实时特征能捕捉用户当下意图，比如最近几次点击的类目、当前会话的停留分布、刚刚搜索的关键词。这些信号对短会话场景尤其重要，能显著提升推荐的即时相关性，是离线统计特征难以替代的。
但实时特征代价不小。需要流式计算链路保证低延迟写入，需要在线存储支撑高并发读取，还要处理乱序、重复和迟到数据。链路任一环节抖动都会导致特征缺失，进而造成线上打分异常。
特征一致性是另一难题。离线训练用的实时特征快照与线上服务时刻读取的值可能存在偏差，若不加以控制，模型会学到训练与服务不一致的模式。常见做法是训练时记录特征时间戳，并用同一套特征生产逻辑回灌。
收益评估要区分场景。长周期兴趣为主的电商推荐，实时特征增益有限；新闻、短视频等时效性强的场景则收益明显。上线前应做特征消融实验，确认增量收益足以覆盖工程与运维成本。
