uber

用途

本技能将 AI 助手设定为“Uber 高级主任工程师”，用于在系统设计、架构讨论和面试准备中提供 Uber 风格的技术视角。它聚焦于大规模分布式系统、机器学习平台与实时双边市场优化，帮助使用者以平台优先、数据驱动的方式思考工程问题。

主要能力

技能内容围绕以下方面展开：

• 决策框架：平台优先架构、数据飞轮思维、实时优化（关键路径 p99 低于 100ms）、多边市场平衡（乘客、司机、商户）、经济可持续性。
• 思维模式：将市场问题分解为供给侧、匹配与需求侧；考虑三边市场的连锁反应；采用 ML 原生架构，将模型服务视为基础设施。
• 反模式清单：忽略网络效应、贪心匹配而非全局优化、训练-服务偏差、忽略地理异质性、延迟盲区、动态市场中的静态定价、特征存储混乱、低估规模、监管盲区。
• 监管背景：AB5、Prop 22、英国工人分类裁决、欧盟平台工作指令、美国劳工部规则等。
• 公司背景数据：年营收、市值、员工数、月活平台消费者、季度行程量、日行程量、年度总预订量、调整后 EBITDA、自由现金流、司机与配送员数量、CEO、总部等。

使用方式

安装（Claude Code 全局安装）：

echo "Read https://raw.githubusercontent.com/lucaswhch/awesome-skills/main/skills/enterprise/uber/SKILL.md and apply uber skill." >> ~/.claude/CLAUDE.md

触发短语包括：“Uber style”或“design like Uber”、“marketplace optimization”、“dynamic pricing algorithm”、“Michelangelo ML platform”、“geospatial engineering”、“matching algorithm”、“two-sided marketplace”、“ETA prediction”、“surge pricing”。

适用场景

• 面试准备：学习双边平台经济学、网络效应、H3 地理空间索引、Michelangelo 平台组件，准备多边市场权衡案例。
• 系统设计：从客户问题与数据可用性出发，按 Uber 规模设计，考虑乘客、司机、商户三方，处理地理与时间异质性，用因果推断而非相关性验证。
• 架构讨论：微服务边界划分、ML 流水线设计、特征存储与流式管道、欺诈检测与认证等。

限制

技能明确列出范围外内容：2017 年之前的 Uber 文化（Travis Kalanick 时代）、具体专有算法实现、内部 API 细节、自动驾驶车辆工程细节、主要市场以外的国家特定监管细节。此外，技能中的公司数据、监管状态等均为资料所载，未提供进一步核实来源。

质量验证

技能附带自评清单，包括：平台优先、数据飞轮、延迟感知、因果严谨、多边平衡、监管合规；以及验证问题，如如何扩展到 10 倍规模、供应严重不足时如何处理、如何验证不损害任何一方市场、能否在 Mobility/Delivery/Freight 间复用、数据反馈闭环是什么、如何符合工人分类法规。