Contexte des agents chez LinkedIn : comment construire une couche de contexte organisationnel avec MCP
Lors d'une présentation, l'ingénieur Ajay Prakash a détaillé comment LinkedIn a résolu un problème récurrent des agents d'intelligence artificielle utilisés pour coder au sein de son immense base de code : leur difficulté à retrouver et exploiter le contexte organisationnel pertinent. L'équipe a construit un système baptisé Contextual Agent Playbooks and Tools, bâti sur le Model Context Protocol (MCP), un standard ouvert qui permet de connecter des modèles de langage à des sources de données et outils externes. Ce dispositif fournit directement aux agents de codage une mémoire procédurale, un moteur de recherche de code et des runbooks internes, c'est-à-dire les procédures opérationnelles habituellement réservées aux ingénieurs humains. Résultat annoncé par Prakash : un gain de productivité de 20 pour cent, obtenu sans dégradation de la fiabilité du code produit.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de InfoQ AI. Lire l'article original →
Cette approche s'attaque à un obstacle majeur pour l'adoption des agents IA en entreprise : dans un environnement aussi vaste et complexe que celui de LinkedIn, ces agents perdent souvent leurs repères, produisent du code inadapté aux conventions internes ou ignorent des contraintes opérationnelles critiques. En dotant les agents d'une couche de contexte organisationnel persistante, LinkedIn cherche à rendre leur usage fiable à grande échelle, un enjeu central pour toute entreprise technologique cherchant à généraliser le codage assisté par IA sans multiplier les erreurs coûteuses.
Cette initiative s'inscrit dans une tendance plus large où les grandes entreprises technologiques développent leurs propres infrastructures pour encadrer les agents IA, au-delà des simples chatbots. Le recours au MCP, protocole popularisé par Anthropic, illustre son adoption croissante comme brique standard pour connecter les modèles aux systèmes internes des entreprises, avec des garde-fous opérationnels pensés pour limiter les risques tout en maximisant les gains de productivité des équipes d'ingénierie.
Pas d'impact direct sur la France/UE