Uber构建「软件工厂」：托管智能体承担研发会话并以成本工程控制AI支出

背景：Uber工程师规模庞大、代码库数亿行，AI工具全面铺开后，支出与质量管控取代单点提效成为核心问题。做法：Uber把研发组织为「软件工厂」，分四层管理AI使用，重心从工程师交互式会话转向托管智能体——后者自动执行代码审查、CI失败自愈、带视觉验证的端到端PR、值班告警分诊与缺陷调试，人工保留审查与升级裁决。成本上把一次会话支出拆成六项可独立度量的因子，按每合并PR、每审查、每告警等结果口径核算；用真实PR构建的uReview基准和内部SWE基准为每个托管智能体选帕累托最优模型，子代理默认配更便宜的模型；统一封装内置40万token自动压缩与默认中等推理力度，上千个MCP服务器经统一网关按需加载；自建含2400万节点、8000万边、集成30多套内部系统的AI Context Graph作事实底盘，实测有图导航的智能体38秒给出正确答案，无图导航的对照耗时20分钟后得出错误结论。已披露结果：2026年2月至8月，智能体产品周活用户增长7倍、周请求增长9.4倍；超70%的PR归因于本地或云端智能体；固定模型口径下每千次请求成本较峰值降近34%、每会话成本较6月峰值降52%，AI总支出自4月起趋稳。均为Uber自评，未独立核验。边界与必要条件：Uber自己说明成本降幅与其环境强相关，可迁移的是方法论而非具体数字；托管智能体路线依赖统一评测基准、MCP网关与成本可见性基建先行。