Stripes Kai zeigt, wie Deep Agents die KI‑Produktivität beschleunigen

Das KI‑Plattformteam von Stripe hat die unternehmensweite Knowledge‑AI‑Plattform Kai in nur einer Woche mithilfe des Open‑Source‑Deep‑Agents‑Frameworks von LangChain erstellt, und der Assistent wird nun wöchentlich von 83 % der Mitarbeitenden in über 60 000 Sitzungen genutzt.

Was geschah

Laut dem LangChain‑Blog ist Stripes Knowledge‑AI‑Plattform (Kai) ein produktionsreifer, immer‑eingeschalteter Assistent, der sich mit dem Data‑Warehouse des Unternehmens, Slack und Google Suite verbindet. Ein einzelner Ingenieur erstellte die Anfangsversion in einer Woche dank der Deep‑Agents‑Middleware, die die Tool‑Calling‑Schleife, Streaming und Zustandsverwaltung bereitstellt, was sonst Monate dauern würde. Kai wird mit einem Grundsatz an grundlegenden Fähigkeiten ausgeliefert und lädt zusätzliche stufige Fähigkeiten (über 1.000 Fähigkeiten, beigesteuert von über 100 Teams) basierend auf dem Nutzerprofil — zum Beispiel sehen Sales‑Ops‑Nutzer einen anderen Fähigkeits‑Set als Finanz‑Nutzer.

Die Plattform bedient jetzt 5.000+ Nutzer (gegenüber 296 nach vier Wochen, ein 16‑facher Sprung) und meldet 83 % wöchentliche Adoption im gesamten Unternehmen, wobei 95 % des Marketings und 87 % der GTM‑Teams sie nutzen. Nutzer starten eine Chat‑Sitzung, und Kai erzeugt iterativ Artefakte — Berichte, Dashboards, Dokumente — die neben dem Gespräch leben und effektiv als „Coding‑Agent für Nicht‑Ingenieure“ fungieren.

Deep Agents löst die „nicht‑Stripe‑“Probleme und ermöglicht dem Team, sich auf die „Stripe‑“Herausforderungen zu konzentrieren, wie Sharadh Krishnamurthy erklärte: „Man kann eine Menge Middleware aus dem Regal nehmen. Die zusammensetzbaren Fähigkeits‑Muster, das zusammengesetzte Backend, bieten die richtige Struktur, aber dennoch genug Flexibilität.“ Fähigkeiten werden dynamisch über eine allowedTools‑Liste geladen; das LLM entscheidet, welche Werkzeuge zu laden sind, wodurch die Kontextgröße handhabbar bleibt. Das Team stieß auf ein 1024‑Zeichen‑Front‑Matter‑Limit und bemerkte Qualitätsverluste, wenn mehr als 150 Fähigkeiten mit dem System‑Prompt kombiniert werden.

Warum es für kleine KI‑Teams wichtig ist

Für kleine Unternehmen beweist die Geschichte, dass ein produktionsreifer Agent‑Stack nicht von Grund auf neu gebaut werden muss. Durch die Nutzung eines Open‑Source‑Frameworks wie Deep Agents kann ein einzelner Entwickler in Tagen statt Monaten einen nutzbaren Assistenten prototypisieren, was die Kapitalrendite drastisch verkürzt. Das föderierte Fähigkeits‑Modell ermöglicht es einzelnen Produkt‑ oder Ops‑Teams, ihre Module zu besitzen, Engpässe zu reduzieren und den Kern‑Agenten leichtgewichtig zu halten — ein Ansatz, der ohne ein riesiges Engineering‑Team skaliert. Darüber hinaus mildert das dynamische Tool‑Loading‑Muster die Beschränkungen der Prompt‑Länge, ein Schmerzpunkt für jedes Team, das viele interne APIs einem LLM zugänglich machen möchte. Stripes schnelle Akzeptanzmetriken (über 5.000 Nutzer in einem Monat, 83 % wöchentliche Nutzung) zeigen, dass eine gut kuratierte Fähigkeitsbibliothek reale Produktivitätsgewinne selbst für nicht‑technische Mitarbeitende erzielen kann, ein Vorbild, das jedes kleine Unternehmen nachahmen kann.

Was Sie diese Woche tun können

1. Ein Deep‑Agents‑Sandbox einrichten: Klonen Sie das LangChain Deep Agents‑Repository, führen Sie die Starter‑Vorlage aus und prüfen Sie, ob die Tool‑Calling‑Schleife mit einem einfachen OpenAI‑Modell funktioniert.
2. Ihre erste Fähigkeit erstellen: Schreiben Sie ein Python‑Modul, das eine interne API (z. B. einen Verkaufs‑Report‑Endpunkt) gemäß der Deep‑Agents‑Skill‑Schnittstelle kapselt, und registrieren Sie es anschließend in der allowedTools‑Liste des Agenten.
3. Pilotieren Sie einen föderierten Fähigkeits‑Besitzer: Weisen Sie einem Teammitglied die Pflege der neuen Fähigkeit zu, richten Sie eine CI‑Pipeline ein, die die Fähigkeit lintet und testet, und dokumentieren Sie deren Nutzung in einer gemeinsamen Markdown‑Datei für das restliche Team.

Quellen

• How Stripe Built Kai on Deep Agents in 1 Week — LangChain Blog