KeyFrame內部研究專用

500 Skills, Zero Fine-Tuning: LinkedIn's Playbook for AI Agents — Ajay Prakash, LinkedIn

AI Engineer英文
觀看原始影片

三句話摘要

LinkedIn 透過 Context Engineering 構建 Playbooks 系統,讓編碼代理在複雜企業環境中可靠地工作。 企業級編碼代理的勝負手不是工具本身,而是為代理量身定制的知識基礎設施——Playbooks 系統透過結構化指令、智慧工具組織和自我改進飛輪,把編碼代理從不可靠的幻想家轉變為可信任的內部專家。 編碼代理在大企業的根本困境不在工具而在上下文。即使提供代碼搜尋、文件、Jira 等工具,代理仍缺乏「部落知識」(如何除錯特定錯誤、配置特定系統),導致必須頻繁手動干預提示詞,反而比手工編碼更費時。

重點整理

  1. 編碼代理在大企業的根本困境不在工具而在上下文。即使提供代碼搜尋、文件、Jira 等工具,代理仍缺乏「部落知識」(如何除錯特定錯誤、配置特定系統),導致必須頻繁手動干預提示詞,反而比手工編碼更費時。

  2. Playbooks 將知識從碎片化的文件/Wiki 轉化為結構化的執行指令。代理不只能存取工具,更能透過 Playbook 了解何時用什麼工具、用法順序,把分散的知識整合為可執行的工作流。

  3. 可擴展性設計規避了 MCP 的理論限制。MCP 標準無法有效支持超過 30-40 個工具,LinkedIn 用搜尋→獲取架構→執行的三層元工具架構,突破限制至數千個工具和 Playbook。

  4. 自我改進飛輪確保知識庫不會過時。鼓勵代理在每次使用後回饋改進建議,代理本身可產生 PR 更新 Playbook,形成持續的知識維護反饋迴圈,解決傳統知識庫易過時的問題。

實用技巧與重點

  • LinkedIn 內部規模:1,000+ 代碼庫、數千個微服務和應用
  • 系統發布時間:2025 年初
  • 核心技術:Model Context Protocol (MCP),由 Anthropic 發布
  • 規模指標:日活用戶 8,000+;工具數 300+;Playbook 數 600+
  • 用戶涵蓋:工程師、產品經理、設計師、TPM
  • 架構層級:
  • 本地 MCP 伺服器(預裝在所有 LinkedIn 筆電)
  • 中央 Playbook(跨多個代碼庫)
  • 本地 Playbook(特定於單一代碼庫)
  • 更新機制:自動每 1 小時更新一次
  • 可擴展性方案:三個元工具
  • Search Tool(用關鍵字和標籤搜尋相關工具/Playbook)
  • Get Schema Tool(取得工具詳細資訊)
  • Execute Tool(執行工具)
  • Playbook 設計原則:
  • 自含性(Self-contained)— 每個 Playbook 專注單一任務
  • 層級化引用 — 大型 Playbook 分拆成多個小型 Playbook 相互引用

結論

企業級編碼代理的勝負手不是工具本身,而是為代理量身定制的知識基礎設施——Playbooks 系統透過結構化指令、智慧工具組織和自我改進飛輪,把編碼代理從不可靠的幻想家轉變為可信任的內部專家。

完整解析

LinkedIn 軟體工程師 AJ 分享了該公司如何解決編碼代理在大企業環境中最根本的難題。故事源於一個看似理想的願景:讓編碼代理(Cursor、Claude Code、GitHub Copilot)幫助全體工程師提高生產力。但實踐卻遇冷。原因很簡單:這些代理是在開源代碼庫上訓練的,對 LinkedIn 內部的框架、系統架構、資料庫、實驗追蹤平台等一無所知。當工程師要求代理執行特定任務時,代理要麼幻想出不存在的 API,要麼提出根本無法在 LinkedIn 環境中運行的程式碼。最終,工程師們發現自己花更多時間修正代理的輸出,反而比直接手工編碼還慢。

問題不在工具的缺乏。LinkedIn 團隊嘗試了多種方法:開放代碼搜尋系統、連接 Jira、文件、Slack,甚至連功能開關系統都接入了。然而,即使代理能存取這些工具,它仍然會陷入困境。原因在於必要的知識並不只是「哪些工具存在」,而是「如何組合這些工具完成特定任務」。除錯特定錯誤的步驟、配置內部系統的最佳實踐、處理特定微服務的技巧——這些「部落知識」往往分散在各處:過時的文件、冗長的 Wiki 頁面、Slack 的歷史對話。代理無法有效聚合這些碎片,即使聚合也常常找到過時或相互矛盾的資訊。同時,隨著工具越來越多,代理的上下文窗口會快速爆滿,導致它必須忘記之前學到的東西,每次都從零開始。

LinkedIn 的解決方案在 2025 年初藉由 Anthropic 發布的 Model Context Protocol (MCP) 標準應運而生。他們創造了「Playbooks」概念——本質上是一組結構化的指令和上下文,透過 MCP 交付給代理,就像工具一樣可被發現和調用。當工程師問「如何在 LinkedIn 設置 Airflow DAG」時,代理會先查詢並找到相關的 Playbook,調用它來獲得該任務的完整指令集,然後按步驟調用所需的工具完成工作。

為了避免系統變得混亂,LinkedIn 確立了兩個核心設計原則。第一,每個 Playbook 必須是自含的,專注於單一、明確的任務。這讓代理能清楚地判斷何時該用哪個 Playbook。第二,複雜任務應該拆分成多個小型 Playbook 並相互引用,而不是一個龐大的超級 Playbook。這樣做既提高了可重用性(小型 Playbook 可被多個上層 Playbook 引用),也解決了上下文過載問題——代理只在需要時才讀取相應的 Playbook,而不是一次性載入所有內容,從而實現了「漸進式發現」。

可擴展性是另一個亮點。標準 MCP 無法有效支持超過 30-40 個工具,但 LinkedIn 的環境需要支援數百個工具和更多 Playbook。他們的解決方案是使用三個「元工具」:搜尋工具(用關鍵字和標籤查找相關工具/Playbook)、獲取架構工具(取得工具的詳細資訊)和執行工具。通過這個三層設計,系統成功突破了限制,目前支援 300+ 工具和 600+ Playbook。

系統架構採用混合化策略。一個本地 MCP 伺服器自動預裝在每個新員工的 LinkedIn 筆電上,每小時自動更新。Playbook 分為兩類:中央 Playbook(適用於多個代碼庫的通用知識)和本地 Playbook(特定於某個代碼庫,直接簽入該代碼庫中)。這樣既實現了企業級的知識共享,又保留了團隊級的靈活性。

最後,也是最具創新的部分,是自我改進的飛輪。LinkedIn 鼓勵代理在每次使用完某個 Playbook 後,檢查該 Playbook 中是否有過時、不準確或遺漏的資訊。代理甚至被賦予權限自動產生改進建議,並提交 PR 來更新 Playbook 內容。這解決了任何組織知識庫面臨的經典問題:內容會逐漸過時。通過讓代理成為知識系統的維護者而非只是消費者,LinkedIn 建立了一個自癒的知識生態。

目前,該系統已達到可觀規模:日活用戶超過 8,000 人,涵蓋工程師、產品經理、設計師和 TPM。系統的成功秘訣,AJ 強調,並不在於提供最新的工具或最強大的模型,而在於從一開始就重視品質和可靠性。在大企業環境中,光給工程師最新的 Copilot 是遠遠不夠的;企業必須構建一套完整的基礎設施,讓代理能理解並正確操作內部系統,才能成為可信賴的協作者。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。