LinkedIn 沒有重新訓練模型

講者是 LinkedIn 工程師 Ajay Prakash，講題叫〈500 Skills, Zero Fine-Tuning〉。意思是他們沒有拿公司資料去微調模型，只改了餵資料給 AI 的方式。

LinkedIn 一開始也把 Claude Code、GitHub Copilot 這類會自己寫程式的 AI 發給工程師。可是 AI 不認得 LinkedIn 自己做的資料庫、設定系統和上千個程式庫，常常卡住或亂編，很多工程師乾脆回去自己寫。

這些內部系統有多難懂，看新人就知道，進公司要先上一週的訓練營。

他們用 MCP（讓 AI 接上各種工具的共通標準）把程式碼搜尋、文件、Jira、Slack 都接給 AI。AI 會回答問題、會找範例了，要從頭到尾做完一件事卻還是不行。

Ajay 講了三個原因。做事的眉角散在文件、wiki 和 Slack 對話裡，很多早就過時或重複。工具每回傳一次結果就占掉 AI 能讀的篇幅，塞滿了只好壓縮，前面查到的東西跟著忘掉。還有 AI 不會記事，下一個人請它做同一件事，它又從零開始。

每本 playbook 有名字和一句用途說明，在 AI 眼裡就像一個工具。AI 自己判斷該翻哪一本，翻開拿到的是這件事怎麼做、要叫哪些工具。有人問 Airflow 排程（定時跑資料的系統）要怎麼設，AI 會先找到那本 playbook，再照著步驟做。

寫法有兩條規矩。一本只做一件事，AI 才挑得準。太大本就拆成幾本小的，由大本指向小本，AI 需要時才往下翻，不用一次全部讀完。

Ajay 說這跟 Anthropic 的 Skills 是同一個概念，LinkedIn 在 Skills 出現前就做了。

Ajay 說，一套 MCP 掛超過 30 到 40 個工具，AI 的表現就開始往下掉，光是工具清單就吃掉它能讀的篇幅。

LinkedIn 把上千個工具和 playbook 都收起來，AI 只看得到三個入口。先用關鍵字和標籤搜尋，挑到候選再讀它的使用說明，最後才執行。每個 AI 都預先寫好指示，教它怎麼搜比較準。

整套東西預裝在每台公司筆電上，每小時自動更新，新人拿到電腦就能用。

LinkedIn 要 AI 每次用完一本 playbook，在結束前整理這次學到什麼，哪裡過時、哪裡跟實際不符、缺了哪一步。

AI 接著自己去改那本 playbook，送出修改申請，合併之後就更新了，下一個人翻到的是新版。

playbook 也分兩種放法。全公司通用的放在共用的地方，只跟某個程式庫有關的就放在那個程式庫裡，AI 在那裡工作時才會讀到，各團隊自己維護，不用去改公司共用的那份。

LinkedIn 在部落格裡的心得很直接，脈絡比模型本身聰不聰明更值錢。他們用的是市面上的主流模型，差別在接上了對的工具和說明書。

換到你的團隊，可以從一件每個月都要重做的工作開始，例如比對預算和實際花費的報告。把步驟寫成一本只做一件事的說明書，太長就拆開，用完讓 AI 回報哪裡過時。

Ajay 最後的提醒是，只把最新的 AI 工具發下去不夠，要先替 AI 鋪好在公司裡做事的路。