文日小栈

Stripe Engineering

2 篇内容

工程实践Stripe Engineering

Claimable sandboxes: Frictionless Stripe accounts for agents

文章介绍 Stripe 为 AI agent 设计的可认领沙箱：无需注册即可获得带可用测试密钥的临时环境，完成支付集成后再注册认领，覆盖 Docs、API 和 CLI 入口。实现上用 Temporal 维护按国家、场景与平台分区的预热沙箱池以降低延迟，并用 TTL 和清理流水线删除未认领数据以控制成本。安全方面要求 API/CLI 提供邮箱以防钓鱼，新增沙箱专用密钥类型和限流层，Docs 使用 hCaptcha，CLI 采用 proof-of-work 并配合 HMAC、过期时间和动态难度。认领通过 reparenting 将沙箱挂到 live 账户并保留既有测试对象，同时提供生命周期 webhook 和可刷新链接。文章给出每日 5 万+沙箱、10 万+企业及周支付量 300 万美元的规模化结果，也说明匿名临时资源在安全、成本与体验间的取舍。

推荐收录：文章不是产品发布稿，而是完整复盘匿名临时沙箱的工程实现，包含热池、TTL 清理、专用密钥限流、proof-of-work 和 reparenting 认领流程等可验证细节。适合 Agent 平台、API 基础设施与支付系统的工程师参考，其“先让 agent 试用、后延迟注册”的模式以及防滥用取舍可迁移到其他面向 agent 的资源开通场景。

AgentAI EngineeringAPI DesignArchitecturePerformance
工程实践Stripe Engineering

Scaling Radar: Fighting fraud with agent-assisted machine learning

文章介绍 Stripe Radar 的 Shield 反欺诈模型如何通过扩大训练数据和 Agent 辅助实验提升效果。团队取消负样本下采样，把训练集从约 8 亿扩展到 110 亿笔交易，并从 S3 流式读取、torch.compile、低精度计算、降低显存和 BF16 梯度通信等方面将单 epoch 从 24 小时降到 4.8 小时。扩大数据后模型初期表现更好，但因欺诈拒付标签滞后，近期样本中大量未报告欺诈被误标为正常，导致线上回滚。为此团队构建 Agentic MLE，让 AI agent 在既有 ML 基础设施中执行数据探索、特征实现、训练、调试和评估，工程师负责假设与结果审核。一次针对欺诈攻击的实验中，agent 提议调整 SWA 平均区间和训练轮数，使召回率提升超过 8%。文章结论依赖 Stripe 网络数据和支付欺诈场景，标签延迟、agent 可靠性及人工复核边界仍是关键约束。

推荐收录：文章给出了从 8 亿到 110 亿训练数据、epoch 24 小时降至 4.8 小时、延迟欺诈标签导致回滚、Agentic MLE 落地和 SWA 调优带来超过 8% 召回提升的完整证据链。适合反欺诈、ML 训练基础设施和 Agent 工程化读者，可迁移的是数据、训练、评估闭环设计；需注意结论绑定 Stripe 数据与支付场景。

AgentAI EngineeringMachine LearningMLOpsPerformance