微软在高管Rajesh Jha退休后进行重大组织调整。LinkedIn负责人Ryan Roslansky将领导新的工作体验团队，负责Teams等业务。Charles Lamanna获得更多职责，负责Copilot和Microsoft 365核心服务。Pavan Davuluri继续领导Windows和设备团队。微软还计划为长期员工提供自愿退休机会。

JetBrains与LinkedIn Learning合作推出Kotlin专业证书，适合有基础编程知识的开发者。课程内容包括Kotlin基础、面向对象编程、异步编程及多平台开发，帮助学员掌握跨平台应用的构建技能。完成四门课程并通过考试后，可获得证书并在LinkedIn上展示。

LinkedIn通过将五个独立的内容检索系统整合为一个基于大型语言模型（LLM）的系统，提升了信息推荐的效率和准确性。新系统利用LLM生成的嵌入向量，更好地理解用户兴趣和内容相关性，显著提高了模型的性能和响应速度，使用户能在短时间内获得更相关的内容推荐。

Monster SCALE Summit是一个虚拟会议，专注于大规模工程和数据密集型应用。来自Discord和Disney等公司的工程师将分享50多场关于分布式数据库和实时处理的演讲。LinkedIn的下一代服务发现系统通过Kafka和xDS协议，解决了Zookeeper的可扩展性和兼容性问题，实现了更高效的数据传播和多语言支持。

LinkedIn重新设计了其静态应用安全测试(SAST)管道，以在GitHub多仓库环境中实现一致的代码扫描，增强代码安全，提供快速可靠的安全反馈，减少开发者工作流中断。新架构利用GitHub Actions协调CodeQL和Semgrep扫描引擎，确保一致的覆盖和执行，并通过轻量级“存根工作流”即时传播更新，维护开发效率。SAST是更广泛应用安全策略的一部分，涵盖依赖扫描和秘密检测。

LinkedIn升级了基于ZooKeeper的服务发现平台，采用Apache Kafka和xDS协议，实现可扩展架构。新系统支持最终一致性，允许非Java客户端参与。通过“双模式”策略，团队实现了零停机迁移，解决了ZooKeeper的性能瓶颈，显著提升了数据传播速度和系统可扩展性。

LinkedIn的招聘助手项目由AI工程师开发，利用GPT生成协作文章并逐步演变为任务自动化代理。该助手通过自然语言处理招聘意图，简化招聘流程，提高效率。系统采用模块化设计，确保组件质量，并通过技能注册中心动态调用工具，增强灵活性和智能化。

在QCon AI NY 2025上，LinkedIn工程师介绍了一个支持AI代理的内部平台，强调将AI代理视为参与者而非工具。该平台通过结构化规范将人类意图与机器执行分离，减少模糊性，确保代理行为一致和安全。核心是管理代理执行的编排层，允许代理在有限环境中自由行动，但关键决策需人类批准。演讲者指出，许多代理失败源于缺乏上下文，因此上下文工程比模型选择更为重要。

LinkedIn的招聘助手通过分阶段的“计划与执行”架构，简化招聘流程并提升效率。它利用多个子代理进行候选人筛选、评估和沟通，并结合LinkedIn经济图提供市场洞察，实现招聘决策的自动化与人类判断的结合，持续改进。

在InfoQ播客中，Wes Reisz与LinkedIn的Karthik Ramgopal和Prince Valluri讨论了平台团队如何在企业中推动AI应用。他们指出，平台团队通过统一的开放平台提升开发者生产力，确保安全与合规。借助结构化规范和安全的MCP框架，开发者能更高效地定义任务和生成代码，同时保持对开发过程的控制。

在2025年QCon旧金山会议上，LinkedIn工程经理Nishant Lakshmikanth介绍了推荐系统的重构过程，成功实现实时个性化和高效运营。通过四个阶段的架构迁移，LinkedIn从批处理转向动态执行，显著降低了计算和存储成本，同时提升了用户互动和连接率。

LinkedIn推出了一项AI驱动的搜索功能，用户可以通过描述来寻找人选，例如“在娱乐营销工作的西北大学校友”。该功能根据用户的连接和相关性排名搜索结果，目前已向美国的高级用户推出，未来将向所有用户开放。

LinkedIn通过构建统一的GenAI应用栈，提高了AI产品的开发效率和安全性，支持快速实验、模块化技能管理和多代理系统，确保隐私与信任。其经验表明，标准化和基础设施建设是成功的关键。

优化LinkedIn个人资料可提高招聘者关注度，建议包括：1. 优化标题，添加关键词；2. 使用专业照片和相关封面图；3. 精炼“关于”部分，突出项目和成果；4. 在“特色”部分展示作品；5. 积极参与社区；6. 隐秘使用“开放求职”设置；7. 填充技能和经验中的关键词。