LinkedIn 的上下文工程:如何用 MCP 为 AI 智能体构建组织级上下文层

山止川行行业资讯📡 BestBlogs·全站精选⭐ 902026-09-20733 阅读💛 239 收藏
LinkedIn 的上下文工程:如何用 MCP 为 AI 智能体构建组织级上下文层

📌 One-Sentence Summary LinkedIn 工程师 Ajay Prakash 分享如何通过 MCP 构建组织级上下文层,借助代码搜索工具与可组合的 playbook 程序性记忆,让编码智能体理解庞大内部系统并端到端完成任务。

📝 Summary LinkedIn 软件工程师 Ajay Prakash 在演讲中分享了 LinkedIn 如何让编码智能体真正理解其庞大而成熟的内部代码库。早期的 vibe coding 在 LinkedIn 遭遇失败,因为智能体缺乏内部上下文,只能产出低质或幻觉代码,工程师被迫「保姆式」引导。Anthropic 开源 MCP 后,LinkedIn 将已有的代码搜索引擎封装为 MCP 工具,让智能体能检索 1000 多个仓库的代码、文档、功能开关、任务管理和数据平台。但工具增多带来了部落知识难寻、上下文过载、缺乏长期记忆三大问题。为此 LinkedIn 提出「程序性记忆」概念,落地为 playbook:以 name、description、instructions 描述如何完成特定任务,通过 MCP 作为工具被智能体调用,任何人可创建并提交到中央仓库共享。好的 playbook 遵循自包含与可组合两条设计哲学,后者带来复用与上下文渐进披露两大优势,最终形成可导航的 playbook 图谱。智能体还能在发现过时信息或边缘情况时自行改进并回写 playbook,形成持续优化的飞轮。架构上采用本地 MCP 服务器,区分中央 playbook 与仓库本地 playbook。

💡 Main Points 早期 vibe coding 在 LinkedIn 失效,根源是智能体缺乏公司内部上下文,而非模型能力不足。LinkedIn 代码库庞大成熟,包含数千个仓库、微服务、自研数据库、实验与可观测系统,新工程师需一周 bootcamp 才能上手。LLM 只训练过开源代码,不了解 LinkedIn 代码形态,导致产出低质或幻觉代码,工程师不得不反复喂入上下文,反而变成「保姆」,最终退回手动编码。

MCP 是关键转折点,让编码智能体通过工具接入内部系统,代码搜索是第一个也是最大的解锁。Anthropic 开源 MCP 并成为连接工具与智能体的开放标准后,LinkedIn 将已有代码搜索引擎封装为 MCP 工具,智能体可跨 1000 多个仓库做关键词或正则搜索、读取文件内容。随后又接入文档、wiki、功能开关、任务管理和数据平台,使智能体能获取更丰富的内部上下文。

仅有工具仍不够,部落知识难寻、上下文过载、缺乏长期记忆是三大核心障碍。依赖安装、编译测试命令等隐性知识散落在文档、wiki 和 Slack 中,智能体难以找到;每次工具调用都占用有限上下文窗口,压缩后丢失信息,导致智能体陷入重复工具调用的循环;没有持久长期记忆,同一任务每次都要从头摸索,既慢又费 token。

LinkedIn 用「playbook」实现程序性记忆,把完成任务所需的上下文固化为可被智能体调用的工具。playbook 由 name、description、instructions 组成,通过 MCP 作为工具暴露,智能体按需调用获取完整指令。任何人可创建并提交到中央仓库共享,使提示词与上下文得以在组织内复用。

好的 playbook 遵循自包含与可组合两条设计哲学,后者带来复用与上下文渐进披露。自包含要求一个 playbook 只做一件事,多任务应拆分;可组合允许大 playbook 引用小 playbook,实现类似代码复用的效果,并让智能体只在需要时加载子 playbook,避免一次性塞满上下文窗口,从而高效管理上下文。

智能体能自行改进过时 playbook 并回写,形成程序性记忆持续优化的飞轮。playbook 会随系统演进而过时,但编码智能体善于临场应变,能发现过时信息或边缘情况,并在系统提示鼓励下于会话结束时总结学习、检出 playbook 代码并提交更新,使 playbook 越用越好。

💬 Key Quotes This is not fiction. This is how teams at LinkedIn are using coding agents as very productive coworkers with a deep knowledge of LinkedIn systems to automate their workflows and be very productive. You just cannot throw a coding agent at such a massive system and expect them to be productive. The main issue was the LinkedIn's codebase is so mature and there is a lot of internal context. The agents didn't have the context of how to make the changes properly. It's like finding the needle in the haystack. This creates a really good flywheel where more and more the playbooks are used, the agents, they can update it with the new learnings. 📊 Article Meta
AI Screening: 90 Featured: Yes
Source: InfoQ
Author: Ajay Prakash
Category: 人工智能
Language: 英文
Read Time: 26 min
Word Count: 6304
Tags: AI 与智能应用 , 上下文工程 , AI 编程 , 开发者工具 , 知识管理

#AI 与智能应用# 上下文工程# AI 编程# 开发者工具# 知识管理

文章评论(12)

空向阳2026-09-20

点赞,必须点赞

回复
杨丽华2026-09-20

刚好最近在找这方面的资料,太及时了。

回复
云逐月2026-09-20

支持作者,持续关注中。

回复
晨寻梦2026-09-20

整理得太全面了,省了我不少时间。

回复
晨沐雨2026-09-20

实话,说的不明不白

回复
风倚栏2026-09-20

这篇文章分析得很透彻,收藏了!

回复
晨沐雨2026-09-20

写得挺用心的,支持一下。

回复
吴超2026-09-20

点赞,必须点赞

回复
北岛渔夫2026-09-20

这篇文章分析得很透彻,收藏了!

回复
龙文博2026-09-20

收藏了,以后慢慢研究。

回复
云逐月2026-09-20

实测过类似工具,作者说的基本属实。

回复
陈皮话梅糖2026-09-20

这个观点很中肯,深有同感。

回复