四层 AI 开发架构

Uber 的 AI 开发体系分成四层：底层是内部 AI 平台，往上是上下文数据源，再上面是行业工具（Claude Code、Cursor、IntelliJ 这些），最顶层是专门的 Agent——负责测试、代码审查这类特定任务。

这个分层思路其实一人公司也能借鉴。你不需要搭一个完整平台，但把「基础能力」「上下文」「工具」「专用 Agent」这四层想清楚，整个 AI 工作流就不会乱。

Claude Code 的增长势头碾压 IDE 工具

一个很有意思的数据点：Claude Code 的使用率三个月内从 32% 飙到 63%（2025年12月到2026年2月），而 Cursor、IntelliJ 这类 IDE 工具的增长已经停滞了。

这说明什么？命令行 Agent 的使用体验正在超过 IDE 插件。对独立开发者来说，如果你还没试过 Claude Code 这类 CLI Agent，现在是时候了。它的好处是你可以同时开多个 Agent 并行跑任务，不用守在 IDE 里一行一行盯着。

从单线程写代码到编排多个 Agent

Uber 内部观察到一个明显的行为转变：工程师不再是坐在 IDE 里一个文件一个文件地写，而是变成了同时调度多个 Agent 并行工作。一个 Agent 在写功能代码，另一个在跑测试，还有一个在做代码审查。

这种「编排者」心态特别适合一人公司。你一个人干不了三个人的活，但你可以同时指挥三个 Agent 干活。Uber 为此专门建了一个叫 Minion 的后台 Agent 平台，让 Agent 在后台跑，不占用开发者的注意力。

我们虽然不需要建平台，但思路是一样的：把能拆的任务拆出去，让 Agent 在后台跑，你只管最后审结果。

Uber 造的几个内部工具值得关注

  • Code Inbox：AI 生成的代码多了，PR 也多了，噪音就大了。这个工具做的是智能 PR 路由，帮你过滤出真正需要你看的东西
  • uReview：AI 代码审查，但只给高信号的评论，不是那种 lint 级别的废话
  • Autocover：自动生成单元测试，每月产出 5000+ 个测试用例
  • Shepherd：管理大规模代码迁移，端到端自动化

这几个工具的设计理念很值得抄。特别是 Autocover——如果你是独立开发者，用 AI 自动补测试这件事投入产出比极高，省下来的时间可以拿去做产品。

成本是个真问题

Uber 的 AI 相关成本比 2024 年涨了 6 倍。Token 成本优化已经成了他们的优先事项。

这对一人公司更关键。你没有 Uber 的预算，所以从一开始就要想清楚哪些任务值得花 token，哪些不值得。比如让 Agent 写样板代码、生成测试、做代码审查，这些 ROI 很高；但让 Agent 反复调试一个微妙的 bug，可能你自己花十分钟看一眼比烧几万 token 更划算。

推广 AI 工具最有效的方式

Uber 发现一个反直觉的结论：自上而下的强制推广效果不如工程师之间口口相传。真正让 AI 工具铺开的，是一个工程师用 Agent 解决了一个实际问题，然后跟同事说"你试试这个"。

这跟我的体感一致。你不需要看完所有教程再开始用，找一个你手头正在做的、重复性高的任务，让 Agent 试着跑一遍。一旦你亲眼看到它能干活，后面的事情就自然了。

Uber 这套实践最大的启示不是它有多复杂，而是方向很明确：开发者的角色正在从"写代码的人"变成"指挥 Agent 写代码的人"。对一人公司来说，这个转变来得越早，杠杆效应越大。