За последний год компания Uber совершила масштабный скачок в автоматизации процессов разработки (SDLC). Инвестиции в автономных ИИ-агентов привели к впечатляющим результатам: сегодня более 70% всех Pull Requests (PR) создаются ИИ-помощниками. Это удвоило объем производимого кода на одного инженера и позволило автоматически обновить более 9 миллионов строк кода (около 250 миграций), радикально снизив рутинную нагрузку на команды.
6 базовых элементов ИИ-архитектуры Uber
Чтобы создать управляемую "программную фабрику" (managed software factory), разработчики внедрили шесть фундаментальных блоков:
| Компонент | Роль в экосистеме |
| Model Gateway | Единый шлюз для моделей (OpenAI, Anthropic). Обеспечивает анонимизацию данных (скрывает 20+ типов PII), задержку <100 мс и обрабатывает >100 млн запросов в день. |
| MCP Gateway | Точка интеграции для 1000+ инструментов (API, Jira, Slack). Универсальный доступ и оптимизация промптов экономят до 40% токенов всей системы. |
| DevPod | Предварительно настроенные Kubernetes-контейнеры. Дают агентам изолированную, глобально доступную среду для мгновенной работы с монорепозиториями. |
| Skills Marketplace | Внутренний магазин из 2500+ навыков (skills) для ИИ. Проходит авто-линтинг и позволяет агентам мгновенно получать нужные умения под конкретные задачи. |
| Context Graphs | Граф контекста (40 млн связей), объединяющий архитектуру, код и документацию. Позволяет агентам мгновенно понимать зависимости между сервисами. |
| Cortana | Внутренний корпоративный ИИ-ассистент, доступный в Slack, CLI и Web. Обслуживает 300+ уникальных персонализаций и >20 000 сессий ежедневно. |
Практическое применение: От идеи до продакшена
Архитектура Uber позволяет сопровождать фичу на всех этапах жизненного цикла. Как это работает на практике:
- Аналитика и проектирование: Cortana анализирует базу знаний для оценки бизнес-требований и помогает генерировать макеты в Figma (включая варианты для A/B тестирования).
- Автономный кодинг: Облачный ИИ-агент Minion самостоятельно пишет код бэкенда и фронтенда, работая внутри DevPod.
- Смещение проверок влево (Shift-Left): До отправки кода в Continuous Integration (CI), агент делает скриншоты в симуляторе, сверяет их с Figma и тестирует интеграцию.
- Умное ревью: Пулл-реквесты публикуются вместе с таблицей пройденных проверок. Внутренний цикл (Inner loop) использует быстрые модели, а внешний (Code review) — мощные LLM для глубокого анализа логики.
- Автоматическое обслуживание: Скрипты очистки старого кода (например, удаление feature-флагов) запускаются автономно в воскресенье, чтобы сбалансировать нагрузку на CI и не перегружать разработчиков лишними ревью в понедельник.
Результаты и новые вызовы
Успешное внедрение Agentic SDLC перевернуло привычные подходы, но создало новые узкие места: резко возросла нагрузка на CI-инфраструктуру из-за огромного потока генерируемого кода. Теперь главный вопрос для Uber звучит не "Можем ли мы это запрограммировать?", а "Имеет ли бизнес-смысл это создавать?".
Какой из описанных ИИ-компонентов (например, шлюз моделей, магазин навыков или граф контекста) кажется вам наиболее перспективным для внедрения в ваши процессы разработки?
На основе Agentic SDLC at Uber — Uday Kiran Medisetty & Adam Huda, Uber