Uber 如何借助 MCP 每周运行 60,000 个 AI 代理任务

来源: Agentic AI Foundation (AAIF)
作者: Agentic AI Foundation
原文链接: https://aaif.io/blog/how-uber-runs-60000-ai-agent-tasks-per-week-with-mcp/

---

深入探讨 Meghana Somasundara 与 Rush Tehrani 在 2026 年 MCP Dev Summit North America 上的演讲

60,000。这是 Uber 内部每周运行的 AI 智能体（AI agent）执行次数。每月活跃的智能体超过 1,500 个。Uber 5,000 多名工程师中，超过 90% 每月都在使用 AI 工具。而支撑这一切的基础设施，全部运行在 MCP（模型上下文协议，Model Context Protocol）之上。

“MCP 不仅仅重要，”Meghana Somasundara 说道，“它是让 AI 在 Uber 变得可用的关键。”

当规模放大所有问题

Uber 并非从零开始。该公司拥有超过 10,000 个内部服务，每个服务都有自己的 API、数据模型和访问模式。在 MCP 出现之前，每个智能体团队都必须自行摸索如何连接到其中任何一个服务。结果是数百个定制化、不可复用的集成被并行构建，没有共享标准，也没有共享工具。

在低流量下，这很混乱。而在 Uber 的规模下，这变得危险。

“智能体运行得更快，也更快地破坏事物，”Somasundara 指出，“爆炸半径要大得多。”

三个问题类别迅速显现：

1. 开发生命周期： 没有构建或部署 MCP 服务器的标准方式
2. 安全与隐私： 无法洞察调用模式或数据访问
3. 发现： 智能体或工程师无法找到经过审查、可靠的工具

来自 Meghana Somasundara 和 Rush Tehrani 在 MCP Dev Summit 2026 上的演讲。

构建控制平面：MCP（模型上下文协议）网关和注册中心

Uber 的解决方案是将 MCP 基础设施视为任何其他关键平台：构建一个控制平面。

MCP 网关和注册中心位于 Uber 的每个智能体与每个服务之间。团队无需自行编写集成，网关会利用 LLM 自动将 Uber 超过 10,000 个服务接口定义（proto 和 thrift 文件）转换为 MCP 工具描述。服务所有者可以控制哪些工具被暴露，并可以优化描述，但繁重的工作由中央统一处理。

一切通过代码运行。变更成为拉取请求。拉取请求在部署前会经过安全扫描。没有任何东西通过旁门左道进入生产环境。

安全层内置于每个级别：

• 默认情况下，任何敏感数据都启用身份验证。
• PII 脱敏服务会自动从工具输出中剥离个人信息。
• 持续代码扫描可捕获风险模式和意外的端点暴露。
• 护栏会阻止对关键服务的写操作，并记录所有通过的操作。

第三方 MCP 比内部 MCP 经过更严格的把关。Uber 使用大量外部系统，团队希望考虑到不同供应商之间的数据处理标准差异。

MCP Gateway 架构图，展示了编排器（orchestrator）、网关服务（gateway service）和消费者（consumers）之间的连接方式。

三大消费面，一个注册中心

在 Uber，MCP（模型上下文协议）通过三个主要的消费面流转，每个消费面都有不同的需求。

Uber Agent Builder 是一个用于构建内部智能体的无代码平台。团队用它来搭建生产力工作流、自动化流程和运营工具。每月有数千个智能体在该平台上活跃运行。该团队内置了多项可靠性改进：智能体可以在系统指令中通过名称引用特定的 MCP 服务器；操作员可以从服务器中选择单个工具，而非暴露所有工具；特定参数可以用静态值覆盖，这样模型就不必自行猜测。

Uber Agent SDK 是面向构建生产级智能体团队的代码优先路径。一个 YAML 配置文件负责处理 MCP 服务器选择、工具范围限定和参数覆盖。SDK 会自动加载所有内容。杂货助手、护理协调和客户支持智能体都运行在这个技术栈上。

编码智能体——Claude Code、Cursor 以及 Uber 自有的后台智能体 Minions——使用一个名为 AIFX 的 CLI 工具来添加本地或远程 MCP 服务器。仅 Minions 每周就能产生约 1800 个代码变更，公司内 95% 的工程师都在使用它。

下一步：质量与发现

Rush Tehrani 在演讲最后展示的路线图聚焦于两件事：让注册中心更智能地评估质量，以及让发现过程自动化。

团队正在扩展注册中心，纳入评估指标和服务 SLA，这样智能体和工程师在选用 MCP 服务器之前就能看到哪些是可靠的。一个工具搜索工具正在开发中——这是一个按需查找并加载其他 MCP 的 MCP，同时也有助于减少上下文膨胀。

技能（Skills）也正成为更重要的组成部分。Tehrani 将其描述为“使用 MCP 的配方”，是可跨团队共享的可复用工作流知识包。路线图中包含一个技能注册中心，以及评估技能输出、评分调用正确性、并对技能版本进行 A/B 测试的能力。

生产级 MCP 部署的典范

Uber 所构建的，是对一家真正有风险的公司来说，在生产环境中运行智能体究竟需要什么的有力论证。

MCP 网关与注册中心模式（集中化生成、代码驱动变更、分层安全、针对内部与外部服务器的分级信任）是可复制的。其他大规模运营的组织面临着与 Uber 相同的压力：碎片化的集成、不可见的数据流，以及比试图管控它们的人类跑得更快的智能体。

Uber 最终给出的答案是控制平面。不是因为优雅，而是因为有效。

Meghana Somasundara 是 Uber 的智能体 AI 负责人。Rush Tehrani 是 Uber 的智能体 AI 平台负责人。要了解更多关于 MCP 的信息，并与构建这一规模系统的工程师交流，请访问 aaif.io，加入 AAIF Discord 的讨论，或参加即将举行的 AAIF 活动。