LinkedIn опубликовал интересный разбор эволюции своего технологического стека для генеративных ИИ-приложений и перехода к полноценным агентным системам. Компания уже больше года развивает инфраструктуру для “нанимающего агента” и делится тем, как постепенно формировалась архитектура и инженерные принципы вокруг него. Один из ключевых выводов — необходимость строгого human-in-the-loop подхода. На фоне ограничений текущих LLM разработчики сознательно оставляют человека в контуре принятия решений, обеспечивая доверие и безопасность при том, что агенты могут автономно выполнять задачи, когда это уместно. Интересно, что в реальности “агент” чаще всего не является монолитом: это фасад над множеством специализированных агентных подсистем. Именно поэтому архитектура LinkedIn изначально проектировалась под мульти-агентность, и хотя команда сначала использовала gRPC для коммуникации между агентами, позже она мигрировала на открытый протокол MCP. Эффективный масштаб мульти-агентных систем неминуемо возвращает классические вызовы распределённых систем: консистентность, доступность, разделение, задержки и отказоустойчивость. LinkedIn прямо пишет, что при работе с агентами добавляется ещё один слой сложности — крайне недетерминированная нагрузка, свойственная GenAI-модулям. При этом команда смогла переиспользовать свой существующий messaging layer и поверх него собрать оркестратор, где взаимодействие агентов происходит через сообщения на внутренней шине. Отдельно заслуживает внимания внутренний Playground — среда для быстрых экспериментов, позволяющая инженерам проверять агентные сценарии и прототипировать без необходимости глубоких интеграций. И важный стратегический вывод от LinkedIn: в растущей экосистеме агентов критично придерживаться открытых протоколов, чтобы обеспечить совместимость, избежать фрагментации и ускорить инновации. https://www.linkedin.com/blog/engineering/generative-ai/the-linkedin-generative-ai-application-tech-stack-extending-to-build-ai-agents