在大型工程組織中，AI 的角色正在從單純的「聊天機器人」演進為一種新的執行模型（Execution Model）。LinkedIn 的工程團隊分享了他們如何將 AI Agent（AI 代理）整合進開發、維運與測試流程中，並強調了一個核心觀點：AI 的規模化不能靠各團隊碎片化地開發，而必須由平台團隊提供統一的抽象層。
對於 Junior 工程師來說，最容易陷入的誤區是認為「只要換一個更強的模型（如從 GPT-4 換到 Claude 3.5），Agent 就會變得更聰明」。但 LinkedIn 的經驗告訴我們，Agent 的能力上限不在於推理能力，而是在於它能獲取的上下文（Context）以及它能安全調用的工具（Tools）。
AI 作為執行模型的運作流程
LinkedIn 將 AI 驅動的工程流程定義為四個階段：意圖（Intent）、計畫（Plan）、執行（Execution）與驗證（Validation）。
首先是意圖定義。人類的語言通常模糊且充滿假設，而 AI 無法處理「照平常那樣做」這種指令。因此，必須將模糊的意圖轉化為結構化規格（Structured Specs），明確定義範圍、可用工具以及驗證標準（Acceptance Criteria）。
接著是計畫與執行。系統會將任務分解為步驟，並在隔離的沙盒環境（Sandbox）中執行。這確保了 AI 在嘗試修改程式碼或運行測試時，不會對生產環境造成破壞。
最後是驗證。所有 AI 的產出（如 Pull Request）必須經過自動化測試、靜態分析或人類審核。信任來自於可重複的結果，而非對 AI 的盲信。
平台化三層架構：編排、工具與上下文
為了避免數千名工程師重複造輪子，LinkedIn 建立了三層平台抽象：
編排層（Orchestration Layer） 這相當於 Agent 的骨幹。它負責管理執行環境、處理異步任務、處理重試機制（Retry）以及記錄所有操作軌跡（Traceability）。當 AI 執行任務失敗時，編排層負責讓它在正確的狀態下恢復，而不是從頭開始。
工具層（Tooling Layer）與 MCP 協議 AI 透過工具與現實世界互動。LinkedIn 引入了 Anthropic 提出的 MCP（Model Context Protocol，模型上下文協議）。MCP 的重要性在於它實現了模型獨立性（Model Independence），讓不同的 AI 模型可以使用同一套標準化的工具接口，避免被單一廠商綁定。工具設計必須是機器導向的，提供穩定的 Schema 和明確的錯誤碼，而非給 AI 一堆雜亂的日誌。
上下文層（Context Layer） 這是解決 AI 幻覺（Hallucination）的關鍵。AI 失敗通常是因為缺乏事實，而非缺乏推理能力。LinkedIn 透過 RAG（檢索增強生成）將程式碼依賴圖、過往 PR 紀錄、系統架構等資訊注入給 Agent。為了避免資訊過載，他們採取先縮小範圍（Scoping）再精確獲取（Precise Retrieval）的策略。
記憶機制與持續進化
為了讓 Agent 越用越聰明，LinkedIn 建立了三種記憶層級：
工作記憶（Working Memory）：短期的對話歷史，任務結束即刪除。 長期記憶（Long-term Memory）：記錄驗證過的成功模式或常見的失敗陷阱。 集體記憶（Collective Memory）：全公司共享的最佳實踐與規範。
這種機制讓 AI 能學習到「在 LinkedIn 的環境下，修改某個模組通常會導致某個測試失敗」這種經驗法則。
實務應用場景
LinkedIn 已經將此模型應用於多個實際場景：
背景編碼 Agent：處理重複性高的遷移任務（如升級函式庫版本），自動分析受影響的 Repo 並提交 PR。 觀測 Agent：由警報觸發，自動收集多個系統的日誌與指標，為 On-call 工程師提供初步分析報告，減少排錯時間。 UI QA Agent：針對伺服器驅動 UI（Server-driven UI）進行功能驗證。由於 UI 動態變化劇烈，傳統測試腳本難以維護，因此改用自然語言描述功能需求，由 AI 判斷 UI 行為是否正確。
給工程師的建議：如何選擇 AI 方案
在導入 AI 時，應遵循一個簡單原則：如果不需要推理（Reasoning），就不要使用 AI。傳統的程式碼或規則引擎更快速、更便宜且確定。
如果確定需要 AI，建議採取金字塔升級路徑：先嘗試 API 調用 $\rightarrow$ 導入 RAG 增強上下文 $\rightarrow$ 進行微調（Fine-tuning） $\rightarrow$ 最後才考慮預訓練（Pre-training）。大多數問題在 RAG 階段就能解決，過早進入微調會帶來巨大的維運成本。
最後，必須堅持「人類在環路中」（Human-in-the-Loop）。AI 負責執行（Execution），人類負責決策（Judgment）與授權（Authority）。AI 可以準備 PR，但絕對不能直接合併到主分支或部署到生產環境。
來源：infoq.com - Platform Teams Enabling AI - MCP/Multi-Agentic Tools Across Linkedin
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。