สรุปเรื่อง Context Engineering จาก LinkedIn

September 22, 2026 AI, Architecture, Tools

จาก VDO ใน InfoQ เรื่อง Context Engineering at LinkedIn: How We Built an Organizational Context Layer for AI Agents with MCP
โดยจาก VDO นั้นจะเรียกว่า CAPT (Contextual Agent Playbooks and Tools)
อธิบายแนวทางในการจัดการ context ของระบบ AI Agent for coding ของบริษัทว่าจัดการอย่างไรบ้าง ?

เริ่มต้นด้วยคำถามและปัญหาคือ ทำอย่างไรให้ AI Agent รู้จักและเข้าใจระบบ ?

โดย stack ของ Linkedin ก็เยอะเลย เช่น

• App จะมีทั้ง Custom UI และ Design system
• Services ทำการแบ่งตามแนวคิด microservices และ มี internal framework อีก ซึ่งมีมากกว่า 1,000 repos
• Data (online/offline) ทั้ง streaming และ graph รวมทั้ง data lake และ batch pipeline
• AI/ML เช่น ML pipeline ต่าง ๆ
• Platform มีทั้ง CI/CD, config, ระบบ observability และการ tracking ต่าง ๆ

พบว่าข้อมูลของระบบเยอะมาก ๆ
ดังนั้นจะจัดการ context ให้ AI Agent อย่างไร ?
เนื่องจากมีข้อจำกัดเรื่องของขนาดของ context หรือ context window ของ LLM นั่นเอง
ถ้าจัดการไม่ดี จะทำให้เกิดปัญหาตามมา
ทั้งลืมการทำงานบางอย่างไป เพราะว่าข้อมูลล้น context window
ทั้งการต้องปรับปรุง prompt ต่าง ๆ ให้ทำงานได้ตามความการ หรือ ต้องเขียนซ้ำ ๆ เรื่อย ๆ
ทั้งเจอปัญหา code มีขนาดใหญ่ และ ซับซ้อน

แนวทางการแก้ไขปัญหานี้ คือ การสร้าง Organizational Context layer ใช้งานผ่าน MCP (Model Context Protocol)

โดยข้อมูลต่าง ๆ ที่จำเป็นต่อการใช้งานจะอยู่ภายใต้ MCP ที่สร้างไว้
ซึ่งเป็นมาตรฐานกลางที่ AI Agent สนับสนุนอยู่แล้ว
มีข้อมูลต่าง ๆ ดังนี้

• รวมกฏ (rules) ต่าง ๆ ของการพัฒนา
• เอกสารต่าง ๆ
• data pipeline ใน Airflow
• มี playbook ของการทำงาน
• การค้นหา code ที่ต้องการใช้งาน
• จดจำการทำงาน (long-term memory) เพื่อจดจำและค้นหารูปแบบของการทำงาน พัฒนา และการตัดสินใจต่าง ๆ โดยใน VDO นี้จะเรียกว่า Procedural memory แสดงดังรูป

ระบบนี้มันคือ knowledge center นั่นเอง

MCP ตัวนี้ยังต้องเพิ่มเรื่องความปลอดภัยอีกด้วย

เพื่อควบคุมการทำงานไปจนถึงระดับ production ประกอบไปด้วย

• Retrieval และ compaction ข้อมูล นั่นคือการค้นหาหรือดึงข้อมูลที่เกี่ยวข้องกับ prompt/question มาเท่านั้น รวมทั้งยังต้องทำการสรุปให้ข้อมูลเล็กลง เพื่อลดจำนวนใน context นั่นเอง ลดค่าใช้จ่ายที่เกิดขึ้น และเพิ่มความเร็วของการทำงาน (Cost vs Accuracy)
• Security ของการใช้ข้อมึล นั่นคือมีการควบคุมสิทธฺในการเข้าถึงที่มีมาตรฐาน เพื่อทำให้มั่นใจว่า AI Agent จะให้งานข้อมูลได้อย่างปลอดภัย ไม่เกิดผลเสียหายต่อระบบและข้อมูล

แต่เมื่อจำนวน tools ใน MCP มากขึ้น ปัญหาที่ตามมาคือ ความช้า

เนื่องจาก MCP จะทำ load tools ทั้งหมดขึ้นมา
และส่งไปให้ LLM ไปทั้งหมด ซึ่งทำให้การทำงานช้ามาก ๆ และความถูกต้องน้อยลงไปอีก
ดังนั้นจึงสร้าง tool สำหรับการค้นหา tool ที่เกี่ยวข้องมาก่อน
ถึงจะส่งข้อมูล tool ที่ได้มานั้น ส่งไปยัง LLM ต่อไป

ข้อมูลต่าง ๆ มาจากระบบ telemetry นั่นเอง

ที่จะมีข้อมูลการใช้งานของแต่ละคน แต่ละทีม
มีการใช้งาน tool/workflow/playbook อะไรบ้าง
มีรูปแบบการใช้งานอย่างไร
เกิดปัญหาอะไรบ้าง ตรงไหน
รวมทั้งเวลาในการทำงานว่าช้าหรือเร็วอย่างไร
รวมทั้งเรื่องของ debug log ต่าง ๆ
เพื่อนำข้อมูลเหล่านี้มาช่วยในการวิเคราะห์ปัญหา เพื่อทำการปรับปรุงต่อไป

ผลลัพธ์ที่ได้จากระบบนี้คือ

• เพิ่ม productivity ของการทำงานมากกว่า 20%
• ทำการแปลงกระบวนการทำงาน จาก manual ไปเป็น automated workflow มากกว่า 600 ตัว
• มีความน่าเชื่อถือที่สูง ตรงนี้สำคัญมาก ๆ เพราะว่า ผลที่ได้มีความถูกต้องที่สูงนั่นเอง

และต่อไปทางทีมก็ได้บอกว่า จะปรับไปเป็น Agent Skills ต่อไป
ดังนั้นลองศึกษา และ นำไปใช้งานกันดูครับ

Article by Somkiat Puisungnoen

To be Craftmanship