Uber工程复盘：超大规模下落地软件工厂与Agent实践

Uber 工程团队分享：如何在超大规模业务下落地软件工厂

从2026 年 2 月到 8 月中旬，Uber 全体员工使用的 Agent 产品周活增长 7 倍，周请求量增长 9.4 倍

Agent 请求增长 9.4 倍，但总 AI 支出不仅没崩，反而趋于稳定，单次会话（Session）成本较峰值大降 52%。

Uber 的软件开发已经越过“给工程师配一个 AI 聊天工具”的阶段。

超过 70% 的 Pull Request 被归因于本地或云端 Agent，工程师建立了 3,600 多个覆盖软件开发生命周期的 Agent Skill，每天执行超过 30,000 次。

代码评审、CI 自愈、带视觉验证的端到端 PR、告警分诊、Bug 调试和代码维护，越来越多由托管 Agent 自动发起，再由人审核或在异常时接管。

这些结果背后是一套完整的工程体系，Uber 用：

• 统一模型网关控制身份、隐私、预算和审计； - 用 MCP 网关向 Agent 开放内部 API； - 用预启动 DevPod 提供隔离、可复制的跨仓库开发环境； - 用 Skill 市场治理可复用流程； - 用 Context Graph 提供服务、团队、数据和事故背景； - 再通过 Cortana、Minion 等产品，把这些能力组织成一条-从业务研究、需求、设计、编码、验证、CI、评审到长期维护的流水线

https://best.xiaohu.ai/article/uber-software-factory-efficiently/