AI Agent接管七成编码 Uber成本骤降52%

Uber近日披露了其内部AI软件工厂的运营数据：超过七成的代码编写工作已由AI Agent接管，工程师构建了超过3600个Agent技能，每天执行超3万次任务，涵盖代码审查、CI故障自愈、端到端PR、告警排查、Bug调试等。这一转变不仅提升了开发效率，还显著降低了成本——固定模型测试显示，每千次请求成本较峰值下降34%，每会话平均成本从6月峰值下降52%。

四层场景与成本公式

Uber将AI使用场景划分为四层：全托管自主Agent、托管半自主Agent、任务特定交互式工具环境、通用交互式工具环境。总支出由六个因子相乘决定：用户数×每用户会话数×每会话交互轮数×每轮请求数×每次请求Token数×单Token价格。前两项代表业务采纳度，需要持续扩大；中间三项则是优化核心。

降本三板斧

在单Token价格优化上，Uber基于真实场景构建基准测试，统一接口调用模型，动态切换帕累托最优模型。以PR审查工具uReview为例，切换模型后成本大幅降低，F1分数显著提升。子Agent默认使用更便宜的轻量模型，主模型负责复杂推理。

在每次请求Token数优化上，Uber统一封装层推行标准化配置，自动压缩阈值设为400k，思考推理级别默认中等。Prompt缓存TTL从5分钟调整为1小时，消除频繁失效成本。通过CLI命令行化工具解析和工具搜索，移除MCP Schema定义，避免上下文膨胀。代码模式允许模型将操作打包为Python脚本执行，批量操作Token节省超90%，已部署超25个预置技能。

在每轮请求数优化上，Uber构建了企业级AI上下文图谱，含2400万节点、800万条边，打通30多个内部系统。实测中，接入图谱的Agent在38秒内完成任务，未接入的耗时20分钟且得出错误结论。

可视化与防浪费监控

终端状态栏嵌入实时成本计数器，跨工具共享预算池，预算达50%、80%、100%时触发预警。运行时内置会话分析看板，自动识别16类开销反模式，如模型选择不当、上下文臃肿、缓存超时失效、初始化开销过大等。

从2026年2月至8月中旬，Agent周活跃用户增长7倍，周请求量激增9.4倍，但AI总支出自4月以来基本平稳。这一数据表明，Uber的降本策略已见成效。未来，Uber将持续扩充托管Agent阵列，为新场景构建技能，进一步巩固AI软件工厂的效能优势。

Uber的实践表明，AI Agent不仅能大幅提升开发效率，还能通过精细化的成本控制实现可持续的规模化应用。这为其他企业提供了可借鉴的范本：在拥抱AI的同时，必须同步建立成本优化机制，才能让技术红利真正落地。