随着92%的工程师开始使用AI，Uber对其“零增长技术栈”进行了重大调整。这一转型旨在通过动态系统控制和优化，减少传统资源扩容带来的额外开销。Uber的核心战略之一是系统性地转向动态系统控制，确保即使在内部软件复杂度不断提升的情况下，基础设施性能依然能够保持高效。Uber还集成了生成式AI到软件开发生命周期中，以提升开发效率。然而，快速采用这些工具也带来了显著的经济压力。自2024年以来，AI相关成本增长了六倍，因为基于Token的计费模式导致预算耗尽。为了解决这些挑战，Uber从无限制采用模式转向严格的成本治理模式，将每位开发者的使用额度限制在1,500美元以内。公司目前正在审查AI生成代码的实际效果，希望量化自动化产出效率与基础设施开销之间的直接影响。为了进一步完善这些指标，各团队正在从整体成本追踪转向更细粒度的衡量方式。Uber不再仅依赖单位劳动收入和AI计算支出来评估效率，而是建议衡量“净代码质量比”（net code quality ratio）和“每个功能的计算效率”（compute efficiency per feature），以确保基础设施优化能够与实际功能交付保持同步。
--91likeyou---
图片来源：Uber Engineering Blog
除了基础设施之外，Uber 还将生成式 AI 集成到了软件开发生命周期中，以提升开发效率。该架构包含多个层级：平台层（利用 Michelangelo AI 作为模型网关）、上下文层（通过 MCP Gateway 注入内部源代码）、专用层（部署 Minion 和 Shepherd 等后台 Agent），以及审查层（使用 uReview 和 Code Inbox 等工具）。目前，92% 的工程师每月都会使用这些 Agent，其中 31% 的新代码由 AI 编写，Autocover 每月生成超过 5,000 个单元测试。然而，快速采用这些工具也带来了显著的经济压力。自 2024 年以来，AI 相关成本增长了六倍，因为基于 Token 的计费模式导致预算耗尽，到 2026 年初，单个开发者的月度成本已经达到 2,000 美元。
为了解决这些挑战，Uber 从无限制采用模式转向严格的成本治理模式，将每位开发者的使用额度限制在 1,500 美元以内。公司目前正在审查 AI 生成代码的实际效果，希望量化自动化产出效率与基础设施开销之间的直接影响。为了进一步完善这些指标，各团队正在从整体成本追踪转向更细粒度的衡量方式。Uber 不再仅依赖单位劳动收入和 AI 计算支出来评估效率，而是建议衡量“净代码质量比”（net code quality ratio），即比较 AI 编写代码与人工编写代码在上线后出现热修复的频率。建立“每个功能的计算效率”（compute efficiency per feature）指标，可以帮助工程负责人判断 AI 生成代码所带来的额外开销——尤其是在考虑 Autocover 等工具生成的大量冗余测试之后——是否符合长期基础设施可持续发展的目标，从而确保基础设施优化能够与实际功能交付保持同步。
：
🔥 热词：#uber ipo · #uber alles · #uber使用 · #uberair · #uber au · #a uber gin e · #uber用户 · #uber connect