Stripe Construyó un Agente de Conocimiento de Toda la Empresa en Una Semana

El equipo de plataforma de IA de Stripe lanzó Kai, un agente de conocimiento para toda la empresa, en una semana. El ingeniero Anupam Upadhyay construyó la versión inicial tratando Deep Agents—el arnés de agente de código abierto de LangChain—como infraestructura de commoditización en lugar de código personalizado. Kai ahora sirve a todos los empleados de Stripe y alberga más de 1.000 habilidades de más de 100 equipos internos.

El problema empresarial era simple: después de que Claude Code se lanzó a finales de 2024, todos los empleados de Stripe querían un agente. Los no ingenieros encontraron obstáculos con la terminal, los controles de acceso a datos y la configuración de seguridad. Sharadh Krishnamurthy, Gerente de Ingeniería del equipo Agent Foundation, y Upadhyay invirtieron el enfoque. En lugar de enseñar herramientas de desarrollador a los empleados, construyeron infraestructura que se reunió con los empleados en su hábitat nativo: Slack, Google Suite y el almacén de datos interno de Stripe.

La arquitectura de Kai se ejecuta en cuatro capas explícitas. Deep Agents se encuentra en la base, manejando la administración de solicitudes LLM, bucles de llamada de herramientas, transmisión y composición de middleware. El propio arnés de Stripe se encuentra arriba, conectando la postura de seguridad y servicios internos de Stripe. Una capa de configuración permite que equipos individuales desplieguen agentes Kai personalizados con conjuntos distintos de habilidades, comportamientos y personas sin tocar el arnés subyacente. La interfaz de usuario de Kai expone la pila completa a través de una interfaz de chat basada en sesiones donde los artefactos—reportes, paneles, documentos—evolucionan junto con la conversación.

Tres componentes de middleware de Deep Agents permitieron el despliegue de una semana. El middleware del sistema de archivos proporciona un sistema de archivos virtual respaldado por S3; Stripe envuelve cada ejecución de sandbox en un patrón "sync in / sync out", materializando archivos en el sandbox antes de la ejecución e sincronizando archivos modificados nuevamente. Esto le da al LLM un entorno de archivo coherente y persistente durante toda la vida de la sesión—el contexto no se reinicia entre turnos. El middleware de sandbox maneja dos categorías de ejecución: análisis de Python (consultas de datos y generación de gráficos) y procesamiento arbitrario de archivos (PDF, presentaciones, documentos). El sandbox se expone como una herramienta invocable; el agente en sí se ejecuta fuera del sandbox y lo invoca. Este límite mantiene la ejecución limpia y evita una clase de problemas de seguridad con código generado por LLM. El middleware de resumen comprime el contexto acumulado en sesiones largas de múltiples turnos antes de que el desempeño se degrade.

Krishnamurthy dijo: "La capa Deep Agents resuelve todos los problemas que no son de Stripe, para que podamos enfocarnos en los problemas del agente Stripe. Puedes obtener middleware listo para usar. Los patrones de habilidad componibles, el backend componible, proporciona la estructura correcta con suficiente flexibilidad."

Lo que Deep Agents no resuelve es el conocimiento del dominio. Kai se envía precargado con contexto específico de Stripe a través de herramientas y habilidades—más de 1.000 habilidades que representan experiencia codificada de más de 100 equipos. Los usuarios no necesitan re-explicar su función de trabajo o empresa a Kai en cada sesión. Este contexto ambiental distingue a Kai de un asistente LLM genérico. Proviene de la inversión sostenida por expertos de dominio que construyen habilidades a lo largo del tiempo, no del arnés en sí.

La lección para equipos de plataforma: los arneses de agentes ahora son mercancías para comprar, no construir. Lo que diferencia a un agente de conocimiento de producción es la biblioteca de habilidades de dominio que acumulas en la parte superior.