LinkedIn 工程团队近日披露了其在 AI 智能体领域的最新实践。针对大型代码库中 AI 智能体能力受限的问题，LinkedIn 构建了一套面向组织的上下文层，用于为编码智能体提供必要的背景知识与操作指引。
据 Ajay Prakash 介绍，该方案的核心组件是「上下文智能体操作手册与工具」（Contextual Agent Playbooks and Tools），其构建于模型上下文协议（MCP）之上。这套系统向编码智能体直接提供三类关键能力：程序性记忆、代码检索以及运行手册。程序性记忆使智能体能够复用过往任务中积累的操作经验，代码检索帮助智能体在庞大的代码库中快速定位相关代码，运行手册则为智能体执行特定任务提供标准化的步骤指导。
模型上下文协议（MCP）是由 Anthropic 提出并开源的标准化协议，旨在统一 AI 模型与外部数据源及工具之间的交互方式。LinkedIn 选择基于 MCP 构建其上下文层，意味着该方案在工具集成和数据接入层面具备一定的通用性与可扩展性，而非完全依赖私有接口。
Prakash 同时分享了该系统的架构细节与运维防护措施。在大型代码库场景下，AI 智能体面临的挑战不仅在于代码规模庞大，还在于组织内部的隐性知识难以被模型直接获取。LinkedIn 的上下文层试图解决这一断层，将组织积累的工程知识结构化后注入智能体的工作流程。运维层面的防护栏则确保智能体的行为在可控范围内，避免因上下文注入不当而引发的代码质量问题。
从效果来看，LinkedIn 方面表示该方案带来了 20％ 的生产力提升，同时可靠性没有出现任何损失。这一数据对于企业级 AI 智能体落地具有参考意义——在多数企业仍在探索 AI 编程助手实际收益的背景下，LinkedIn 的实践提供了一个可量化的样本。
当前，企业软件领域正加速将大模型能力嵌入开发工作流。GitHub Copilot、Cursor 等工具已在代码补全和生成层面实现规模化应用，但如何让智能体理解特定组织的代码规范、架构决策和历史上下文，仍是行业尚未完全解决的难题。LinkedIn 基于 MCP 构建组织级上下文层的思路，为这一方向提供了一种可借鉴的工程路径。随着 MCP 生态的逐步成熟，类似的上下文层方案有望在更多企业中出现。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
