Компания Anthropic столкнулась с серьёзными проблемами при использовании Git в условиях активного применения AI Coding Agent. Исследователи из Гарвардского университета (Fiona Chen и James Stratton) проанализировали данные 718 компаний (около 300 млн записей инженерных работ) и выяснили, что после внедрения AI Coding Agent объём написанного кода вырос примерно на 30 %, но время от отправки кода на проверку до его слияния увеличилось примерно на 49 %. При этом общий объём выполненной работы по разработке ПО статистически значимо не вырос.
По данным Anthropic (от 10/13), с активным участием Claude в разработке кода количество ежедневных слияний кода в компании выросло с примерно 2500 в мае до более 30 000 в сентябре — рост более чем в 12 раз. Компания назвала контроль версий главным узким местом в разработке и начала перепроектирование инфраструктуры.
Git — распространённая распределённая система контроля версий, используемая в GitHub, GitLab и других платформах. Её особенность — возможность сохранять историю версий локально даже без подключения к интернету. Однако при росте размера репозитория это увеличивает нагрузку на систему. Anthropic использует архитектуру Monorepo (единый репозиторий кода): история версий основного филиала достигает почти 100 ГБ. Система непрерывной интеграции (CI) ежедневно выполняет около 25 млн операций извлечения кода (Checkout) для автоматизированной сборки и тестирования.
Ранее Anthropic развернула сотни серверов‑зеркал Git и применяла частичную загрузку и снимки репозитория для снижения нагрузки. Но с ростом слияний кода существующая архитектура стала плохо масштабироваться. Компания пришла к выводу, что её система контроля версий в основном используется AI Agent и автоматизированными процессами, которым не нужна полная локальная история версий и возможность работы в автономном режиме. Поэтому Anthropic решила разработать новую систему — Scion.
Scion от Anthropic использует архитектуру, ориентированную на сервер: создание версий, слияние, поиск истории изменений выполняются на сервере, а клиентские устройства сохраняют лишь ограниченный кэш данных и загружают файлы по мере необходимости. Промежуточные данные изменений кода хранятся в Spanner, содержимое файлов — в Cloud Storage. Scion предоставляет API для контроля версий: CI или AI Agent могут напрямую запрашивать у сервера данные о различиях в коде и записях об изменениях без загрузки большого хранилища. Система поддерживает выборочную проверку кода (получение только нужных каталогов или файлов), использует многоуровневое кэширование и горизонтально масштабируемую архитектуру серверов для снижения затрат при одновременном доступе множества агентов к коду.
По внутренним данным Anthropic, ресурсы CPU и памяти для Scion меньше, чем для исходной архитектуры Git‑зеркала, примерно в 200 раз. Скорость проверки кода для CI и исследовательских работ выросла примерно в 100 раз (с минут до секунд), общая экономия ёмкости CPU для CI — около 25 %. Claude Mythos Preview помог переписать программу обработки данных при переходе с Git на Scion: потребление памяти снизилось в 20 раз, скорость выполнения выросла в 4 раза.
7 инженеров за 5 месяцев разработали Scion, инструмент проверки кода Antique, системы поиска кода и управления правами, а также выполнили миграцию внутреннего Monorepo. Anthropic предупреждает, что в ближайшие 6–12 месяцев другие компании могут столкнуться с аналогичными проблемами масштабирования. При этом компания не считает, что все предприятия должны отказаться от Git: Scion предназначен для сверхбольших Monorepo и нагрузок с большим количеством AI Agent, генерирующих код, и не подходит для повсеместной замены Git. Переход на Scion потребует изменений в системах проверки кода, поиска, CI и может быть затратным.
Anthropic планирует поделиться опытом разработки Scion, чтобы разработчики могли использовать отдельные успешные практики (улучшение серверной архитектуры, предоставление более полного API для контроля версий, усиление механизмов выборочной проверки и передачи данных) без полного отказа от Git. Компания также намерена сотрудничать с GitHub, GitLab и сообществом открытого кода, чтобы существующие инструменты разработки постепенно адаптировались к новым требованиям, связанным с AI Agent.
AI не только ускоряет генерацию кода, но и повышает его качество, безопасность и эксплуатационные характеристики. Claude позволяет команде уделять больше внимания тестированию и оптимизации производительности. Scion создаёт основу для детального управления правами доступа к коду и контроля безопасности. Claude анализирует журналы служб и телеметрические данные, помогая выявлять аномалии, которые могут быть упущены при традиционном мониторинге.
Опыт Scion показывает, что AI Coding Agent меняет не только объём кода, который пишут инженеры, но и заставляет компании переосмыслить разделение труда в разработке ПО, управление качеством и архитектуру инфраструктуры. Традиционные предположения о процессе разработки ПО требуют пересмотра: при массовом внесении изменений агентами CI‑потоки и очереди слияния, рассчитанные на скорость разработки человеком, могут быть неэффективны. При сотнях или тысячах изменений в процессе тестирования команда должна пересмотреть подходы к тестированию и развёртыванию. Anthropic усиливает автоматизированное тестирование после слияния кода и перед развёртыванием.
Роль инженеров меняется — акцент смещается на архитектуру системы, технические компромиссы и ограничения дизайна. Инженеры по‑прежнему проверяют изменения, но переходят от построчного анализа кода к проверке намерений изменений и общей обоснованности дизайна. Малая команда может быстрее выполнять крупные проекты благодаря AI — например, 7 инженеров за 5 месяцев выполнили Scion и связанные системы.
Подписаться в Макс