1. Running a Software Factory Efficiently at Uber Scale

推荐理由： 这是近期最完整的生产级 software factory 成本工程案例之一。Uber 已经不是在讨论“要不要用 coding agent”，而是在回答：当 Agent 进入整个 SDLC、请求量持续增长后，如何把 质量、上下文、模型选择、tool use 和 token cost 全部变成可观测、可优化的工程系统。

核心要点：

  • Uber 目前 70%+ PR 归因于 local/cloud agents，内部已有 3,600+ agent skills、每天 30K+ skill executions；越来越多 session 由 managed agents 自动触发，用于 code review、self-healing CI、E2E PR、on-call triage、debugging 和 maintenance。2026 年 2 月到 8 月，weekly active users 增长 7×、agentic requests 增长 9.4×，但在控制模型变量后，cost / 1,000 requests 从峰值下降约 34%，cost / session 从 6 月峰值下降 52%。
  • 他们把总成本拆成 users × sessions/user × turns/session × requests/turn × tokens/request × price/token，然后分别优化每一项。最值得借鉴的是 outcome-denominated cost：managed agent 不只看 token，而看 cost per merged PR、cost per review、cost per alert、cost per cleanup，并同时绑定 revert rate、F1、MTTR 等质量指标。模型选择也不是固定“用最强的”，而是基于真实 workload benchmark 持续寻找 Pareto frontier。
  • Context/tooling 是最大的系统级杠杆之一：Uber 的 AI Context Graph 已有 24M nodes、80M edges，覆盖 30+ 内部系统；同一问题里，graph-grounded agent 38 秒得到正确答案，无 grounding 的 agent 花 20 分钟仍答错。另一方面，他们不把 1,000+ MCP tools 的 schema 全塞进 context，而是通过 CLI/tool search 按需加载，并用 code-mode 把多轮 tool polling 放到子进程中；在示例 SQL workflow 中可减少 50%–90%+ token。核心方向很清楚：Agent factory 的优化对象不是单次 prompt，而是整个 execution economics。

2. Can your AI agent be cheaper? Investigating the effects of task specifications on token spend in agentic coding tasks

推荐理由： 这篇把“spec 写得好能不能让 coding agent 更高效”从经验判断变成了可测量问题。它非常适合 AI-native SDLC：task specification 不只是需求传递 artifact，也直接决定 Agent 要花多少轮去自行发现 acceptance criteria、定位问题和补齐缺失信息。

核心要点：

  • 实验使用 5 个 SWE-bench Verified 任务，为每个任务构造 12 种 specification、3 档 thinking effort、每种重复 15 次，共 2,700 runs。完整 spec 包含 user story、Given/When/Then acceptance scenarios、edge cases、functional requirements、entities、success criteria 和 assumptions。将完整 spec 削成只有 bare user story 后，平均 token/cost 增加 29.7%，成功前 turns 增加 16.4%；不同任务的敏感度差异很大，成本影响从约 13% 到 115%。
  • 最有意思的不是“内容越多越好”，而是 具体性比长度更重要。单独移除多数 section 只带来很小变化，但删除 concrete acceptance scenarios 会稳定增加 turns；反过来，直接给 failing-test transcript 虽然结构很差，却因为已经提供文件/test localization，反而能省掉大量 discovery。也就是说，Agent 真正需要的是能减少搜索空间的 operational context，而不是更长的 prose。
  • Prompt 能移动平均成本，却几乎不能消除 agent 本身的随机性：相同 specification 重跑，token spend 的典型 spread 仍约 1.34×。同时 specification detail 与 reasoning effort 存在替代关系：低 thinking effort 下不同 spec 的最大成本差约 2.13×，到 max effort 缩到 1.61×。论文还表明，对一个新任务只做一次约 $0.11 的 probe run，就能把其他配置的成本预测中位误差从 161% 降到 36%。对 software factory 来说，这意味着 spec quality 和 task-level cost profiling 都可以进入 CI/eval，而不必把 token spend 当不可控噪声。

注：该研究只覆盖 5 个 SWE-bench 任务和单一模型 Kimi K3，结论适合作为工程假设和测量方法，而不应直接外推成所有 coding agent 的固定比例。