70% of Uber's Code is Now Written by AI
Uber 軟體工廠的六大建構元件
Building Blocks for Uber’s Software Factory— Uday Kiran Medisetty & Adam Huda, Uber
18:25長度
4金句
10名詞
12段落
Uber 兩位工程師拆解軟體工廠的六個建構元件，並示範一個功能怎麼自動跑完從發想到上線。
重點摘要
6 件事
六大建構元件打底自主開發Model Gateway、MCP Gateway、devpod、技能市集、context graph 與 AI 助理 Cortana 六塊拼成軟體工廠，各自處於不同成熟度，但已在內部大規模運作。
統一閘道管控模型與工具存取所有模型請求經過同一個相容端點做身分驗證、PII 遮蔽與安全防護，全程低於 100 毫秒，並能精細歸因到每個專案與團隊；工具存取同樣收斂成一個 MCP 閘道，逐步優化 token 成本。
context graph 取代零散查找把散落在 20 到 30 個系統裡的服務關係、擁有者與規範整理成一張圖，agent 不必再耗費大量 token 東拼西湊上下文。
端到端示範：發想到上線一次走完以世界杯乘車接送點功能為例，從 Slack 發想、Cortana 輔助商業評估與設計，到雲端 agent Minion 動手寫程式，過程被壓縮到很短時間。
內外迴圈重新分配驗證工作把視覺比對、前後端整合檢查提前搬進內迴圈，外迴圈保留自我修復 CI 與較深入的程式碼審查，PR 上附一張檢查清單讓審查者對自主生成的差異有信心。
維護工作跟著自動化功能上線後的清理（例如關掉不再需要的實驗變體）交給排程過的維護技能執行，跑出的結果又回頭變成改進技能本身的資料。
時間軸 · 金句在右
12 段 · 時碼連回 YouTube
開場與規模Uday 與 Adam 開場說明：上千名工程師橫跨 12 個據點，超過七成 PR 已由本地或雲端 agent 完成，年增兩倍人均產出程式碼，光自動化搬遷就處理了兩百五十多次、九百萬行程式碼。
00:01
「We handled more than 250 automated migrations, 9 million lines of code automatically for our engineers.」光自動化搬遷就處理了兩百五十多次，自動幫工程師改動九百萬行程式碼
元件一：Model Gateway所有模型請求都經過同一個相容端點，做身分驗證、PII 遮蔽與安全防護，全程低於 100 毫秒，並能歸因到每個專案、使用者與團隊，目前有 800 多個專案、每天上億次請求。
元件二：MCP Gateway內部 API 與各種 SaaS 工具原本各自認證、各自設定，統一收進 MCP 閘道後，再靠 Omni MCP、CLI 模式與 code mode 技能逐步壓低 token 消耗，換來上千個工具與四成以上的整體省下。
元件三：devpod 運算環境原本按語言分流的雲端開發環境，升級成預先建置好、快照好程式庫與索引的 Kubernetes 環境，讓 agent 幾秒內就能開始工作，也讓非工程師員工能快速上手 agent 工具。
元件四：技能市集為解決技能重複建置與品質參差，Uber 建立技能生命週期與市集，統一安裝與探索方式，並依角色自動安裝預設技能，累積 2,500 個技能、每天兩萬多次執行。
元件五：context graph過去查找服務關係、擁有者與規範要橫跨 20 到 30 個系統，耗費大量 token 與時間；現在整併成一張含 150 種節點與邊型態、四千萬筆資料的圖，查詢效率明顯改善。
08:26
「We took all of the information of how Uber runs into one context graph. This has 150 unique node and edge types.」我們把 Uber 整套運作方式的資訊全部收進一張 context graph，裡面有 150 種節點與邊的型態
元件六：AI 助理 Cortana把前面所有元件包進一個能在 Slack、CLI、網頁上使用的助理，任何員工都能提問並讓它查圖、叫用技能、檢查程式碼，一個月內就長出 300 種個人化角色、每天兩萬多次對話。
換手：從發想開始示範Adam 接手，示範一個世界杯乘車接送點的新點子如何在 Slack 裡跟 Cortana 一起完成商業評估、需求界定與兩版 Figma 設計，把原本要花數週對齊的過程壓縮到很短時間。
交給 Minion 動手寫程式點子交給 Uber 自家的雲端 agent Minion，靠 devpod 提供的完整建置環境跨前後端動工，但只先停在草稿 PR，刻意不送進 CI，留待先做驗證。
內外迴圈重新分工驗證視覺比對（截圖對 Figma 稿）與前後端整合檢查提前搬進內迴圈，交給較小模型快速跑；外迴圈留給自我修復的 CI 與較強模型的深入審查，PR 上會附一張列出所有檢查結果的表格。
14:22
「On the PR, you will have a table attached that says all these different checks that it went through, including the screenshots.」PR 上會附一張表格，列出它經過的所有檢查，包括截圖
維護技能接手善後功能上線後的清理（例如關掉不再需要的實驗變體）交給排程過的維護技能執行，時間排在週末以免占用平常的 CI 產能，跑出的結果又回頭變成改進技能本身的資料。
結語：瓶頸與該不該做點出接下來的瓶頸在 CI 產能與能同時跑的實驗數量有限，最後提醒團隊現在真正該問的已經不是能不能做出來，而是該不該做。
17:14
「It's not about, you know, can we build, we know we can probably build it. Now it's more of a question of should we build it.」重點已經不是能不能做出來
名詞與人物
10 個
Uday Kiran Medisetty講者，Uber 工程師，本場負責介紹六大建構元件。
Adam Huda講者，Uber 工程師，接續介紹如何用這些元件端到端交付一個功能。
Model Gateway統一收斂所有內部與外部模型呼叫的閘道，做身分驗證、PII 遮蔽與安全防護。
MCP Gateway統一收斂內部 API 與 SaaS 工具的閘道，讓 agent 透過同一個入口取用所有工具。
Omni MCP單一入口 MCP，可探索並呼叫閘道內任何其他 MCP，用來省下逐一安裝的成本。
devpodUber 原有的雲端開發環境，被升級成預先建置好、可讓 agent 立即使用的執行環境。
CortanaUber 內部 AI 助理，整合技能、MCP 與 context graph，可在 Slack、CLI、網頁上使用。
MinionUber 的雲端 coding agent，可互動或自主模式運作，靠 devpod 提供跨程式庫的建置環境。
context graph把 Uber 各系統的服務、依賴與規範整合成一張圖的知識庫，供 agent 快速查找脈絡。
Spire用於身分驗證與授權的中介層，是 Model Gateway 諸多防護措施之一。
延伸
演講裡沒展開的
- 提到接下來一場由 Uber 另一組人分享的 agentic 程式碼審查演講，本場只帶到一句，沒有展開。
- 提到技能上架前會經過一連串 lint 檢查與自動化審查來保底品質，但沒有說明具體規則內容。
- 提到維護技能會以月為週期，從事故回顧中挑出新的維護技能種類，但沒有進一步說明篩選標準。
標籤