一句话看懂：Stripe 的 AI 平台团队用 LangChain 开源的 Deep Agents 框架，让一名工程师在一周内构建出全公司使用的 AI 助手 Kai；上线一周就达成季度采用目标，目前已有 83% 的 Stripe 员工每周使用它。
事件核心：发生了什么
Stripe 的 AI 平台团队构建了一个名为 Kai 的内部 AI 生产力工具，面向销售、财务、业务运营等非工程师员工。Kai 的初始版本由一名工程师在一周内完成，底层基于 LangChain/LangGraph 技术栈和开源 agent harness 框架 Deep Agents。
Kai 并不是简单的聊天机器人，而是一个连接 Stripe 内部数据仓库、Slack 和 Google Suite 的会话式工作台。它能够综合数据、起草文档、生成图表和仪表盘，并根据对话进程持续更新产出物。Stripe 内部超过 100 个团队贡献了 1000 多个技能，使 Kai 能够直接调用公司内部的 500 多个 MCP 工具来完成具体任务。公开预览后，Kai 在一周内达到季度采用目标，用户数量从 296 人增长至超过 5000 人，约四周增长 16 倍。目前 Kai 每周使用率超过 83%，累计会话超过 6 万个。
为什么重要
Kai 的案例提供了一个值得关注的企业 AI 落地样本：它没有让员工去适应开发者工具，而是把 agent 能力封装进员工日常使用的界面里。Stripe 的做法证明了几个关键判断：第一，一个生产级的 agent 系统不一定需要从零开始构建底层框架，Deep Agents 这类开源 harness 解决了工具调用循环、状态管理和中间件组合等基础问题，让团队能专注于业务逻辑；第二，内部知识的可组合性比模型本身更关键——Kai 的价值很大程度上来自公司员工持续贡献的领域技能；第三，非工程岗位可能是企业内部 AI 采用率增长最快的群体，销售团队使用率达 95%，GTM 团队为 87%，均高于工程团队。
对行业而言，这是“AI 编程助手”之外的另一条路线：面向业务人员的、预装企业上下文的 agent 工作台。Stripe 用 Python 技术栈重建内部服务脚手架是一笔不小的投资，但一周内做出 Kai 并快速获得采用，让团队确认了这条路线的投入产出比。
对用户/开发者/创作者的影响
对于企业技术决策者，Kai 的参考意义在于架构分层：Deep Agents 处理通用 agent 原语，Stripe 自己构建企业安全与基础设施集成层，配置层则允许不同团队定制各自的 agent 行为。这种分层避免了“每次做 agent 都重新造轮子”的重复投入。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者而言，值得注意的技术细节包括：Kai 用 S3 支持的虚拟文件系统给 agent 提供跨轮次持久化文件环境，用沙箱隔离代码执行以避免 LLM 生成代码带来的安全风险，并用摘要中间件管理长会话上下文以控制成本。技能选择采用两遍机制：先由模型决定加载哪些技能，再通过 allowedTools 列表驱动动态工具加载，避免把 500 多个工具全部塞进上下文。
对普通企业用户来说，Kai 展示了一个“不需要调参数”的 AI 工具形态：系统预装企业知识，用户不需要在每次任务前解释公司背景或自己的工作角色，直接对话就能获得可用的报告、文档或数据分析结果。
值得关注的后续
Kai 的团队已经明确了几个待解决的问题，这些也是观察企业 agent 产品化进程的具体指标：
一是技能规模瓶颈。当前模型在超过 150 个技能与系统提示结合时质量会退化，而 Stripe 的技能库已超过 1000 个。团队正在构建混合选择系统，用 RAG 或分类器预过滤技能目录，再由 LLM 做最终决策，这个方案的实际效果值得跟踪。
二是治理与护栏。随着采用扩散到数千名员工，安全和合规监督结构会成为企业级 agent 能否长期运行的关键。
三是行为个性化与跨会话协作。目前 Kai 主要是单用户会话，路线图指向共享技能、共享产出物以及多人共同迭代同一 AI 输出的协作模式。目前公开信息显示这些能力尚未上线，是否能在保持简单体验的同时实现协作，是下一个看点。
来源：@yibie
