Stripe 如何在一周内用 Deep Agents 构建全员 AI 助手 Kai

随着 AI Agent 在 Stripe 内部的采用加速，各工程团队开始在现有 Ruby 和 Java 技术栈之上构建各自的编排层。这些系统与 Stripe 内部基础设施的集成相对顺畅，但要打造一套可靠的、生产级别的 Agent 框架却面临更深层的挑战——不仅需要稳定的连接能力，还需要强健的性能表现、完善的评估机制，以及在复杂任务下持续可靠的执行能力。许多团队发现，初期实现在简单场景下表现尚可，但要在规模化场景中稳定交付，仍需大量额外投入。

2024 年底 Claude Code 发布后，Stripe 几乎每位员工都想构建自己的 Agent。然而对于非工程师而言，终端操作、数据访问权限和安全配置构成了难以逾越的门槛。Agent Foundation 团队工程经理 Sharadh Krishnamurthy 与 Staff 工程师 Anupam Upadhyay 提出了一个反向思路：与其把非技术员工推向开发者工具，不如为他们打造一个开箱即用的生产级助手。这一思路最终演变为 Stripe 的知识 AI 平台 Kai。

Kai 面向 Stripe 全体员工开放，专为员工日常工作场景而设计，涵盖数据综合分析、头脑风暴、文档起草、趋势分析及跨职能协作。用户在单一会话界面中通过对话与 Kai 交互，Kai 会生成报告、仪表盘或文档等制品，并随对话持续演进。与通用 AI 助手不同，Kai 预置了 Stripe 的内部上下文，用户无需每次都向其解释自己的职能或公司背景。超过 100 个团队贡献了逾 1000 项领域技能，构成 Kai 的知识库。

Kai 的技术底座是 LangChain 开源 Agent 框架 Deep Agents。整体架构分为三层：Deep Agents 作为基础层，处理所有 LLM 交互原语，包括请求管理、Agent 执行与中间件组合；Stripe 在此之上构建了专属的中间层，将 Kai 接入公司安全体系、基础设施与内部服务；最上层为配置层，各团队可在不触碰底层框架的前提下，配置拥有不同技能集、行为模式和角色设定的定制化 Kai Agent。Sharadh 将其总结为：Deep Agents 解决了所有非 Stripe 特有的问题，让团队得以专注于 Stripe 自身的 Agent 挑战。

支撑 Kai 快速达到生产就绪状态的关键在于三项核心中间件。文件系统中间件为 Kai 提供了由 S3 支撑的虚拟文件系统，Agent 可跨轮次读写文件，通过「同步写入/同步写出」模式保持会话全程的文件环境一致性。沙箱中间件将代码执行隔离在安全环境中，支持 Python 数据分析与任意文件格式处理，同时将执行边界与 Agent 本身分离，有效规避 LLM 生成代码带来的安全风险。摘要中间件则用于管理长会话中累积的上下文，通过可调节的摘要阈值、摘要模型和输出大小等参数，在性能与成本之间取得平衡。

在技能管理上，Kai 采用联邦化方式，由各业务团队自主维护各自的技能模块。每项技能封装了完成特定任务所需的工具集和执行策略，Agent 可根据任务需求动态加载。这种架构既保证了技能库的持续扩展，又避免了中心化管理的瓶颈。从一周内完成首版上线，到四周内覆盖 5000 名用户，Kai 的快速落地印证了在成熟开源框架之上构建企业级 Agent 的可行路径：将通用基础能力交给框架，将精力集中于真正差异化的业务价值。

要点

• Deep Agents 提供了工具调用循环、中间件组合、流式传输与状态管理等基础能力，使 Stripe 工程师得以在一周内完成 Kai 的首版开发，大幅压缩了从零构建 Agent 框架所需的时间成本
• 文件系统、沙箱与摘要三项中间件是 Kai 实现长会话稳定运行、安全代码执行和成本可控的核心技术支柱
• 联邦化技能架构允许超过 100 个团队自主贡献和维护领域技能，在保持灵活性的同时实现了知识库的规模化扩展
• 将 Agent 框架分为基础层、企业适配层和配置层的三层架构，是平衡通用性与企业定制需求的有效模式
• 面向非技术员工设计的企业 AI 助手，需要将安全、数据访问和上下文预置等能力内化到产品本身，而非依赖用户自行配置