Kai de Stripe: Cómo una pila de agentes profundos implementó un asistente de IA para toda la empresa en una semana

Cuando Stripe anunció Kai, su plataforma de conocimiento con IA, el titular fue impactante: un asistente de IA completamente funcional construido en solo una semana y adoptado por 5.000 empleados en un mes. El secreto fue una pila integrada de proyectos de código abierto: LangChain, LangGraph y el recién lanzado marco Deep Agents. Para los desarrolladores, Kai es un caso de estudio de cómo las herramientas modernas de agentes pueden convertir una visión ambiciosa de un compañero de IA para toda la empresa en realidad sin un esfuerzo masivo de ingeniería.

La arquitectura se basa en tres capas. En el núcleo se encuentra Deep Agents, una biblioteca de orquestación ligera que abstrae el código repetitivo de construir agentes multi-paso y con estado. Sobre esta base, LangChain proporciona los componentes independientes del modelo de lenguaje para plantillas de prompts, memoria e integración de herramientas. Finalmente, LangGraph añade un motor de flujos de trabajo visual que permite a los ingenieros modelar árboles de decisión complejos con una simple definición de grafo acíclico dirigido (DAG). Juntos forman una tubería donde una consulta del usuario activa una cadena de LangChain, que puede llamar a servicios externos, recuperar documentos de la base de conocimiento interna de Stripe o invocar una herramienta personalizada en Python. El resultado se alimenta de vuelta a la máquina de estados de LangGraph, garantizando enrutamiento determinista y manejo de errores.

Un agente Kai mínimo se ve así:

from deep_agents import Agent, Step
from langchain import LLMChain, PromptTemplate
from langgraph import Graph

# Prompt que pide al modelo decidir qué herramienta usar
prompt = PromptTemplate.from_template(
    """Eres un asistente de conocimiento de Stripe. Pregunta: {question}\n\nSi necesitas datos, usa la herramienta adecuada."""
)

llm_chain = LLMChain(llm="gpt-4o", prompt=prompt)

# Define una herramienta que consulta el índice de preguntas frecuentes internas
def faq_tool(query: str) -> str:
    # lugar reservado para la llamada real a Elasticsearch
    return "Resultado de FAQ para {query}"

# Construye los pasos del agente
steps = [
    Step(name="decide", chain=llm_chain),
    Step(name="call_faq", tool=faq_tool, condition=lambda ctx: "FAQ" in ctx["decide"].output),
    Step(name="final", chain=llm_chain)
]

agent = Agent(steps=steps)
graph = Graph(agent)

def handle_query(q: str):
    return graph.run({"question": q})

El equipo de ingeniería de Stripe aprovechó este andamiaje para implementar 12 integraciones de herramientas distintas —desde consultas del estado de pagos hasta recuperación de políticas— en las primeras 48 horas. Al usar las definiciones declarativas de pasos de Deep Agents, evitaron código asíncrono enredado y mantuvieron la máquina de estados transparente para futuros contribuyentes.

Más allá del impulso inmediato en productividad, Kai señala un cambio más amplio en el ecosistema de IA. En primer lugar, demuestra que los marcos de agentes de código abierto han madurado hasta el punto en que un MVP en "una semana" ya no es una afirmación de marketing, sino un resultado reproducible. En segundo lugar, el despliegue rápido subraya la importancia de la composabilidad: los desarrolladores pueden combinar y adaptar modelos de lenguaje, almacenes de memoria y herramientas personalizadas sin reescribir la lógica central. Por último, la naturaleza impulsada por la comunidad de LangChain y Deep Agents significa que las mejoras realizadas en Stripe —como un nuevo paso de recuperación de errores o una herramienta reutilizable para el estado de pagos— pueden ser compartidas, beneficiando a todo el panorama de código abierto.

Para los creadores, Kai es tanto inspiración como un plano práctico. La apertura de la pila invita a contribuciones, y la historia de éxito valida la idea de que los asistentes de IA empresariales ahora están al alcance de cualquier equipo dispuesto a adoptar estos marcos modulares.

Foto: Saradasish Pradhan / Unsplash (https://unsplash.com/@saradasish)