LinkedIn 正在進行的組織革命
看了這個影片之後，我開始對 Linkedin 導入的感到非常的好奇，所以對他們的做法做了深入研究，研究完之後覺得該好好的來寫這篇，而不是單純的翻譯總結。
主要是因為覺得跟我加入 USPACE 後思考的路徑很相似，甚至 Pod 的想法也跟當初 USPACE 找我去的想法非常貼近，我這陣子的確就像是文中提到的海豹特種部隊，到各個部門去解決特定的問題。
我也在 USPACE 內部開始訓練小夥伴，也就是文中所提到的 APB，看完 Linkedin 的做法之後，我更加清楚，我先前一直覺得應該要有小夥伴來幫忙的這個念頭是正確的，因為我還有文化需要去建立。
也確認我在 USPACE 提出的激勵方式、文化建立的方式是走在對的路上。
其中最令人興奮的就是目前我在 USPACE 還沒做但也在路上的，就是 Agents 部隊了，實在是想要趕快來 implement。
不得不說，覺得有種想法被驗證了的感覺實在是令人興奮! 以下是正文:
LinkedIn 正在實驗一種叫做「Full Stack Builder」的新模式。
核心概念是：讓一個厲害的 Builder 能夠把想法從頭到尾帶到市場，不管他原本在組織裡是什麼角色。這不是說一個人單打獨鬥。團隊還是存在，只是變得更小、更靈活。
他們開始用「Pod」的方式運作。不是與五到十個團隊在多個職能部門合作，而是一個人用 AI 把複雜的多學科流程壓縮成精簡的活動。
組織的複雜性是怎麼長出來的
回到最本質的問題：Linkedin 所謂 Builder 的工作是什麼？其實很簡單，就是把想法變成現實。
研究問題、設計、寫 code、發布、迭代。
但在規模化的公司裡，每一個步驟都被拆成無數個子步驟。光是「研究問題」這件事，可能就要看 10 到 15 個資訊來源：客戶訪談、數據、回饋工單、社群討論、各式各樣的評審會議。
一個小功能需要多個團隊、多個程式庫、六個月的開發週期才能完成。而真正決定成敗的「迭代」階段，反而被擠壓到幾乎沒有時間。
工作本身不複雜，是我們把流程搞複雜了。
這個就像是我先前在 StreetVoice 帶團隊的時候所思考的一件事情：為什麼當組織越大，行動越慢？ 從提出想法，然後經過各個職能部門跑一輪，加上溝通這當中的來回確認，各個的環節跟專業分工的細節思考，都拖慢了整個開發的速度。
但在 AI 出現之後，我覺得透過 AI 可以快速消弭各個職能之間的溝通成本，並且進而加速整個開發的流程，當中思考最多的也是 PM 這個角色。不過也需要跨職能的人才來擔任 Full Stack Builder 來做到這件事。
Pod 是什麼：海豹特種部隊式的小隊
Pod 是 LinkedIn 在這個計畫中採用的小型團隊結構，跟傳統的「固定團隊」有本質上的不同：
Pod 不像傳統團隊有固定成員長期合作，比較像是按照任務需求來組合 Full Stack Builders，並彈性地以任務導向來處理特定任務。這種結構以一個季度為單位，或者隨時進行重組。
一個 Pod 由小型 AI-native 團隊組成，包括 APB（Associate Product Builder）或有經驗的 Full Stack Builder，與工程師和設計師一起工作。每個專業領域在 Pod 內或對 Pod 提供導師。
LinkedIn 的首席產品長 Tomer Cohen 用海豹特種部隊來比喻：
你來接受訓練，每個人都跨領域訓練。他們專精的是任務，而不是單一技能。他們以小隊方式運作，非常靈活，可以很快組裝起來。
一個 Pod 可能由幾個 Full Stack Builder 組成，針對某個問題工作大約一個季度。完成後，這些人會被重新分配到不同的 Pod，去解決下一個問題。
這跟 Spotify 著名的 Squad Model 有點像，但關鍵差異是：
LinkedIn 強調的是透過 AI 賦能「個人」，而不只是團隊自主性。每個 Pod 成員都被期待能獨立完成過去需要整個團隊才能做的事。
也有點像是我現在在 USPACE 的工作，跳進需要解決問題的部門開始運作，幫忙解決問題，再出來到下一個地方。
LinkedIn 內部的 Agent 軍團
LinkedIn 建立了一系列專門的內部 Agent，每一個都針對特定任務深度客製化：
Trust Agent：分析產品規格的信任風險，找出可能的漏洞和潛在傷害。一個真實案例：他們把幾年前「Open to Work」功能的規格文件給 Trust Agent 看，它不只找出了當初就發現的問題，還找出了後來才踩到的所有坑。
Growth Agent：整合過去所有增長循環、漏斗、A/B 測試經驗。它不只幫你優化，還會批評你的想法到底好不好。連 UXR 團隊都在用它來判斷哪些功能有最大的成長機會。
Research Agent：訓練在各種用戶 persona 上，使用過去所有研究和客服工單來理解用戶。有個團隊拿著行銷規格去問它對小企業主的看法，結果它的批評直接改變了團隊的方向。
Analyst Agent：可以用自然語言查詢整個 LinkedIn 數據圖譜，取代寫 SQL 或等 data scientist。
Maintenance Agent：處理 failed builds，目前約 50% 的 build failures 由它自動修復。工程師可以繼續喝咖啡，不用手動重跑。
為什麼現成工具永遠不 Work
這是 Tomer Cohen 反覆強調的重點：直接買外部工具放進來，從來沒有成功過。
LinkedIn 使用 GitHub Copilot 作為主要的開發 agent，但必須用內部 MCP（Model Context Protocol）工具和 LinkedIn 特定的指令檔來擴充。
你不能只是把工具帶進來讓它 reasoning over 你的 codebase。
為什麼？因為企業級 codebase 有太多獨特的 context、歷史決策、設計系統。這些外部工具不知道什麼是好的 LinkedIn PR，不知道過去哪些設計決策成功了，不知道你們公司的信任向量長什麼樣子。
LinkedIn 的做法是把這些工具當作起點，然後大量投資客製化：建立語義索引、接入歷史 PR 資料、結構化影響分析工具、文件檢索系統。
Linkedin 在這點的心得非常值得借鑑。
重新架構 Codebase 讓 AI 可以 Reasoning
LinkedIn 做了一個根本性的技術轉變：Python 取代 Java 成為 GenAI 開發的一級語言。原因很務實：大多數開源 GenAI 工具、框架和模型庫在 Python 中演進更快。
他們建了三個關鍵的平台抽象層：
Prompt Source of Truth System：中央儲存使用 Jinja 模板語言，有版本控制、漸進式上線、共享片段的模組化。取代了散落在 Java 類別中的硬編碼 prompt 字串。
Skills Registry：中央服務，團隊只需定義一次技能，建置時 plugin 會自動註冊。有治理層執行自動相似性檢查來標記重複項目。
Memory Systems：分成 Conversational Memory（對話記憶）和 Experiential Memory（經驗記憶）。工程團隊承認：「Memory 成為堆疊中最難設計的部分之一。」
他們還重建了 UI 架構，用模組化、動態組件。成果：客戶端程式碼減少 67%，建立新體驗的成本降低 4 倍。
Agent 之間怎麼溝通
LinkedIn 的協調層依賴 MCP（Model Context Protocol）進行所有 agent 之間的標準化工具呼叫。這提供了統一的、避免 vendor lockin 的方式，讓前台和背景 agent 使用相同的工具和企業 context。
他們把 agent 分成兩種模式：
1. 前台 Agent: IDE 整合，開發者主動控制高背景 Agent自主執行，產生 PR 讓人類審查。
2. 背景 Agent: 完全由 LinkedIn 從頭建立，在沙盒環境中根據規格驅動開發自主運作。但最後還是會產生 pull request 讓人類在合併前審查。
APB 計畫：怎麼選人
LinkedIn 用 Associate Product Builder（APB）計畫取代了傳統的 Associate Product Manager 計畫。這不只是改名，而是根本性地改變了怎麼培養產品人才。
計畫細節：兩年制、cohort-based、非輪調（加入 APB 團隊，跨各種專案工作）、薪資 $126,000 - $207,000。
不需要履歷，但申請者要提交他們建立的產品的 60 秒 demo。
我們要你的作品，不是你的工作歷史。
要求的能力包括熟悉 GPT-4、Replit、Cursor、Figma Make 等工具，以及了解 HTML、CSS、JavaScript 或設計系統。表現好的畢業生會繼續作為 Full Stack Builder，可能留在原團隊或加入新團隊。
績效評估怎麼改
這是文化轉型的關鍵。LinkedIn 從幾個層面改變了評估方式：
- 招聘階段：現在招人就會看 AI agency 和 fluency，評估候選人能不能跨職能思考。
- 360 評估：如果你是 PM 出身，設計師會評估你的設計能力。如果你是工程師出身，PM 會評估你的產品思維。強迫每個人接受跨職能的 feedback。
- 正式績效考核：下一個考核週期會正式把 full stack builder 相關能力納入評估，已經公告給全公司。
激勵機制
一個有趣的發現：目前使用這些工具最積極的，反而是表現最好的人。
頂尖人才有一種特質：他們持續想讓自己的 craft 變得更好，有一種內在驅動力要站在技術前沿。
這也解釋了為什麼光是給工具不夠。你得建立激勵機制、提供範例、讓人看到別人成功的故事。純粹推出工具就期待大家使用？不會發生的。
在 USPACE 也曾經有一個討論，我覺得應該建立激勵的機制，還有提供獎金，但有同事覺得 AI 是未來大家都要具備的能力，認為不應該給獎金，他會認為是福利，但就我過去的經驗以及人性的觀察，目前這個階段這點還是必須的，因為我們(整個社會)還沒有到那裡(遠目)。
我也持續的在 USPACE 的在內部創造案例，每週三也會跟大家分享一個內部同仁實際利用 AI 實作的案例。
我想要透過創造案例讓大家知道 AI 的可能性在哪裡，並把他們所碰到的問題提出來的想法，變成一個實際可以運作的案例。
透過創造同仁們的成就感，讓他們變成公司內部的 AI 種子，開始往外散播使用 AI 的能力。
大家會感受到的是身邊同仁的實際案例，而不只是專家說的東西。
文化才是真正的戰場
整個轉型有三個層面：平台、工具、文化。
平台是重新架構 codebase，讓 AI 可以有效 reasoning。工具是建立那些 Agent。但這兩者只是前提條件，不是充分條件。
真正決定成敗的是文化。
LinkedIn 做了幾件事：把績效評估加入 AI 使用能力的考核、用小規模 Pod 來展示成功案例、高調慶祝那些願意嘗試的人、建立 APB 計畫來培養新一代的全端思維、讓工具有點排他性來創造需求。
研究完一輪 Linkedin 如何導入 AI 這件事真的令人興奮，特別是驗證自己在對的路上，而其中更多思考的反而是觸發如何人類內在的驅動力。
接下來就是來製造 Agents 大軍了!