【科技讯】 当 AI 智能体（Agent）开始以人类无法企及的速度日夜编写代码时，曾经支撑全球软件工业数十年的底层基础设施正在迎来极限挑战。
2026 年 10 月 13 日，人工智能巨头 Anthropic 发表技术长文，披露了一项里程碑式的内部基础架构重构：由于 AI 模型 Claude 带来了日均超过 10 倍的代码合并量暴增，传统的 Git 版本控制系统已成为最大的研发瓶颈。为此，Anthropic 在短短五个月内从零构建了自研版本控制系统 Scion，并完成了核心单一代码库（Monorepo）的全面迁移。
一、 甜蜜的烦恼：日均 3 万次合并与 600 PB 的流量黑洞
在 Anthropic 内部，“写代码”本身已不再是构建系统或推进研究的瓶颈。官方指出，Claude 已经能够自主迭代研究闭环、对复杂程序进行微优化，甚至以前所未有的速度和规模从零构建新服务。
然而，这种由 AI 驱动的生产力爆发，彻底冲垮了原本为“人类规模（Human Scale）”设计的开发者基础设施：
- 合并量飙升逾 12 倍： 2026 年 5 月，Anthropic 平均每天合并约 2,500 次代码变更；而到了 9 月，这一数字已激增至每天 30,000 次以上。
- 天文数字级的检出负载： 其主干分支（main）的历史记录已接近 100 GB，压缩后的工作副本超过 25 GB。仅在持续集成（CI）环节，系统每天就要执行约 2,500 万次代码检出（Checkout）——这还不包括人类开发环境、智能体沙盒以及各类研究任务。如果按常规方式拉取，每天将产生超过 600 PB 的 Git 流量。
为了给 Git 续命，Anthropic 曾尝试过浅克隆（Shallow Clones）、稀疏检出（Sparse Checkouts）等所有标准优化方案，甚至在高峰期运维着数百个内部 Git 镜像服务器。但随着代码合并速率的指数级攀升，镜像同步愈发滞后，维护分片克隆的成本与复杂度已逼近物理极限。
二、 范式转移：为“永远在线”的 AI 智能体重新定义版本控制
“解铃还须系铃人。” Anthropic 工程团队在复盘时意识到，Git 的核心设计哲学是去中心化与离线优先——每个克隆都是一个完整的、自包含的代码库，适合人类开发者在断网环境下独立工作。
但在 AI 时代，Anthropic 的绝大多数客户端都是默认永远在线的 AI 智能体（Agents）和自动化作业。Git 引以为傲的分布式离线特性，反而成了大规模扩展的沉重枷锁。
借鉴 Google 的 Piper 和 Meta 的 Sapling 等超大型代码库先驱经验，Anthropic 围绕“智能体规模（Agent-scale）”提出了 Scion 的六大核心设计原则：
- 客户端永远在线（Clients are always online）： 摒弃本地全量副本假设，客户端仅在需要时向高可用服务端按需拉取数据。
- 彻底的客户端-服务端不对称（Client-server asymmetry）： 服务端包揽所有重活（计算历史、Blame、创建提交、合并与变基）；客户端仅维护受限的本地缓存并监控文件变更，极致轻量化。
- API 驱动一切（Comprehensive API service）： 所有源码查询能力均通过 API 暴露。CI 作业或内部工具（如自动二分排查与回滚流水线）无需在本地克隆代码库即可直接向服务端提问。
- 全面水平扩展（Horizontally scalable）： 彻底消灭 Git 的打包文件（Packfiles）概念。代码库数据完全分布式存储，甚至连服务端都不存在单一的“完整物化副本”，无需任何仓库维护操作。
- 廉价、增量且无锁的提交（Cheap, incremental, lock-free commits）： 所有提交（在 Scion 中称为 Changeset）直接在服务端生成并写入预写式日志（WAL）及云端 Blob 存储，无需
push，也不依赖耗时的全局分支引用（Refs）锁协调。 - 工作副本可选且默认稀疏（Optional and sparse working copy）： 结合稀疏检出与按需物化的虚拟化检出，客户端只为实际读取的文件买单，大量读写工作流甚至可以完全跳过检出阶段，纯靠 API 运行。
三、 架构成效：算力消耗缩减 200 倍，检出速度迈入“秒级”
在底层实现上，Scion 引入了基于 Google Cloud Spanner 的元数据存储，并通过一套通用的递归计算机制按需生成“派生数据（Derived Data，如代码追溯 Blame 和提交图跳表）”。在拉取端，Scion 打造了由节点守护进程（scion-daemon）、区域内存缓存（scion-cache）与权威服务器（scion-server）组成的三级分层缓存架构，各级缓存命中率均保持在 99% 以上。
这套架构在短短五个月内上线并完成替换（同期还配套推出了代号为 Antique 的代码审查平台、代码搜索及精细化权限系统），交出了一份极其惊艳的成绩单：
| 核心指标 | 传统 Git 镜像架构 | 全新 Scion 架构 | 提升幅度 / 效果 |
|---|---|---|---|
| 基础设施资源占用 | 数百台高配 Git 镜像服务器 | 极小规模无状态服务集群 | CPU 与内存需求缩减至原来的 1/200 |
| CI 与研究任务检出耗时 | 数分钟（Minutes） | 数秒（Seconds） | 提速 2 个数量级（约 100 倍） |
| 各级缓存命中率 | 受限于完整 Packfile 协商 | 内容寻址 + 三级流式内存缓存 | 大于 99%，释放海量集群算力 |
四、 行业启示：用 AI 解决 AI 制造的危机
Anthropic 在文章中坦言，这是一次非常有趣的工程案例：“正是 Claude 强大的代码编写能力把我们逼到了这个境地，但同样也是依靠 Claude，我们才得以在如此短的时间内快速构建出一套高质量、高扩展性的系统来化解危机。”
尽管目前全球范围内只有极少数重度使用 AI 编程的企业会遭遇如此极端的规模瓶颈，但 Anthropic 预测，随着 AI 编码工具在各行各业的普及，**“人类规模的基础设施无法承载智能体规模的产出”**将很快成为软件工程领域的共性痛点。从源码控制、编译构建到持续集成，整个软件开发生命周期的工具链，都站在了被 AI 重新改写的前夜。