Uber agent software factory 請求量增 9.4 倍，單次 session 成本降 52%。

規模與成效 Uber Engineering 的官方文章指出，超過 70% 的 pull requests 可歸因於本機或雲端 Agent；工程師已建立超過 3,600 個可重複使用的 skills，每日執行超過 30,000 次。2026 年 2 月至 8 月中旬，weekly active users 成長為 7 倍，requests 成長為 9.4 倍，但整體支出維持穩定。

Uber agent software factory 自 2026 年 2 月至 8 月期間每週活躍使用者成長 7 倍、Agent requests 成長 9.4 倍，而整體 Cost 支出逐漸趨於穩定。

成本控制機制 Uber 透過多項架構與排程策略控制 agent 成本：

Uber 在固定模型條件下，每 1,000 次請求成本與每 session 成本均自高點顯著下降

在不同 model 之間採用 managed routing，並預設 Medium reasoning。約在 400,000 token 觸及 compaction，壓縮過長的 context。依需求設定 prompt-cache TTL，降低重複處理成本。將 MCP 形態的能力移到 CLI、tool-search 或 code-mode 介面後方。

架構與執行環境分類圖，頂端橫列標示 Code Gen、Validate、Deploy、Observe、Maintain 與 SKILL CLOUD 等生命週期階段，下方分為 SPECIALIZED AGENTS、GENERAL AGENTS、SESSIONS W/ SKILLS 及 RAW SESSIONS 四大類，詳細列出 Minion、uReview、Agentic XP、Conan AI、Fawkes、Cortana 等 agent 與相關計費維度與執行環境圖示。

因此，固定 model 每 1,000 次 requests 的成本較高峰下降約 34%，每個 session 的成本則較 2026 年 6 月高峰下降 52%。

Uber 透過增加 Users 與 Sessions / User 以推動 adoption and engagement，同時縮減 agent trajectories 與 unit price（Price / Token），在週活躍使用者成長 7 倍與請求增長 9.4 倍下，實現每 session 成本下降 52% 並穩定整體支出。

系統與衡量方式 Uber 也建立約 2,400 萬個節點、8,000 萬條邊的 context graph，串聯程式碼、負責人與組織知識。文章主張應以 session 與 workflow 衡量成本和產出，而不是只看 requests 數量；後者本身無法證明實際價值，也不能單獨解釋支出。

五列三欄的評估指標表格，橫跨 Layer、Metrics 與 What it answers 三個欄位，詳細列出從 Portfolio、Unit economics, per tool、Model economics、Driver decomposition 到 Managed agent outcomes 各層級的成本與效能衡量指標及其解答的業務問題。

四欄列結構的表格，左側為類別欄位（Price / Token、Tokens / Request、Requests / Turn、Visibility & Education），右側則羅列了相對應的技術規格與功能細節。

Frontier Model C 在 uReview benchmark 以 F1 分數 0.50（單次 review 成本 $0.47）位於 Pareto frontier 最上端，領先其他 10 種模型與 harness 設定組合。

在 MAIN THREAD 工作流程中 1-hour TTL 以 2.40x 的總成本較 5-minute TTL 便宜 39%；而在 SUBAGENT 工作流程中 5-minute TTL 以 1.65x 的總成本較 1-hour TTL 便宜 31%。

Tool search + the CLI 模式在 context window 中僅佔用 near zero 的 token，顯著少於 Install each server 模式所消耗的 ~50-70,000 tokens。

比較 MCP TOOL USE 與 CODE-MODE 兩種架構的序列圖顯示，前者每個步驟皆為 model turn 並在 3 到 7 個 turn 中消耗 903 至 1,431,594 tokens，後者則由 model 撰寫 script 讓 loop 在 model 外部執行，僅需 1 個 model turn 與約 400 tokens。

Code-mode 在各項 Query 測試中每筆 Query 消耗的 token 均低於 LLM tool-use，可節省 55% 至 ~100% 的 token 數。

架構圖說明 MCP GATEWAY 如何透過單一 shell 指令（aifx mcp call ）在 context 內外連接多個 SaaS 伺服器與對應的工具數量，包含 Workspace suite 49 tools、Project tracker 46 tools、Messaging 34 tools、Issue tracker 28 tools 與 Design 16 tools。

WITH THE GRAPH 在回答 Forge 車輛列表查詢問題時耗時 38 秒並獲得 30 / 30 滿分（CORRECT），優於 WITHOUT THE GRAPH 的 20 分 09 秒與 19 / 30 分（WRONG）。

顯示工程師日常視角的命令列狀態介面圖，頂端標題為 WHAT AN ENGINEER SEES, ALL THE TIME，下方區塊列出主機與分支名稱、包含 46k token 與佔比 11%/400k 的 token 使用量進度條，並顯示 Sonnet 4.6 (1M) 模型、費用、session 狀態與相關網址。

某軟體操作介面的 Overview 總覽頁面，頂部列出導覽標籤與各項指標計數，下方卡片顯示總花費 $4162.07、433 次 sessions、95% 快取命中率、快取未命中成本 $1097.82 及潛在節省 $1213.87，並提供日期範圍與專案篩選下拉選單。

原文：https://easyvibecoding.app/curated/3186-uber-agent-software-factory-requests-cost-reduction

Uber agent software factory 請求量增 9.4 倍，單次 session 成本降 52%

EasyVibeCoding Podcast

Uber agent software factory 請求量增 9.4 倍，單次 session 成本降 52%