Stripe 如何向 1370 名工程师部署 Claude Code
Stripe
Stripe 的开发者基础设施团队将 Claude Code 部署给 1370 名工程师,采用零配置方式,并预装在每台开发机上。团队与 Anthropic 合作产出签名企业版二进制,绕开 npm 依赖链的安全顾虑;一个团队用 Claude 模型在四天内完成 1 万行 Scala 到 Java 的迁移,而人工估计需要十个工程周。
Stripe 的开发者基础设施团队复盘了 Claude Code 在 1370 名工程师中的落地过程,包括安全部署、培训方式和迁移案例。
Claude Code

Anthropic 的智能体编程工具。Claude Code 能理解你的代码库、编辑文件、运行命令,帮助你更快交付。
企业如何在 2026 年构建 AI 智能体

来自 500 多位技术负责人的新研究揭示了企业如何部署 AI 智能体——以及为什么 80% 的企业已经报告了可衡量的 ROI。
Stripe 为互联网构建金融基础设施,为全球数百万企业提供支付支持。该公司的开发者基础设施团队通过工具和平台能力,确保 Stripe 工程师拥有职业生涯中最高效的体验。
- 将 Claude Code 部署到 1,370 名工程师,采用零配置设置,在每位开发者的机器上即刻可用
- 四天内将 10,000 行 Scala 迁移到 Java,该项目在没有 AI 辅助的情况下估计需要十个工程周
- 与 Anthropic 合作产出签名的企业版二进制文件,解决了最初阻碍部署的安全顾虑
- 创建了一项教育计划,将 AI 助手重新定位为有能力的新工程师——他们需要上下文,而不是自主工作的替代者
- 为专注于维持 Stripe 5.5 个 9 可靠性的 AI 驱动智能体奠定基础
挑战
Stripe 需要一个满足企业安全要求的原生 CLI 编程助手。对于由 Scott MacVicar 领导的 Stripe 开发者基础设施团队来说,挑战不在于选出唯一的赢家;而在于让工程师找到适合各自工作流的工具,同时保持企业级安全。
“这里的情况正在快速演变,”负责 Stripe 开发者基础设施组的 MacVicar 说。“我们实际上只是在广泛铺开,还没有开始做任何整合。”该团队启用了六种不同的编程助手,认识到不同的工程角色倾向于不同的交互模式。基础设施工程师偏好命令行工具。产品工程师想要编辑器内体验。强迫所有人使用一种工具意味着把生产力白白丢掉。
但广度也带来了自身的问题。企业安全要求意味着 Stripe 不能简单地让工程师想装什么就装什么。供应链攻击是真实存在的担忧,企业笔记本电脑上随意的 JavaScript 包构成了不可接受的风险。
Claude Code 实现零摩擦采用
部署之路需要协作。MacVicar 直接与 Anthropic 合作,产出了 Claude Code 的企业版二进制文件,这一过程经过了两到三个月的测试和迭代。结果是一个签名的二进制文件,可以安全地在整个组织内部署,绕过了曾引发安全顾虑的 npm 依赖链。
把 AI 助手当作有能力的新工程师
“我们想出了自己的内部分发机制,”MacVicar 解释道。“它预装在每个人的笔记本电脑上。它预装在每个人的开发机上。它预配置了规则、令牌、认证。开箱即用,所以没有人需要去注册账号或阅读所有配置。”
这一理念延伸到 Stripe 所有的开发者工具:工程师不应花时间阅读手册或琢磨理想配置。基础设施团队负责处理这些复杂性,让开发者能够专注于构建。Claude Code 在那些希望获得一个强大助手、融入现有命令行工作流而无需切换编辑器的开发者中找到了自己的定位。
最大的挑战并非技术层面的,而是教育层面的。工程师最初对 AI 助手抱有不可实际的期望,将其视为替代品而非协作者。
“人们认为它是自己的替代品,于是没有给它足够恰当的上下文,”MacVicar 说。团队构建了一个引起共鸣的心智模型:把 AI 想象成一位“能力出众的新工程师,它掌握所有编程语言,但缺乏业务上下文,不了解你的代码库,也不懂 Stripe 的做事方式。”
这种框架改变了工程师向 AI 助手提问的方式。他们不再期待魔法,而是学会提供上下文:指向文档、展示示例代码、解释架构模式。团队通过工程全员演示、专门的培训课程以及在内部工具中策略性放置的“提示按钮”来强化这一点。本地示例比集中培训更有效。那些为自己的特定代码库找到有效提示词的团队在小组内分享这些模式,形成了有机的知识传递。对 MacVicar 的团队来说,这项教育工作与工具本身同样重要。这种入职引导方式——把 AI 视为需要上下文的协作者而非替代品——反映了 Stripe 和 Anthropic 对 AI 辅助开发未来的看法。
成果:迈向用于可靠性的 AI 智能体
工程师反馈对工具的满意度更高。虽然团队尚未分离出可归因于任何单一 AI 助手的指标,但各方面的信号都是积极的。一个具体例子:一个团队使用 Claude 模型在四天内将 10,000 行 Scala 代码迁移到 Java,而这项工作按人工估算需要十个工程周。这次迁移启用了更新版本的 JDK,带来了此前因所需人工投入而受阻的性能改进。“士气提升了,”MacVicar 说。“大家喜欢它。氛围很好。”
真正的雄心还在前方。Stripe 维持着 5.5 个 9 的可靠性,而 MacVicar 认为 AI 智能体是通往更高标准的路径。“如果我们依赖人来完成某件事,那是以分钟计的。如果我们让智能体来做,就可以以秒计。”
团队正在探索 Claude 的智能体 SDK,以构建专注于事件检测和解决的专用工具。在一个停机直接影响客户收入的业务中,缩短响应时间意味着真正的价值。
MacVicar 将机会划分为四个象限:仅人类、人类与智能体、智能体与人类、仅智能体。“我们正在把工作推向人类与智能体、智能体与人类,”他说。“目标是达到仅智能体的最高象限。”
目前,Stripe 继续在其 AI 工具套件中探索哪些做法有效。在广泛赋能、安全部署和开发者教育方面的投入,为这个快速发展的领域接下来的一切奠定了基础。
来源:Anthropic 客户案例 · anthropic.com