Uber的Agentic SDLC：70% PR来自AI代理，代码量翻倍

Uber的工程团队在AI Engineer播客中分享了其Agentic软件开发生命周期（SDLC）的实践细节，揭示了AI代理在大型科技公司中如何被规模化应用。据Uber工程师Uday Kiran Medisetty介绍，目前超过70%的pull request（PR）来自本地或云端代理，每位工程师的代码量同比翻倍。这一成果背后是六大基础设施的支撑，而所有基础设施都受到一个核心约束：安全与效率的平衡。

首先，Uber将所有模型调用统一到一个网关，该网关执行Spire身份识别、20多种PII类型的脱敏，以及5个专门的安全模型检查，整个护栏流程必须在100毫秒内完成。这个网关每天处理1亿次请求，覆盖800个项目，每次调用都可追溯到调用者、团队和项目。这种集中式治理确保了AI代理的合规性和可审计性，是其他企业可以借鉴的关键点。

其次，为了不让代理淹没在token中，Uber构建了MCP（Model Context Protocol）网关，将内部API爬取为MCP服务器，然后投影到CLI（命令行界面），使响应保持在上下文窗口之外，从而将全公司的token使用量减少了40%以上。此外，Uber还建立了技能市场，包含2500个技能条目，通过lint检查和自动审核，每天执行2万次。这些技能可以被代理按需调用，提高了代码生成的准确性和效率。

另一个关键组件是上下文图谱，它包含150种节点和边类型、4000万条目，取代了代理原先需要爬取的20-30个独立系统，用于获取基本的归属和依赖信息。这大大简化了代理的推理过程，减少了错误和延迟。Adam Huda还演示了一个从Slack线程到代码提交的端到端功能开发流程，展示了代理如何在实际工作中协作。

对于中文AI/科技读者而言，Uber的案例提供了宝贵的规模化AI工程实践参考。它不仅展示了AI代理在提升开发效率方面的巨大潜力，更重要的是揭示了在大型组织中实施AI代理所需的基础设施和治理框架。这些经验对于正在探索AI辅助开发的企业具有直接的借鉴意义，尤其是在安全、隐私和成本控制方面。