Uber公开AI软件工厂：七成代码PR交给Agent，单次会话成本降52%

会懂网AI资讯获悉，Uber在2026年AI工程师大会上公开了其内部”软件工厂”的运作细节与成本数据：全公司超过70%的代码合并请求已由本地或云端智能体生成，工程师在软件开发生命周期中构建了超过3600个智能体技能，每天执行超过3万次智能体技能调用。

越来越多的工作会话不再由人工发起，而是由自动化托管智能体完成，包括代码评审、CI故障自动修复、完成端到端PR（含视觉验证）、分级处理值班告警、调试新提交的错误，以及各类代码维护任务。从2026年2月到8月，所有员工的周活跃用户增长了7倍，周智能体请求量增长了9.4倍。

令人意外的是，AI总支出自4月份以来已相对稳定。为排除模型升级与业务结构变化的干扰，Uber在2月至7月固定使用同一模型做对照测试：每1000次模型请求的成本较峰值下降近34%，每次会话的成本较6月峰值下降52%。

Uber将AI使用划分为四个层级，从全托管自主Agent、托管半自主Agent、任务特定交互式工具环境，到通用交互式工具环境，层级越高对成本、质量与模型选择的掌控力越强。整个Agent会话的支出可拆解为六个因子相乘的成本公式：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。中间三项是优化空间，也是Uber集中发力的方向。

在所有托管智能体层级中，Uber为每种工作负载选择帕累托最优的模型，并依靠按周、按月的完整指标集对短期与长期工作做预测规划。业内认为，Uber这份”真实业务基准测试”的方法论具备普适性——调用量涨上天、成本却被按在地上，靠的是消灭无意义Token与清晰的模块边界。

值得注意的是，Uber强调其成本优化并非依赖供应商议价，而是在标准定价层级内对内部业务负载做更智能的路由调度，这也是其方法论可复制的关键。