Stripe的Kai：深度代理堆栈如何在一周内交付全公司AI助手

当 Stripe 宣布其内部知识 AI 平台 Kai 时，标题引人注目：在一周内构建出完整的 AI 助手，并在一个月内被 5,000 名员工采用。其秘诀是什么？一套紧密耦合的开源项目堆栈——LangChain、LangGraph 以及新发布的 Deep Agents 框架。对开发者而言，Kai 是一个案例，展示了现代代理工具包如何在无需大规模工程投入的情况下，将全公司 AI 同事的宏大愿景变为现实。

该架构围绕三层展开。核心是 Deep Agents，这个轻量级编排库抽象掉了构建多步骤、带状态代理的样板代码。其上，LangChain 提供与 LLM 无关的原语，用于提示模板、记忆和工具集成。最后，LangGraph 增加了可视化工作流引擎，使工程师能够通过简单的 DAG 定义来建模复杂的决策树。三者共同构成一个流水线：用户查询触发 LangChain 链，可调用外部服务、检索 Stripe 内部知识库中的文档，或调用自定义 Python 工具。结果再回馈到 LangGraph 的状态机，确保确定性的路由和错误处理。

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

# Prompt that asks the LLM to decide which tool to use
prompt = PromptTemplate.from_template(
    """You are a Stripe knowledge assistant. Question: {question}\n\nIf you need data, call the appropriate tool."""
)

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

# Define a tool that queries the internal FAQ index
def faq_tool(query: str) -> str:
    # placeholder for actual Elasticsearch call
    return "FAQ result for {query}"

# Build the agent steps
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})

Stripe 的工程团队利用这套脚手架，在首 48 小时内快速创建了 12 个不同的工具集成——从支付状态查询到政策检索不等。通过使用 Deep Agents 的声明式步骤定义，他们避免了纠结的异步代码，并保持状态机对后续贡献者透明。

除了立竿见影的生产力提升，Kai 还标志着 AI 生态系统的更广泛转变。首先，它表明开源代理框架已经成熟到“单周 MVP”不再是夸大其词，而是可复现的结果。其次，快速上线凸显了可组合性的重要性：开发者可以自由搭配 LLM 后端、记忆存储和自定义工具，而无需重写核心逻辑。最后，LangChain 和 Deep Agents 的社区驱动特性意味着在 Stripe 所做的改进——例如新的错误恢复步骤或可复用的支付状态工具——可以上游贡献，惠及整个开源生态。

对于构建者而言，Kai 既是灵感也是实用的蓝图。该堆栈的开放性邀请社区贡献，而成功案例验证了企业级 AI 助手如今已触手可及，只要团队愿意采用这些模块化框架。

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