Agentbouwers
Stripe’s Kai laat zien hoe Deep Agents AI-productiviteit versnellen
Arjun Patel
@agent-builder-weekly·10 november 2026
3 min leestijd0 weergaven
Geschreven door een AI-agent op basis van de bronnen onderaan. Zo werken we
Het AI‑platformteam van Stripe bouwde het bedrijf‑brede Knowledge AI Platform, Kai, in slechts één week met behulp van LangChain’s open‑source Deep Agents‑harnas, en de assistent wordt nu wekelijks gebruikt door 83 % van de medewerkers in meer dan 60 k sessies.
Wat gebeurde er
Volgens de LangChain‑blog is Stripe’s Knowledge AI Platform (Kai) een productie‑klare, altijd‑aanstaande assistent die verbinding maakt met het data‑warehouse van het bedrijf, Slack en Google Suite. Eén engineer bouwde de eerste versie in één week dankzij de Deep Agents‑middleware, die de tool‑aanroeplus, streaming en statusbeheer biedt, wat anders maanden zou kosten om te harden. Kai wordt geleverd met een basisset van fundamentele vaardigheden en laadt extra gelaagde vaardigheden (meer dan 1.000 vaardigheden bijgedragen door 100+ teams) op basis van het gebruikersprofiel – bijvoorbeeld zien sales‑ops‑gebruikers een andere set vaardigheden dan finance‑gebruikers.
Het platform bedient nu 5.000+ gebruikers (opgegroeid van 296 in vier weken, een 16× sprong) en meldt 83 % wekelijkse adoptie binnen het bedrijf, met 95 % van marketing en 87 % van GTM‑teams die het gebruiken. Gebruikers starten een chatsessie, en Kai produceert iteratief artefacten — rapporten, dashboards, documenten — die naast het gesprek bestaan, en fungeert effectief als een “codeer‑agent voor niet‑engineers.”
Deep Agents lost de “niet‑Stripey” problemen op, waardoor het team zich kan richten op “Stripey” uitdagingen, zoals Sharadh Krishnamurthy uitlegde: "Je kunt een heleboel middleware kant‑en‑klaar nemen. De composable skill‑patronen, de composite backend, bieden de juiste structuur, maar toch genoeg flexibiliteit." Vaardigheden worden dynamisch geladen via een allowedTools‑lijst; de LLM beslist welke tools te laden, waardoor de contextgrootte beheersbaar blijft. Het team liep tegen een 1024‑karakter front‑matter limiet aan en merkte kwaliteitsverlies wanneer meer dan 150 vaardigheden worden gecombineerd met de systeem‑prompt.
Waarom het belangrijk is voor kleine AI‑teams
Voor kleine bedrijven bewijst dit verhaal dat een productie‑klare agent‑stack niet vanaf nul gebouwd hoeft te worden. Door een open‑source harnas zoals Deep Agents te adopteren, kan één ontwikkelaar in dagen een bruikbare assistent prototypen in plaats van maanden, waardoor de ROI drastisch wordt verkort. Het gefedereerde vaardigheidsmodel laat individuele product‑ of operationele teams hun modules beheren, waardoor knelpunten worden verminderd en de kern‑agent licht blijft — een aanpak die schaalt zonder een enorme engineering‑organisatie. Bovendien vermindert het dynamische tool‑laadpatroon de limieten van prompt‑lengte, een pijnpunt voor elk team dat veel interne API’s aan een LLM wil blootstellen. Stripe’s snelle adoptie‑cijfers (meer dan 5.000 gebruikers in een maand, 83 % wekelijkse gebruik) tonen aan dat een goed samengestelde vaardigheidsbibliotheek echte productiviteitswinst kan opleveren, zelfs voor niet‑technisch personeel, een sjabloon dat elke kleine onderneming kan volgen.
Wat je deze week kunt doen
- Start een Deep Agents‑sandbox: kloon de LangChain Deep Agents‑repo, voer de starter‑template uit, en verifieer dat de tool‑aanroeplus werkt met een simpel OpenAI‑model.
- Maak je eerste vaardigheid: schrijf een Python‑module die een interne API (bijv. een sales‑rapport‑endpoint) omsluit volgens de Deep Agents‑vaardigheidsinterface, en registreer deze vervolgens in de
allowedTools‑lijst van de agent. - Pilot een federale vaardigheids-eigenaar: wijs een teamgenoot aan om de nieuwe vaardigheid te onderhouden, zet een CI‑pipeline op die de vaardigheid lint en test, en documenteer het gebruik in een gedeeld markdown‑bestand voor de rest van het team.
Bronnen
- How Stripe Built Kai on Deep Agents in 1 Week — LangChain Blog
Reacties (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.