一、引言:瓶颈从“写代码”挪到了别处
Anthropic 这篇文章的开头只有两句话,但信息量很大:
在 Anthropic,写代码已经不是构建系统或做研究的瓶颈。
现在的瓶颈,是为人类规模而建的那一整套开发者基础设施:源码控制、构建、CI。
这句话值得停一下。过去十年,工具链优化的默认目标是“帮人更快地写代码”——补全、生成、审查。当 Claude 能自主跑研究循环、能微调复杂程序、能从零搭出新服务之后,最先崩的不是人的产能,而是那些假设了人的操作频率与阅读速度的基础设施。其中最先出问题的是源码控制,因为它是所有开发动作的入口。
应对方式也很直接:Anthropic 自研了一套版本控制系统 Scion,并用5 个月把单体仓库从 git 完整迁移过去。同期还配套建了代码评审界面 Antique、代码搜索、仓库级 IAM,以及一套面向大规模已评审代码的合入方式。
这篇文章不是“我们又造了个轮子”的宣言,它把自己定位成一个案例研究,并反复声明边界(后文会讲)。但对任何正在把 agent 塞进研发流程的团队来说,它提供了一个少见的视角:当你的客户端从人变成 agent,哪些设计假设会先失效。
二、git 撞墙:把分布式工具的假设搬到集中式负载上
2.1 四个数字
先看 Anthropic 单体仓库的实际规模:
| 指标 | 数值 |
|---|---|
| 主分支历史大小 | 近 100 GB |
| 压缩后的工作副本 | 超过 25 GB |
| 每天代码检出次数(仅 CI) | 约 2,500 万次 |
| 若朴素地 fetch,git 流量 | 超过 600 PB/天 |
600 PB/天这个数字不是巧合,它是“每个客户端都要一份完整仓库”这条假设的直接推论。2,500 万次检出乘以一份几十 GB 的对象图,怎么优化传输都补不回来。
而合并量还在继续上涨:2026 年 5 月的日均合并约 2,500 次,到 9 月已经超过 30,000 次。
2.2 错位在哪里
git 是一个去中心化系统:每个 clone 都是完整、自包含的仓库,可以离线算 diff、读历史、查 blame、检出任意版本。对绝大多数仓库,这是正确设计,也是 git 成为行业标准的原因。
但它假设了客户端会离线、且需要完整副本。而 Anthropic 的客户端几乎全是 agent 和 job——它们天然在线,本来就跑在数据中心里,随时能问服务器。
大多数公司其实把 git 当集中式系统用(只有一份权威副本),但 git 的协议仍然按分布式来设计。
这就形成了一个尴尬的局面:为离线场景做的优化,在大仓库上反而变成了扩展性的负担。
2.3 能想到的变通,他们都试过了
git 本身提供了切片工具:shallow clone、sparse checkout、promisor remote。大单体仓库的常见做法则是内部 git mirror,加上存放在 blob 存储里的仓库快照(seeds)。
Anthropic 全都用过,峰值时同时运维着数百个内部 git mirror。结果是:
- 时间买到了,但随着合并率上升,运维成本指数级上升;
- seeds 在两次刷新之间不断落后于 main 的 tip;
- 依赖历史的操作(diff、blame)在部分克隆上需要越来越多的额外维护。
这类方案的本质是用缓存弥补协议的不匹配。缓存能救急,但救不了“缓存永远比真相旧”这件事。
2.4 设计出发点
于是他们问了一个反过来的问题:
如果我们从一开始就把“agent 永远在线”当作事实来设计源码控制,它会是什么样?
先行技术并不缺:Google 的 Piper、Meta 的 Sapling(尤其是其服务端 Mononoke)。脚注里特别点明,Mononoke 首创了 Scion 使用的许多技术,尤其是 Bonsai 数据模型。
三、六条设计原则
Scion 的六条原则,每一条都在撤销一个为离线世界做的妥协。
1. 客户端永远在线。 不再假设客户端能脱离服务器工作,协议围绕“服务器始终可达”设计,客户端按需取数据。
2. 客户端与服务端不对称。 这是最反 git 直觉的一条。git 里每个客户端都能成为完整 server;Scion 里服务端负责回答文件历史与 blame、创建 commit、执行 merge 与 rebase,客户端只负责维护有界的本地对象缓存、在磁盘上布局工作副本、监听文件变化、提供交互。客户端几乎不做计算,换来的是本地数据需求的大幅下降。
3. 一套完整的源码控制服务可以支撑很多新应用。 在 git 里,一个 CI job 想知道“谁最后改了这行”,要么自备仓库副本,要么依赖厂商的专有 API。Scion 把客户端用的所有查询都暴露成 API,很多 job 根本不需要本地仓库。文章举的例子是自动化 bisect 与 revert 流水线——没有廉价、程序化的访问方式,这种流水线在规模上无法实践。
4. 一切必须水平可扩展。 数百个 mirror 会把容量吃干净,仓库一旦超出镜像的磁盘或内存上限,就不再可扩展。Scion 中仓库数据是分布式的,每个组件独立扩容,任何地方都没有完全物化的仓库副本,也没有 packfile,因此不需要仓库维护。
5. 提交必须廉价、增量、无锁。 commit、rebase、merge 全在服务端完成,不需要 push,但每次操作都必须快。关键在于:创建 commit 与更新下游数据结构的成本,随变更大小缩放,而不是随仓库总大小缩放。此外,Scion 的开发流程不鼓励 refs,只保留 main 或发布分支——因为让所有 server 就某个全局状态达成一致,是一个迫近的扩展性问题。
6. 工作副本是可选的,且天然稀疏。 每天数千万次检出,所以尽量避免 checkout:CI 只要某个 commit 与其 merge base 的 diff,直接问服务器就行。协议以 sparse checkout 和 virtualized checkout(按需物化)为中心,真正落盘时只为实际读取的内容付费。
四、Scion 怎么工作
4.1 工作单元是 changeset,而不是 commit
Scion 的工作单元叫 changeset,它是写前日志(WAL)中的一条记录。它存了 git commit 里大多数预期内容,但有一处关键差异:
- git commit 存的是指向一棵 tree 的指针;
- changeset 存的是相对第一个父提交变更的文件列表,每个文件附带指向 blob 存储中压缩内容的内容寻址指针。
这个选择带来的是吞吐上的连锁反应:接收一条 changeset 不需要 packfile、不需要加锁、不需要跨服务器协调、也不需要移动 ref。Scion 技术上支持 refs,但创建和获取 commit 都不涉及 refs;移动一个 ref 只是 Spanner 单行上的 compare-and-swap,与创建 changeset 完全分离。
脚注里说明了“以第一个父提交为基准”是一个风格选择:在 trunk-based 的单体仓库里,人们真正关心的只有主线 commit 的历史与 blame。
4.2 派生数据:让新查询变成“再加一种”
changeset 只记录变更,回答不了“谁最后编辑了这一行”“哪些 commit 影响过这个文件”。所以 Scion 从 changeset 派生出额外结构:file blame、path history 的专用结构,以及用于 commit graph 的跳表(skip lists)。
所有非 changeset 直接组成部分的数据,统称 derived data,由唯一一套通用机制计算。每种派生数据都是递归定义的:某个 changeset 上的值,由它父提交上的值算出来。
这个设计的收益常被低估:
- 出现新的、能加速某类操作的数据结构时,新增一种派生数据很容易;
- 每种派生数据可以选急切计算或延迟计算,避免物化用不上的数据;
- 客户端看不到这些结构的内部,因此可以在完全不改客户端的前提下替换它们。
文章提到,他们已经多次新增派生数据类型,例如 copy detection 和基于路径的文件搜索索引。
4.3 协商协议:不问“你有什么”,只问“我要哪些对象”
这部分是整篇文章技术上最漂亮的地方。
git 的 fetch 协商,核心是把客户端已有的 refs 告诉服务器,让服务器算差量,再压成一个 packfile 传回来。Scion 的 scn 客户端反过来:
- 协商不告诉服务器“我已经有什么”,而是只针对客户端想要的 trees 与 blobs 操作;
- 从 root tree 开始,客户端检查本地存储缺失哪些 tree,递归请求,然后对 blobs 重复同样的过程;
- 每个请求都是永不变化的特定对象,任何一层缓存都能回答。
后果有三点,每一点都直接对应前面的原则:
- 架构天然长得像分层缓存(tiered caches),而不是“一次大传输”;
- 过程可恢复(resumable),因为不存在单个多 GB 的 packfile 响应;
- sparse 甚至 virtualized checkout 不需要特殊支持——“客户端只是不去要它不想要的 tree”。
4.4 三层拓扑:同构 RPC,严格分层
| 层级 | 职责 |
|---|---|
| scion-daemon | 客户端通过 socket 与它通信;为整个节点存对象。多数节点都要访问单体仓库,同节点上的 job 复用大部分相同对象。每个 daemon 从周期性刷新的快照起步,之后只与所在区域的 tree/blob 缓存服务器通信 |
| scion-cache | 区域级缓存,直接从内存以 daemon 消费的磁盘格式流式发送对象,不需要即时计算差量或做 delta 压缩。缺对象时向权威 server 请求 |
| scion-server | 权威层,按需从 Spanner 或云存储读取 |
三层响应完全相同的 RPC,客户端不需要知道缓存拓扑。理论上任意一层都能与任意一层通信,但他们严格强制分层以隔离故障域——避免区域 cache 故障把压力顶到上游 server,进而拖垮整个系统。
这套东西能水平扩展的前提是:所有源码控制数据内容寻址,一旦存储就不再变化,于是任意 server 都能无协调地缓存。用文章的话说,server fleet 本质上就是“一批可以顺手计算派生数据、并把结果写回 Spanner 的大缓存”。
4.5 收益
| 指标 | 结果 |
|---|---|
| 各层缓存命中率 | 均超过 99% |
| 长生命周期状态 | 不需要,易于扩容 |
| 基础设施 CPU/内存足迹 | 比原 git 镜像方案小 200 倍 |
| CI 与研究任务检出速度 | 快两个数量级(秒级 vs 分钟级) |
| CI 单项收益 | 25% CPU 容量节省 |
| 仓库维护 | 客户端与缓存均不需要 |
注意“不需要长生命周期状态”这一条。它听起来像运维细节,实际上决定了扩容曲线:没有需要搬迁的状态,扩容就只是加机器。
五、造这套东西学到了什么
时间线上有个巧合:Scion 的启动,与 Claude Mythos Preview、Claude Tag 的内部可用大致同期。这两个东西既放大了对 Scion 的需求,也显著加速了它的构建。
5.1 一个能说明问题的例子
年初,团队基本是手写完成 git→Scion 摄取流水线的第一版原型,自己觉得还不错。拿到早期 Claude Mythos Preview 快照后,他们让它整体重写,没有给任何进一步指示。产出的版本:
- 内存占用减少 20 倍;
- 速度快 4 倍;
- 同时保留了摄取顺序与数据结构方面所有隐式不变量。
最后一条比前两条更难。性能优化经常是靠破坏隐含约定换来的,而这次没有。
5.2 小团队的快速开发会变得更常见
7 个人,同时做了 Scion、Antique 以及另外半打相关系统,并在 5 个月内完成完整迁移。期间每天合并的代码量增长了 10 倍。
作者提醒读者对比一下历史:过去开发和部署这样一套源码控制系统,通常需要公司多年迭代迁移,投入多得多的工程师。
5.3 工程师的价值没减,但工作性质变了
这是全文最坦率的一段:
参与这套系统的所有工程师,现在都会认为 Claude 在写代码这件事上比自己更强。
那工程师还在提供什么?三样东西:对高层系统间各组件的理解、设计层面的取舍、以及对“要解决什么问题、需要达到什么规模”的知情选择。
然后是最反直觉的一句:
很多时候,工程师的角色是对 Claude 说“不”。
原因是 agent 会为了满足某种本不该被允许的模式而违反核心系统约束,这在迁移过程中尤其常见。文章举的例子很具体:多个系统试图线性读取 commit log 来暴力查某个变更何时合入 main,而不是去问代码评审工具。行为上它“能跑通”,但它把一个 O(1) 的查询退化成了 O(n) 的扫描,还给主干加了不该有的负载。
Anthropic 大量使用对抗性评审(adversarial review),效果显著,但评审本身可能视野狭窄(myopic),所以还需要熟练工程师把 Claude 从“针对假设性担忧的过度工程”里拉回来。文中的例子是一次评审不信任另一个内部服务,于是 Claude 加了过量校验和复杂度。
团队仍然评审每一个变更请求,但关注点是变更的意图(intent),而不是逐行读代码。
5.4 优化与质量可以同时提升
因为 Claude 写代码的速度远超人类,Scion 是团队做过的测试最充分、防御最完善的代码库之一。即便时间紧,他们仍然构建了针对所有遇到过的非平凡基础设施与源码控制交互的 hermetic 模拟,加上 fuzzing 和精细的限流。
“顺手”的收益也有:某次一处绕过索引的祖先查询被优化,专家可能要花几天到几周分析调优,而 Claude 第二天又做了一遍。
5.5 为新型单体仓库的安全打底
在巨型单体仓库里,安全、保密与合规和规模同等重要。Scion 从一开始就纳入了这些:
- 丰富的仓库级访问控制;
- 权限可以下放到单个目录,从而在保留单体仓库好处的同时保护最敏感的代码;
- 评审工具能表达复杂的审批语义约束,把“纯注释变更”和“敏感逻辑变更”区分开,让人工评审者聚焦在后果最大的那些变更上。
5.6 “superfans”:让 Claude 执念于一个组件的健康
团队大量使用 Claude Tag 监控系统各组件。做法是:为每个组件建一个 Slack 频道,让 Claude 只关注这个组件的健康——scion-daemon superfan、scion-cache superfan、Antique merge queue superfan,如此等等。
这些 superfan 能访问遥测与日志,表现得像一位无事可做、只刷图表找异常的资深工程师。系统当然也有传统告警,但 superfan 能发现微妙、新颖的问题,让传统告警“相形之下显得单维”。
5.7 被彻底质疑的旧前提
最有意思的是最后一条:这个项目促使团队重新审视其他为人类规模设计的工作流。
- 正规的 merge queue 在 agent 规模下意义不大;
- 当成百上千个变更可以在测试运行时合入,CI 到底意味着什么?
他们无法有效复制业界标准的“merge queue 全局仓库锁”,转而投入合入后(post-merge)与部署前(pre-deploy)的自动化测试。代价是并发变更可能冲突——但 Claude 修复冲突的速度通常比人类发现冲突还快。
这句话之所以成立,恰恰因为前面那些设计:冲突修复的瓶颈不在“人是否能想清楚”,而在“代码是否已经就位”。
六、边界:它不是 git 的替代品
文章在结论部分做了很明确的自我限定,这部分比技术细节更值得抄下来:
Scion 绝不是 git 在通用场景下的合适替代品。
这些概念只对真正巨大的单体仓库有意义——要么有数万名工程师,要么有大量 agent 在高产地写代码。Anthropic 还有一个特殊条件:内部可花的 token 远超任何其他企业现实中愿意花的量,这既是为了满足自身开发需求,也是为了测试 Claude 的能力。
为什么不开源或产品化?作者给的答案很实在:
- 与 git 差异太大,企业需要迁移开发生命周期的每一环;
- 需要自有的代码评审、代码搜索、CI;
- Anthropic 内部这些组件高度定制化,别的组织很难采用;
- 更担心做一个“取悦所有人”的公共版本并不会真的有用。
七、真正可迁移的部分:四条给生态的建议
作者预计这类问题在未来 6 到 12 个月会更普遍,所以认为最有影响力的做法是分享思路,让其他团队能在不脱离 git 模型的前提下应用 Scion 里最成功的部分:
- git server 不必和 git client 工作方式相同。 存在能显著改善扩展性的新型服务端架构。
- Git 平台可以提供像 Scion 那样全面的服务端 RPC,甚至可以跨 forge 标准化,让 git 客户端学会与之通信。
- 协商协议不必保持今天的样子。
- git 的 sparse / shallow 特性应该能良好组合(compose well)。
这四条其实可以压缩成一句话:协议层面的解耦,比客户端层面的优化更能救规模。 你可以继续用 git 的客户端、git 的工作流、git 的心智模型,但服务端与协商机制不必受同一套假设约束。
文章结尾对 git 社区致意:git 社区花了近二十年为数百万开发者扩展这个平台,而 Anthropic 的贡献要窄得多——只是分享了 agentic 软件开发如何与这些系统相互作用的一份早期观察,希望能与 GitHub、GitLab 和开源社区一起支撑开发者不断变化的需求。
八、给正在把 agent 塞进研发流程的团队
如果把这篇文章当成一份检查表,我会留下五个问题:
- 你的哪个基础设施还在假设“客户端会离线”? 一旦客户端全是常驻 agent,完整副本、离线计算、单次大批量传输都会变成负担。
- 你的缓存是在弥补协议,还是在放大协议? 数百个 mirror 买到的是时间,买不到扩展性;判断标准是“缓存是否会不断落后于真相”。
- 你的提交成本随什么缩放? 如果它随仓库总大小缩放而不是随变更大小缩放,那 agent 的高频提交一定会把它压垮。
- 你的派生数据能不能替换? 把 blame、索引、commit graph 当作可重算的派生物,而不是需要迁移的资产,换代成本会低一个数量级。
- 你的工程师还在评审代码,还是评审意图? 当 Claude 写得比人快,人的价值转移到“说不”和“定规模”上——这两件事没有自动化替代品。
最后一点感受:这篇文章表面上在讲版本控制,实际在讲当一个系统的客户端从人变成 agent 之后,哪些隐含假设会先碎。Scion 只是第一个被撞碎的东西,因为它在最前面。
资料来源
- Anthropic Research:Redesigning source control at Anthropic(10 月 15 日更新,补充了先驱项目的更多细节)
- 文中数据时间范围为 2026 年 1 月至 9 月;相关先行技术为 Google Piper、Meta Sapling / Mononoke 与 Bonsai 数据模型
「真诚赞赏,手留余香」
真诚赞赏,手留余香
使用微信扫描二维码完成支付