Uber把超过七成代码变更交给Agent处理后，企业AI的竞争标准又变了。真正值得注意的不是“公司用了多少个智能体”，而是它把代码审查、研发协作和成本控制放进了同一套软件工厂：每天执行数万次任务，用户增长数倍，AI支出却没有同步膨胀。模型能力仍是基础，但能否把任务拆开、让工具稳定运行、把上下文组织好，并用账单证明效率，正在成为企业采购AI时更硬的指标。
软件工厂开始自动运转
Uber公开的内部实践显示，公司已经构建超过3600个AI Agent技能，每天执行超过3万次任务，覆盖代码审查等研发环节，约七成PR由Agent参与处理。这里的关键不是用一个万能模型替代工程师，而是把需求分析、代码检查、测试建议、文档维护等工作拆成边界清楚的能力，再让不同智能体在流程中各司其职。
这种做法与传统脚本自动化有明显区别。脚本只能按照预设步骤重复执行，Agent则能读取代码上下文，根据测试结果改变下一步动作，并在遇到不确定信息时提出问题。前提是每项能力都要有输入格式、输出标准、权限范围和失败处理，否则“智能协作”很快就会变成大量不可追踪的自动调用。
上下文图谱比堆模型更重要
Uber还构建了包含约2400万个节点的企业级上下文图谱，用来减少智能体无效搜索。大型组织里的代码仓库、服务依赖、负责人、历史变更、工单和发布规则往往分散在不同系统中，Agent如果每次都从头翻找，不仅速度慢，也容易把旧接口、过期文档或无关项目当成依据。
上下文图谱的价值，是把“这个文件为什么这样写”变成可以被检索和验证的关系网络。它不只是知识库的另一种名称，还应记录来源、更新时间、权限和可信程度。企业在建设这类系统时，先整理高频任务和关键链路，通常比盲目导入全部历史数据更有效；过期信息越多，模型越可能在看似完整的上下文里走错方向。
AI账单要按任务计算
这次实践最有启发性的数字，是请求量增长约9.4倍、周活跃用户增长约7倍，但AI总支出保持平稳。Uber通过模型路由、Token缓存和调用策略优化，把每千次请求成本降低34%，单会话成本降低52%。这说明低价模型并不是唯一答案，少犯错误、少重复读取、少走无效工具链，同样会直接改变最终账单。
企业核算AI成本时，不能只盯着每百万Token报价。一个模型如果经常生成错误代码，工程师需要反复修改；如果每次调用都携带整份项目上下文，输入费用会迅速累积；如果Agent无法判断何时停止，还会出现循环调用。更合理的指标是“完成一项任务花多少钱”，同时观察成功率、人工接管次数、延迟、回滚比例和后续维护成本。
路由和缓存成为基础能力
在研发流程里，不同任务需要的模型能力并不一样。格式检查、简单摘要、重复代码识别可以交给轻量模型；跨服务排查、复杂重构和高风险发布则需要更强的推理能力。按任务难度动态路由，能避免所有请求都挤向最昂贵的模型，也能让高价值调用获得足够的上下文和计算预算。
缓存同样不能理解成简单地保存回答。更值得缓存的是稳定的项目结构、依赖关系、工具说明和已经验证过的中间结果。缓存必须带版本号和失效条件，代码分支、接口协议或权限变化后要及时刷新，否则节省下来的Token可能换来更昂贵的错误。对承载企业Agent的云环境来说，CPU、内存、磁盘IO、网络延迟和日志留存也应纳入整体成本模型，像速维云这类云服务器服务，选型时要结合并发压测和故障恢复，而不是只看单项配置。
从代码审查走向业务执行
软件研发只是企业Agent最容易验证的起点。代码有明确的提交记录、测试结果和构建流程，适合建立反馈闭环；当这套方法成熟后，采购、客服、数据分析、财务对账和运维排障也可以采用类似结构：把任务拆成能力，让系统读取受控数据，执行可回滚动作，再由人审核关键结果。
但研发流程的成功不能直接证明Agent可以无条件接管业务。代码审查出错通常还能回滚，付款、删除数据、修改生产配置和向客户发信却可能造成即时损失。企业应按风险分级授权，低风险动作可以自动完成，高风险动作必须展示对象、范围、差异和预计影响，并保留人工确认、暂停和撤销入口。
安全要嵌进软件工厂
智能体数量增加后，安全不能靠最后一道人工检查。每个Agent都应拥有独立身份和最小权限，工具调用要记录任务目标、模型版本、输入来源、参数、返回结果与审批关系。对于第三方技能，还要固定版本、检查依赖、限制网络出口，把运行目录与源码、密钥和生产数据隔离。
企业还需要持续测试提示注入、恶意代码、越权读取、循环调用和错误路由等情况。防守侧Agent可以帮助归并日志、分析异常和生成修复建议，但不应直接把模型判断当成事实。只有经过规则引擎、沙箱或工程师验证后，隔离主机、撤销凭据等动作才适合自动触发。
企业要买的是可交付结果
Uber的案例把企业AI从“部署了多少模型”拉回了一个更务实的问题：每周到底完成了多少真实工作。Dify把Agent从应用节点提升为可独立构建、调试和发布的实体，行业也在尝试让技能跨场景复用；这些变化都说明，未来的企业AI不会只卖一个聊天界面，而会卖一套可以接入组织、持续运行并接受审计的执行系统。
对准备落地AI的团队来说，第一步不是追逐最多的Agent，而是挑选一个边界清晰、结果可验证、失败可回滚的任务，建立成本和质量基线，再逐步扩展到更多流程。模型升级会带来能力提升，但真正决定长期回报的，是上下文是否可靠、路由是否合理、权限是否克制、日志是否完整，以及系统能否在现实故障中停下来。AI软件工厂的终点，不是让机器显得忙碌，而是让每一项自动化都能被解释、被计价、被验收。
