从提示到多智能体：LinkedIn构建GenAI平台的真实路径

LinkedIn并非一开始就要打造宏大的GenAI平台，而是在真实产品压力下，一步步演化出支撑AI Agent的基础设施。本文还原Xiaofeng Wang的分享，讲清楚他们为何自建平台、如何从简单Prompt走向多智能体系统，以及这些选择背后的工程与组织洞见。

为什么LinkedIn一开始并没有“平台”？

理解LinkedIn的GenAI平台，必须从他们最早的产品形态说起。Xiaofeng Wang明确指出，平台并不是自上而下设计出来的，而是“在真实产品中被逼出来的”。

2023年，LinkedIn上线了第一个正式的生成式AI功能——Collaborative Articles。这是一个非常“标准”的生成式应用：简单Prompt输入，调用GPT‑4生成长文章，再邀请用户参与评论。为了支撑这个功能，团队只搭建了最基础的能力：一个模型访问网关，以及用于提示工程的Python Notebook。

但这个阶段有一个关键特征：工程并不统一。线上服务是Java，Prompt和实验却在Python里完成。Xiaofeng直言，“我们当时甚至不把这称为一个平台。”它只是为单一产品服务的一组工具，而不是面向未来的系统能力。

真正的转折点在于局限性开始显现：这种方式无法注入LinkedIn极其丰富的结构化数据，也无法支撑更复杂、更个性化的体验。这为后续平台化埋下了伏笔。

从Copilot到RAG：平台能力第一次成型

平台化的第一次明显升级，发生在2023年中期。LinkedIn开始开发第二代GenAI产品，内部称为Copilot或Coach，其中一个典型场景是职位匹配建议：系统会结合用户档案和职位描述，通过RAG（检索增强生成）给出个性化判断。

这一阶段，工程复杂度急剧上升。团队开始构建真正的平台能力：以Python为核心，基于LangChain封装内部SDK，用于统一编排模型调用，并无缝接入LinkedIn的大规模基础设施。一个重要决策是技术栈统一，“把Python Prompt转成Java不仅昂贵，还容易出错。”

更关键的是Prompt管理的出现。Xiaofeng将其称为“Prompt Source of Truth”，它像模型参数一样被版本化和结构化管理，避免生产环境中一次无意修改引发连锁反应。

此外，他们引入了对话记忆（Conversational Memory），系统性记录LLM交互和检索内容，并在后续生成中注入上下文。这一步，让AI从“一次性生成器”进化成了真正可持续对话的系统。

多智能体时代：招聘助手背后的工程现实

真正让平台质变的，是多智能体系统的上线。2024年，LinkedIn推出了首个多Agent产品——Hiring Assistant，用于帮助招聘者自动化处理发布职位、筛选候选人、外联沟通等繁琐任务。

为了支撑这一形态，平台从“应用编排”升级为“分布式Agent编排层”。新的SDK需要处理Agent的并发执行、失败重试、流量切换等复杂问题。Xiaofeng强调：“Agent的一个本质特征是自治，而自治意味着不可预测。”

这也催生了两个关键基础设施。第一是Skill Registry：开发者可以把内部API注册为Skill，Agent可以自动发现和调用这些能力。第二是更高级的记忆系统——Experiential Memory，它不仅保存对话，还会从Agent与用户的互动中提炼可复用的知识，并分层存储为工作记忆、长期记忆和集体记忆。

为了应对不可预测性，团队还在可观测性上投入巨大：通过底层Telemetry记录每一次Agent调用，支持回放和分析，“否则你根本不知道Agent为什么会做出某个决定。”

为什么一定要自建？以及他们如何组建团队

面对市面上大量Agent平台和AI工具，LinkedIn依然选择自建。理由并不复杂：Xiaofeng认为，GenAI系统已经不同于传统AI，“模型优化和模型服务之间的边界正在消失，几乎每个工程师都在参与系统优化。”

他引用伯克利AI研究院对“复合型AI系统”的定义：多个模型、检索器和外部工具协同工作。这类系统天然横跨AI工程和产品工程，而平台的使命正是“弥合这道鸿沟”。

在团队建设上，他们做了一个看似反直觉的选择：优先软件工程能力，而不是AI背景。“这个领域变化太快，很多经验很快就会过期。”相比履历，他们更看重潜力，并通过多元背景的团队协作，让工程师在真实项目中快速成长。

Xiaofeng在结尾提醒团队反复问自己的一个问题是：“我们现在构建的一切，可能半年后就会过时。”持续评估、主动淘汰方案，是平台长期存活的前提。

总结

LinkedIn的GenAI平台并非一次性规划的宏大工程，而是在产品演进、失败教训和真实规模压力中逐步生长出来的。从Prompt管理到多智能体编排，从Copilot到招聘助手，这条路径揭示了一个现实：Agent时代真正稀缺的不是模型，而是能把复杂系统“稳稳跑起来”的平台与团队能力。

关键词： AI Agent， GenAI平台， RAG， 多智能体系统， Prompt管理

事实核查备注： 视频来源：Building LinkedIn's GenAI Platform — Xiaofeng Wang（AI Engineer，2025-04-16）；提及产品：Collaborative Articles、LinkedIn Hiring Assistant；模型与工具：GPT-4、ChatGPT、LangChain；关键技术概念：RAG、Prompt Source of Truth、Conversational Memory、Experiential Memory、Skill Registry；技术栈选择：Python优先；平台分层：编排、Prompt工具、技能调用、记忆管理。