一句话定义
特征工程（feature engineering）是人根据业务理解，把原始数据加工成模型能直接使用的输入；表示学习（representation learning）是把这一步交给模型，让它在训练过程中自己学出有用的输入表示。
为什么需要这一步
原始数据很少是模型能直接吃的。一份订单记录里有时间戳、商品 ID、金额、用户 ID，模型要判断这单是不是欺诈，得先有人把这些字段翻译成有意义的量：这笔金额比该用户历史均值高多少、下单距注册多久、同一设备当天登录过几个账号——这些才是"特征"。模型只认数字，不认业务。
打个比方：特征工程像自己下厨，食材要洗、切、配、调味，每一步都靠人的经验判断；表示学习像把整块食材丢给一台会自己琢磨的机器，它试出该怎么切、怎么配，最后端出的菜反而更对味。经典例子是图像识别：传统做法要人工设计边缘、角点、纹理算子；深度网络直接把像素喂进去，浅层自己学出边缘和色块，深层组合成眼睛、轮子、猫脸。
两者的关键差别
| 维度 | 特征工程 | 表示学习 |
|---|---|---|
| 谁定规则 | 人，依赖领域知识 | 模型，依赖数据和目标函数 |
| 数据量要求 | 中小数据也能work | 通常需要大量数据 |
| 可解释性 | 特征有明确业务含义 | 表示是向量，含义模糊 |
| 迁移性 | 换个场景往往要重做 | 学到的表示常可迁移复用 |
| 人力成本 | 高，且高度依赖专家 | 前期低，后期转向调架构和评估 |
要注意，两者不是替代关系。深度学习里依然有大量人工设计：数据的清洗和采样、样本构造、位置编码、损失函数的选择，都属于广义的特征工程。真正被换掉的，是"手工把原始信号翻译成中间表示"这一块最费人力的活。
对从业者的意义
传统机器学习项目里，业界常说特征工程吃掉了大部分时间，模型选型反而是小头。表示学习把重心挪走了：从"我该造哪些特征"变成"我该喂什么数据、用什么结构、怎么评估学出来的表示好不好"。这对两类人影响不同——做表格类风控、定价的，手工特征依然是主力，因为业务规则本身就是强信号；做图像、语音、文本、推荐的，几乎全部转向表示学习加少量特征工程。
对普通人的意义
你能感知到的变化大多来自这里：搜索能理解"苹果"指的是水果还是公司，推荐能认出你刚看过的风格，语音助手在嘈杂环境也听得清。这些不是有人写了几万条规则，而是模型自己从海量数据里学出了表示。
想动手的话，不必一上来就上大模型：小数据集先老老实实做特征工程，往往比硬套复杂网络更划算；数据量上来后，再让模型自己去学。具体工具和框架的选择，以官方页面为准。