title: "Stripe 如何打造企业大脑 Kai"
source_url: "https://www.youtube.com/watch?v=AbZODZ_4VaM"
author: "How I AI"
excerpt: "公共早报 Stripe 用 Kai 将组织上下文、数据工具和共享技能接入员工日常工作。工程经理 Sherrod 展示了以项目配置模型与权限、优先检索可信指标层的做法，并说明如何把一次有效对话沉淀成可复用技能。这套实践让企业智能体的建设重点落在数据基础、治理和持续迭代。"
Brief Description
Claire 在"How I AI"节目中采访了 Stripe 工程经理 Sherrod，主题是 Kai——Stripe 的内部公司智能体。访谈探讨了为什么大公司要构建自定义智能体，而非简单地把外部 AI 工具直接交给员工使用。讨论涉及 Kai 如何利用个性化上下文、项目、技能、数据基础设施、沙箱、工具策略和人工审批，在不让企业 AI 变得不安全的前提下使其得到广泛运用。
Table of Contents
- 为什么 Stripe 要构建 Kai
- 个性化上下文与企业治理
- 项目作为控制平面
- 构建数据智能体与仪表板
- 为智能体准备数据基础设施
- 迭代、技能与检索
- 小团队推动大规模采用
- 工具策略与人工审批
- 维护技能平台
- 结语与个人 AI 使用
为什么 Stripe 要构建 Kai
Claire： Sherrod 在构建 Kai 的团队工作，Kai 是 Stripe 的内部公司大脑和公司智能体。核心问题是：为什么一家大公司要构建自定义智能体，而不是简单地给员工提供迅速增长的外部 AI 工具集？
Sherrod： 问题从来不只是技术层面的。Stripe 希望让每个人都用上 AI，但这样做需要复刻一个复杂全球化公司的运作方式：众多产品、流程、团队和控制机制。目标不仅仅是提供 AI，而是提供治理结构，让人们能够放心使用 AI——相信它会做正确的事。
Kai 具有上下文感知能力。它知道员工是谁、在组织中的位置、哪些项目和同事可能相关，并且在 Stripe 云端的标准安全边界内运作。为 Kai 构建的基础设施，同时也旨在改进 Stripe 为客户构建智能体所用的基础设施。
个性化上下文与企业治理
Sherrod： 开箱即用时，Kai 了解基本的员工和组织上下文，以及日期和时间等信息。标准连接工具可以引入项目管理数据、OKR、最近的发版邮件和项目信息。用户可选择授权访问更多数据源，如 Google Drive、Slack 和私人消息。系统对敏感数据源保持严格边界；部分员工选择为每个会话开启或关闭访问权限，而另一些则偏好更多上下文。
Claire： 这是一个有边界的上下文引擎：个人信息与组织上下文让智能体更有用，但员工可以决定多少信息被自动摄取。构建内部智能体也是学习如何构建优质面向客户的智能体的途径，因为公司可以用员工来压力测试自己的基础设施。
项目作为控制平面
Sherrod： Kai 的项目是一个核心治理机制。一个项目是对一组人试图实现目标的明确陈述，为智能体提供了强烈的意图信号。一个项目可以有五个人，也可以有数百人，项目所有者可以决定适当的工具、上下文、安全控制措施和默认模型。不需要昂贵模型的任务，不必每天向每位员工暴露这个选项。
因此，项目做的远不止群聊或文件分组。它们为特定工作设置了配置层：模型路由、连接器、审批、权限和其他控制。少数理解成本、性能和延迟权衡的人可以建立安全的默认值，而其他所有人为此可以专注于工作。
对企业 AI 来说，项目也支持异构性。一个团队可以使用自定义智能体和不同的后端 API，同时保留平台的通用功能。例如，一个人事团队项目可以拥有更安全的后端和一套专门构建的技能。Kai 被呈现为多层系统顶部的可见层，而非一个不可分割的产品。
构建数据智能体与仪表板
Sherrod： 在现场演示中，Kai 被要求找到用于追踪 Kai 使用情况的常用查询，并将其变成仪表板。Stripe 的内部查询层 Hubble 即用于此目的。仪表板是常见的 AI 用例，因为许多员工即使不是工程师也需要用数据表达观点。
工具是智能体可以执行的操作；技能则将相关工具打包，使正确的能力更容易被找到。Kai 定位到 Ask Data 技能，该技能打包了 Stripe 标准的工具，用于处理数据和 SQL 问题。Harness 还提供会话特定的安全沙箱、用于安全搜索和移动数据的工具，以及在沙箱内工作并从中检索输出的工具。用户无需理解实现细节，智能体就可以代表他们编写脚本。
最终生成的仪表板显示了 adoption 信息和可交互的链接。Sherrod 表示，公司已有超过 86% 的人使用 Kai。关键好处不是一张静态仪表板：用户可以继续多轮对话，添加分类或转换，迭代改进同一份产出物。部分对话持续了数百轮、跨越数周，智能体充当协作角色，而非每次产生一次性的结果。
这支持了"最后一公里"的数据工作。为每种可能的工作流构建和维护仪表板是不切实际的。智能体可以创建轻量级的、针对特定工作流的应用程序，并在安全沙箱中操作数据，包括那些并非工程师的员工。
为智能体准备数据基础设施
Claire： 数据查询、仪表板和可视化通常是第一个内部智能体用例。是什么让数据仓库和查询层对智能体做好准备？
Sherrod： Stripe 在查询层和弹性方面投入了大量资源。它使用 Trino 进行查询，并构建了能够承受智能体大量查询波动的系统。它还投资了数据目录和数据分层，使模式能将智能体引向相关的高质量数据集。
目录之上是重要指标的分析层。Ask Data 技能通过一个层级路由请求：首先使用直接可信的产出物和分析层；其次使用现有仪表板及其查询；只有在这些都不可用时才回退到搜索目录并直接编写查询。这些帮助人类找到可靠答案的投资同样帮助了智能体——智能体可以在不知道是否选中了正确表或查询的情况下回答问题。
Claire： 在 AI 出现之前建立起来的强开发者体验、数据平台和分析层，在此之后会成为倍增器。她建议在这些基础上投资。智能体会放大现有的失败模式，因此数据仓库必须能够承受大量暴力查询行为，而不能因为智能体在使用它就假设它是安全的。
Sherrod： Stripe 见过智能体失控、险些影响核心系统的案例，并利用这些事件加固了平台。智能体身份和声明的使用场景对优先级决策、负载丢弃和基础设施控制都很有用。这些是深层基础设施问题，但它们很重要，因为智能体可以成倍放大运维问题的幅度。
迭代、技能与检索
Sherrod： 一次有用的会话可以被打包成可复用的技能，将一次性的聊天转化为可重复的、承担关键工作流的流程。Kai 的技能创建功能会收集从交互中学到的内容，并准备一个用户可以私有保留或与团队共享的技能。系统提供描述和技能何时应该被使用的信号，然后让用户通过类 IDE 界面测试、编辑、优化和管理草稿。
Stripe 约有 2000 个技能，因此发现至关重要。例如请求最新的 adoption 仪表板这样的请求，可以触发刚刚创建的技能的检索。与在仓库层次结构中运作的编码智能体不同，企业请求可能涉及多个不相关的系统。因此 Kai 需要有意识的打包、检索和评估，才能在正确的时机调用正确的技能。
平台还提供建议来帮助作者改进技能。允许任何人发布共享技能，使得质量、治理和政策变得重要。关键不仅是一个技能构建器，而是一个公司级别的技能平台，支持创建、编辑、评估、共享和持续改进。
小团队推动大规模采用
Sherrod： Kai 最初由一名半工程师用两周时间构建了一个极低成本版本。一旦人们能看到它，关于为什么需要它的疑问就更容易回答了。一个由GTM团队协作推动的试点项目，在两到三人的投入下增长到约 200-300 名用户。
一次全公司演示加速了推广。目前每周有超过 10,000 人使用 Kai，而管理体验的核心团队始终保持在 10 人以下。这种杠杆效应取决于编码智能体、强开发者体验组织以及许多团队已经构建的周围基础设施。团队有意保持精干，但 Sherrod 称赞了核心团队之外的众多贡献者。
工具策略与人工审批
Sherrod： 项目可以设置工具策略，在敏感工作中保持有效性。一位处理机密信息的 HR 员工如果被禁止使用所有工具，智能体将无法使用；但允许其将这些信息放到广泛的公共文档中也是不可接受的。项目可以改为针对该工作流约束特定的工具和数据路径。
某些操作可以要求人工介入。在示例中，智能体被要求创建日历邀请，预配置的策略要求在执行该操作前进行确认。重要的设计选择不是为审批而审批。一位负责任的所有者决定在特定上下文中哪些工具是敏感的、在哪里需要确认。
Claire： 应用在每个会话上的个人级设置无法表达特定任务的上下文，也无法作为一套目的构建的权限集在团队中共享。企业构建者应考虑系统造成的摩擦。目标是让工作更轻松而不造成混乱，而不是强迫每个人在每个任务上决定是否启用某个连接器或暴露某个数据集。
Sherrod： 过度的提示会鼓励不安全行为，因为人们最终会点击通过。项目通过将适当的控制围绕相关工作而非每次交互来降低管理成本和摩擦。
维护技能平台
Claire： 内部智能体平台需要对技能和工具调用的可观测性，在调用失败时自动评估，以及对未使用技能的下线策略。定期通知所有者、将无人维护的技能标记为下线，最终将其移除，可以保持技能库的可管理性。
Sherrod： 质量和数量不能分开，因为无关的上下文会恶化结果。Stripe 的技能分布是：全公司大量使用的核心技能集合较小；由特定组织区域使用的长尾技能；以及仅由少数人共享的高度专业化工具。平台必须尊重合理的细分工作流，同时利用遥测识别应该推广到通用工作流或移除以避免消耗不必要上下文的技能。
结语与个人 AI 使用
Claire： 总结是个性化的组织上下文、经过调优的工具、安全沙箱、共享产出物、项目级访问和控制、必要时的人工审批、公司级技能平台以及面向智能体的数据层。初始版本由一个小团队仅用数周构建；组织现在通过一个精干的核心团队和大量支持性基础设施来支撑广泛使用。
Sherrod： Stripe 尚未解决所有问题，认为自己仍处于早期阶段。强大的基础让它能够在快速发展的领域中持续迭代。
在产品之外，Sherrod 用 AI 来应对孩子关于太空的问题，并充当个人助理提醒他各项义务，这样他无需把所有事情都记在脑中。Claire 补充说，智能体不应该只被用来工作；它们也应该让人投入工作——通过提示他们完成自己说过要做的事情。
当 AI 没有在听时，Sherrod 表示他会重新表述请求而不是对它喊叫，有时会加重语气。结语开玩笑说要温和地"教养"AI，但更广泛的信息仍然是实用的：有用的企业智能体需要良好的基础、聚焦的上下文、可复用工作流以及适应工作而非让安全行为过于繁琐的控制。