Uber公开AI成本优化实践：通过将总花费拆解为六个可独立优化的变量，并采用四层架构管理智能体，实现了周活跃用户增长7倍、请求量增长9.4倍的同时，AI总支出自4月起保持稳定，单次请求成本下降34%，会话成本下降52%。核心方法包括模型选型基准测试、MCP工具CLI化、Code-Mode压缩Token、优化Prompt Cache TTL及构建上下文图谱，强调成本可见性与文化引导，为AI编程降本提供了系统化工程方案。

本文介绍构建高效商业智能体的架构指南，强调采用单智能体循环配合技能和工具，而非子智能体，以提升质量并降低成本。关键点包括：将UI组件作为工具、优化延迟与缓存、分层记忆管理、编排层强制执行安全规则，以及通过状态快照评测系统。该架构旨在适应未来模型升级，并支持多团队协作。

本文探讨智能体架构中循环工程与图工程的区别。循环工程关注“继续还是停止”，通过反复迭代验证结果，适合标准明确但路径不确定的任务；图工程关注“下一步去哪”，通过状态转移编排流程，适合复杂任务拆解。两者在逻辑层级上不同，生产级智能体需结合使用，循环负责质量收敛，图负责路径调度，明确区分可提升系统可控性。