Stripe разработала платформу Knowledge AI Platform (Kai) — агента для повышения продуктивности сотрудников. Платформа построена на стеке LangChain/LangGraph и агентной платформе Deep Agents (открытая агентная платформа от LangChain).
С ростом внедрения агентного ИИ команды Stripe начали выстраивать уровни оркестрации поверх существующих стеков Ruby и Java. Возникали сложности с созданием надёжной агентной платформы производственного уровня. После запуска Claude Code в конце 2024 года сотрудники Stripe захотели создавать агентов, однако для нетехнических специалистов барьерами стали терминал, доступ к данным и компоненты безопасности.
Kai доступен всем сотрудникам Stripe. Платформа предназначена для синтеза данных, мозгового штурма, составления документов, анализа трендов и совместной работы. Интерфейс работает в рамках сессии и подключается к внутреннему хранилищу данных Stripe, Slack и Google Suite. Пользователь начинает сессию, взаимодействует через чат — Kai генерирует артефакты, отчёты, дашборды или документы. По мере продолжения чата артефакты обновляются.
Платформа предустановлена со знанием контекста Stripe: она понимает внутренние системы, источники данных и нормы компании. Эксперты компании вносят знания через библиотеку навыков — в ней уже более 1000 навыков от более чем 100 команд. Отдельные команды владеют и поддерживают свои навыки — Stripe использует федеративный подход. Базовый агент Kai поставляется с набором базовых навыков для навигации по Stripe, дополнительные навыки загружаются в зависимости от профиля пользователя и конфигурации агента. Например, у пользователя из отдела продаж набор навыков отличается от пользователя из финансового отдела; уровень профиля пользователя позволяет добавлять дополнительные навыки поверх настроек по умолчанию.
Архитектура Stripe включает два слоя:
* Deep Agents как базовый слой (обработка взаимодействий с LLM, управление запросами, выполнение агентов, состав middleware);
* специфичную для Stripe платформу на базе Deep Agents (интеграция Kai с системой безопасности, инфраструктурой и внутренними сервисами).
На уровне конфигурации команды могут настраивать собственные кастомные агенты Kai с разными наборами навыков, поведением и персоналиями без изменения базовой системы.
Kai UI — интерфейс продукта, с которым взаимодействует большинство сотрудников Stripe, связывающий все три слоя.
Первую версию Kai Анупам создал за одну неделю благодаря middleware Deep Agents. Среди ключевых компонентов middleware:
* Filesystem middleware: Stripe создала виртуальную файловую систему на базе S3, чтобы агенты могли читать, записывать и использовать файлы в качестве контекста в ходе диалога. Каждый вызов выполнения в песочнице обёрнут шаблоном «sync in / sync out»: перед выполнением все релевантные файлы помещаются в песочницу, после выполнения новые или изменённые файлы синхронизируются обратно в виртуальную файловую систему.
* Sandbox middleware: выполнение кода в изолированной среде для аналитики (написание и выполнение кода на Python для запросов к данным, создания диаграмм) и обработки файлов разных форматов (PDF, презентаций, структурированных документов). Песочница доступна агенту как инструмент, а не как среда выполнения агента.
* Summarization middleware: необходим для управления контекстом в длительных многоэтапных сессиях. Kai использует параметры настройки из библиотеки deepagents (порог суммирования, модель сумматора, размер вывода и т. д.) для оптимального использования контекста LLM с учётом затрат.
Навыки (skills) в Deep Agents — структурированные исполняемые агентом модули: каждый навык описывает, как выполнить конкретную задачу, какие инструменты загрузить и как подойти к категории работы.
При наличии более 500 внутренних инструментов MCP и растущей библиотеки навыков Kai не может загрузить всё в контекст. Списки allowedTools обеспечивают динамическую загрузку инструментов — это двухэтапная система, где выбор навыка определяет контекст инструментов, а не загрузка всех инструментов заранее. Выбор опирается на LLM, у которой уже есть релевантный контекст. Некоторые базовые навыки закрепляются и сохраняются независимо от решений модели.
Есть проблема: при ограничении в 1024 символа в frontmatter наблюдается ухудшение качества передовых моделей при наличии более 150 навыков в сочетании с системным промтом. Команда активно ищет решения этой проблемы.
Переход на стек на основе Python потребовал перестройки внутренней инфраструктуры сервисов. Инженер создал Kai за одну неделю — это доказало окупаемость вложений в поддержку Python в Stripe.
Результаты внедрения Kai впечатляют: при открытом превью платформа достигла квартальной цели по внедрению за неделю, а за примерно 4 недели число пользователей выросло более чем в 16 раз — с 296 до более 5000. Сегодня 83 % сотрудников Stripe используют Kai каждую неделю (более 60 тыс. сессий). Наибольшее распространение Kai получил в маркетинге (95 %) и в GTM‑командах (87 %).
Kai полезен для подготовки сделок (сбор и обобщение данных из разных внутренних источников), анализа данных и создания дашбордов. Новые сотрудники используют Kai для ускорения адаптации. Команда инженеров применяет его как копилота — для ответов на вопросы о собственных системах и выявления пробелов в навыках.
Stripe превысила 500 внутренних MCP‑инструментов и 1000 навыков. Команда создаёт гибридную систему выбора навыков: LLM хорошо работает в текущем масштабе, но для предварительной фильтрации при масштабировании потребуется RAG или слой классификатора.
Команда инвестирует в средства обеспечения безопасности и соответствия требованиям, чтобы контроль за использованием Kai соответствовал потребностям корпоративной среды. Разные команды хотят разного поведения агента: одни хотят, чтобы Kai всегда планировал действия и задавал уточняющие вопросы, другие — чтобы он давал быстрые прямые ответы для быстрого мозгового штурма. Команда оценивает классификаторы ML и механизмы на основе ИИ для автоматической адаптации поведения к контексту пользователя. Текущая модель рассчитана на сессии одного пользователя. В дорожной карте — общие навыки, общие артефакты и совместные сессии, где несколько сотрудников смогут совместно работать над результатами ИИ.
Kai построен на Deep Agents, агенте с открытым исходным кодом от LangChain. Для создания производственного агента можно начать с Deep Agents docs.
Подписаться в Макс
