링크드인의 AI 에이전트 개발 전략

링크드인의 코딩 에이전트는 백그라운드에서 작동하며, 회사에서 발생하는 유사한 문제에 대한 디버깅 지침을 활용하여 인시던트에 대응합니다. 이 에이전트는 알림을 감지하고 서비스 오류를 식별한 후, 로그 및 메트릭 수집을 통해 근본 원인을 분석하는 과정을 거칩니다. 이후 수정 조치를 제안하고 심지어 코드 변경 요청(PR)을 자동으로 생성하여 수동 작업 대비 문제 해결 시간을 크게 단축시키는 역할을 합니다.

에이전트는 문제 해결 전반에 걸쳐 엔지니어의 개입을 최소화하며 효율적인 문제 해결을 지원합니다. 특히 유사 문제 해결 지침을 바탕으로 빠른 진단과 해결책을 제시함으로써, 복잡한 시스템 환경에서도 안정적인 서비스 운영에 기여합니다.

이러한 자동화된 접근 방식은 인적 오류 가능성을 줄이고, 엔지니어들이 더욱 중요한 과제에 집중할 수 있도록 돕습니다. 특히 인시던트 발생 시 신속하게 대응하여 서비스 중단 시간을 최소화하는 데 효과적입니다.

초기 코딩 에이전트는 오픈 소스 저장소 위주의 학습 데이터에 기반하여, 링크드인 사내의 고유한 프레임워크와 시스템에 대한 이해도가 현저히 낮았습니다. 이로 인해 에이전트는 내부 맥락을 제대로 파악하지 못해 오류를 범하거나, 작업 도중 멈추거나, 심지어는 잘못된 코드를 생성하는 등 위험한 결과를 초래했습니다.

이러한 문제는 에이전트가 내부 시스템 작동 방식과 종속성을 이해하지 못하여 발생했으며, 결과적으로 생산성 저하와 추가적인 디버깅 노력을 야기했습니다.

링크드인의 기술 환경은 1,000개가 넘는 저장소에 수천 개의 마이크로 서비스와 애플리케이션으로 구성되어 있으며, 이는 일반적인 외부 AI 모델이 학습하기 어려운 복잡성을 가집니다. 또한 링크드인은 자체 개발한 인프라와 데이터베이스, 내부 프레임워크 및 라이브러리에 크게 의존하고 있습니다.

이러한 사내 전용 시스템들은 외부 오픈 소스 프로젝트와는 다른 작동 방식을 가지므로, 기존의 AI 모델들이 사내 코드를 정확히 이해하고 분석하는 데 정보 단절이라는 큰 걸림돌이 됩니다.

링크드인은 코딩 에이전트가 내부 시스템에 대한 충분한 이해를 바탕으로 엔지니어들이 신뢰할 수 있는 코드를 배포할 수 있는 수준에 도달하는 것이 중요하다고 판단했습니다. ClaudeCode나 GitHub Copilot 같은 외부 코딩 에이전트들이 링크드인의 복잡한 내부 시스템을 얼마나 깊이 이해할 수 있을지에 대한 질문을 던지며, 단순한 코드 생성 이상의 신뢰성 확보가 핵심 과제임을 강조했습니다.

링크드인은 AI 에이전트가 사내 시스템을 이해하도록 돕기 위해 Anthropic의 MCP(Model Context Protocol)를 활용하여 자체 도구를 개발했습니다. 이를 통해 링크드인 엔지니어들이 코드를 검색하는 데 사용하는 정교한 사내 코드 검색 시스템을 AI 에이전트들이 직접 사용할 수 있도록 연동했습니다.

이러한 통합은 에이전트가 질문 기반으로 자동화된 예시를 검색하고, 내부 맥락에 맞는 코드를 구현하는 데 필수적인 정보를 제공합니다.

링크드인은 MCP를 통해 사내 도구 생태계를 확장하여 문서, Jira, Slack 등 다양한 협업 도구를 추가로 통합했습니다. 이와 함께 모든 데이터 플랫폼과 기능 플래그(feature flag)까지 연동하여 에이전트가 더욱 풍부한 내부 데이터를 활용할 수 있도록 했습니다.

이러한 광범위한 통합은 에이전트가 복합적인 컨텍스트를 이해하고, 이를 바탕으로 다양한 작업을 자동화하며 엔지니어링 프로세스 전반의 효율성을 높이는 복리 효과를 창출합니다.

링크드인은 모든 도구를 연결하는 것만으로는 충분하지 않다는 결론에 도달했습니다. AI 에이전트가 단순히 정보를 검색하는 것을 넘어 엔드투엔드 작업을 안정적으로 수행하기 위해서는 방대한 경험과 심층적인 지식을 축적해야 할 필요성을 발견했습니다.

현재 링크드인 내 지식은 문서, 위키, 슬랙 대화 등 다양한 형태로 분산되어 있으며, 이 모든 정보를 에이전트가 효과적으로 활용하는 것이 큰 과제로 남아있습니다. 또한 너무 많은 컨텍스트를 에이전트에게 제공할 경우 발생하는 컨텍스트 과부하 현상도 해결해야 할 문제로 지적되었습니다.

이는 에이전트가 복잡한 시나리오에서 적절한 판단을 내리고 오류 없이 작업을 완료하기 위해, 단순한 정보 접근을 넘어 실질적인 '이해'와 '경험'을 갖추도록 설계해야 함을 의미합니다.

링크드인은 이러한 과제를 해결하기 위해 에이전트가 학습하고 판단하는 방식을 더욱 고도화하여, 복잡한 사내 시스템 환경에서도 안정적이고 신뢰할 수 있는 자율적인 AI 에이전트를 구축하는 데 집중할 계획입니다.