Uber 工程团队介绍了 AutoClean 系统，用于自动化清理 feature flag 产生的技术债务。陈旧的 feature flag 会在代码库中留下大量死代码，影响可读性、测试效率，甚至拖慢 AI agent 的会话。清理看似简单的搜索删除，实则涉及布尔逻辑、辅助函数、调用点、配置和测试的连锁传播决策。AutoClean 结合 AI agent 与基于 PolyglotPiranha 的确定性代码转换工具，通过 MCP 协议协作完成代码重写，并在 CI 失败时由确定性 fixer 与 agentic fixer 分层修复，最终生成通过验证的 diff 交由人工审查。该系统在 Uber 的 monorepo 中持续运行，实现了规模化、安全的技术债自动清理。
Uber 工程团队分享了其法律红线审查智能体（Legal Redlining Agent, LRA）的构建经验。该系统以 Word 插件形式集成到律师的工作流中，能够识别外部合同修改、理解对方意图、基于政策生成建议和评论并标记风险。自上线以来，合同平均审查时间缩短超过 20%，律师对 AI 决策的采纳率达 91%。文章详述了从 RAG 方案到引入律师反馈自学习循环的四次迭代历程，核心经验是：从业务问题出发、嵌入律师既有工作流程以赢得信任，并通过紧密的反馈迭代持续改进智能体。该系统助力 Uber 法务团队获得 2026 年 ALM Legalweek 年度最具创新法务部门奖。
Uber 推出 MCP Gateway，作为统一管理 AI Agent 与后端服务 MCP 交互的核心微服务平台。文章介绍了其架构：控制平面（MCP Registry）作为工具目录的唯一事实来源，数据平面（Proxy Gateway）负责将 MCP 协议请求翻译为 HTTP、gRPC 或 TChannel 并路由到后端服务。通过基于 Cadence 的 AutoCrawler 自动扫描 IDL 注册表和原生 MCP 服务器心跳，自动发现、生成并注册 MCP 工具，同时支持 Jira、Google 等第三方集成。该平台已托管 800 多个 MCP 服务器和 5000 多个工具，实现了安全、可扩展、统一的 Agent 生态治理。
Tesla 在 Cybercab 发布会上线“Help Us Build”表格，邀请外部资本参与 Robotaxi 车队建设，标志着“智能层轻资产、第三方持有生产资料”的结构浮出水面。文章以 Uber 的分工栈、Kalanick 的 Atoms“把 atoms 当 bits”理念、Meta 与 Blue Owl 的数据中心表外融资为例，论证 AI 时代智能层公司正将重资产剥离给机构资本。作者回顾历史上每次生产力革命都伴随“分配技术”（股份公司、有限责任、共同基金），并提出普通人在 AI 时代的两种参与方式：持有智能层股权，或持有被调度的具体资产（隔离索取权）。但标准化单元只能获得竞争性收益率，真正的租金留在智能层手中，普通人若不持有股权，便可能沦为“佃农”。
本文介绍 Uber 如何在软件开发生命周期中高效运行 AI 软件工厂。目前 Uber 超过 70% 的 PR 由本地或云端 agent 完成，工程师构建了 3600+ 个 agent 技能，每天执行超 3 万次。文章提出软件工厂的四层 agent 使用架构，并将成本分解为六个可独立测量和优化的因子。通过基于真实工作构建的基准测试进行 Pareto 最优的模型选择、将子 agent 默认路由到更经济的模型、自动上下文压缩等优化手段，Uber 在模型不变的情况下将每千次请求成本降低约 34%，单会话成本较峰值下降 52%，实现了规模化的 AI 工程效率与成本控制。
