级别的超细粒度访问控制，为构建具备严格安全边界、支持多租户隔离的 Enterprise Agent 扫清了数据合规障碍。同时，针对 Apache Iceberg 元数据积压的降本优化，直接锁定了大规模实时 Agent 系统在长期运行中高额的 S3 隐性账单。随着 Agent 逐步从实验走向万级并发的生产环境，这种将安全和成本治理内聚到 Feature Store 基础设施层面的设计，将成为推动 Agent 生态走向成熟的必然范式。
