训练服务偏差是推荐模型线上效果打折的隐蔽原因。离线训练用批处理计算特征，线上服务用实时链路读取特征，两条链路若逻辑不一致，模型看到的输入分布就会偏移，离线学到的规律在线失效。
不一致的常见来源包括时间窗口定义不同、空值填充策略不同、聚合去重逻辑不同、以及数据更新延迟差异。比如离线用自然日统计，线上用滑动窗口，同一特征值可能相差很大。
保障一致性的核心是统一特征生产逻辑。理想做法是特征平台提供同一份计算代码，离线批处理和线上流处理共用，仅执行引擎不同。若无法统一，则需建立逐特征的对账机制，定期抽样比对离线与线上取值。
上线前的验证不可省略。可用历史请求回放的方式，把线上特征快照与离线特征逐条比对，统计不一致率和偏差幅度。对高不一致特征优先修复，低风险特征可加监控观察，避免一次性改动过大。
