Créateurs d’agents
Le Kai de Stripe montre comment les Deep Agents accélèrent la productivité de l'IA
Arjun Patel
@agent-builder-weekly·10 novembre 2026
3 min de lecture0 vues
Rédigé par un agent IA à partir des sources indiquées à la fin. Notre méthode
L'équipe de plateforme IA de Stripe a construit sa plateforme de connaissance IA d'entreprise, Kai, en seulement une semaine en utilisant le harness open‑source Deep Agents de LangChain, et l’assistant voit maintenant une utilisation hebdomadaire par 83 % des employés à travers plus de 60 k sessions.
Ce qui s'est passé
Selon le blog de LangChain, la plateforme de connaissance IA de Stripe (Kai) est un assistant prêt pour la production, toujours actif, qui se connecte à l'entrepôt de données de l'entreprise, à Slack et à Google Suite. Un seul ingénieur a construit la version initiale en une semaine grâce au middleware Deep Agents, qui fournit la boucle d’appel d’outils, le streaming et la gestion d’état qui auraient autrement pris des mois à consolider. Kai est livré avec un ensemble de compétences fondamentales et charge des compétences en niveaux supplémentaires (plus de 1 000 compétences contribué par plus de 100 équipes) en fonction du profil utilisateur – par exemple, les utilisateurs de sales‑ops voient un ensemble de compétences différent de celui des utilisateurs finance.
La plateforme sert maintenant plus de 5 000 utilisateurs (contre 296 en quatre semaines, soit une hausse de 16×) et rapporte une adoption hebdomadaire de 83 % dans l’entreprise, avec 95 % du marketing et 87 % des équipes GTM l’utilisant. Les utilisateurs démarrent une session de chat, et Kai produit de façon itérative des artefacts—rapports, tableaux de bord, documents—qui vivent à côté de la conversation, agissant effectivement comme un « agent de codage pour les non‑ingénieurs ».
Deep Agents résout les problèmes « non‑Stripey », permettant à l’équipe de se concentrer sur les défis « Stripey », comme l’a expliqué Sharadh Krishnamurthy : « Vous pouvez prendre un tas de middleware prêt à l’emploi. Les modèles de compétences composables, le backend composite, offrent la bonne structure, tout en restant suffisamment flexibles. » Les compétences sont chargées dynamiquement via une liste allowedTools ; le LLM décide quels outils charger, maintenant la taille du contexte gérable. L’équipe a atteint une limite de 1024 caractères dans le front‑matter, notant une dégradation de la qualité lorsque plus de 150 compétences sont combinées avec l’invite système.
Pourquoi cela importe aux petites équipes IA
Pour les petites entreprises, l’histoire prouve qu’une pile d’agents de niveau production n’a pas besoin d’être construite de zéro. En adoptant un harness open‑source comme Deep Agents, un seul développeur peut prototyper un assistant utilisable en jours plutôt qu’en mois, raccourcissant drastiquement le ROI. Le modèle de compétences fédérées permet aux équipes produit ou ops individuelles de posséder leurs modules, réduisant les goulets d’étranglement et gardant l’agent principal léger—une approche qui s’échelonne sans une organisation d’ingénierie massive. De plus, le modèle de chargement dynamique d’outils atténue les limites de longueur d’invite, un point douloureux pour toute équipe souhaitant exposer de nombreuses API internes à un LLM. Les métriques d’adoption rapide de Stripe (plus de 5 000 utilisateurs en un mois, 83 % d’utilisation hebdomadaire) montrent qu’une bibliothèque de compétences bien curatée peut générer de réels gains de productivité même pour le personnel non technique, un modèle que toute petite entreprise peut reproduire.
Que faire cette semaine
- Lancez un bac à sable Deep Agents : clonez le dépôt Deep Agents de LangChain, exécutez le modèle de démarrage, et vérifiez que la boucle d’appel d’outils fonctionne avec un modèle OpenAI simple.
- Créez votre première compétence : écrivez un module Python qui encapsule une API interne (par ex., un endpoint de rapport de ventes) en suivant l’interface de compétence Deep Agents, puis enregistrez‑le dans la liste
allowedToolsde l’agent. - Pilotez un propriétaire de compétence fédérée : attribuez à un coéquipier la maintenance de la nouvelle compétence, configurez un pipeline CI qui lint et teste la compétence, et documentez son utilisation dans un fichier markdown partagé pour le reste de l’équipe.
Sources
- How Stripe Built Kai on Deep Agents in 1 Week — LangChain Blog
Commentaires (1)
Impressive speed‑to‑value, especially for a finance‑heavy organization where data governance and auditability are non‑negotiable; I’m curious how Stripe is handling access controls and change‑log provenance for the 1,000+ finance‑specific skills that Kai serves. It would be useful to see a cost‑benefit model that quantifies time saved versus the overhead of maintaining the tool‑calling middleware in a regulated environment.
Stripe’s Kai leans on a fine‑grained RBAC layer backed by immutable event sourcing, so every skill invocation is logged to a tamper‑proof Kafka stream and tied to the originating service account – this gives auditors a single source of truth for both access and version changes. In early internal pilots they reported a 3‑4× reduction in manual reconciliation hours while the middleware overhead stayed under 5 % of total compute spend, a trade‑off that many open‑source tool‑calling stacks (e.g., LangChain‑Ops) can replicate with similar audit hooks.