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 Read Full Article