Anthropic ersetzt Git durch eigenes System Scion für 30.000 Agent-Commits täglich
Nachdem die Commit-Rate von 2.500 auf 30.000 pro Tag gestiegen war, baute Anthropic die zentrale Versionsverwaltung Scion. Claude selbst ist inzwischen der größte Nutzer der eigenen Source-Control-Infrastruktur.
Veröffentlicht am 15. Okt. • Zuerst erschienen auf mech.app
Anthropic hat Git durch ein eigenes zentrales Versionskontrollsystem namens Scion ersetzt, nachdem ihre Commit-Rate von 2.500 auf 30.000 pro Tag gestiegen war. Der Anstieg korreliert unmittelbar mit dem internen Einsatz der Modelle der Klassen Fable und Mythos. Claude ist inzwischen der größte Nutzer ihrer Source-Control-Infrastruktur, und das System wurde von Grund auf unter der Annahme entworfen, dass Agents stets online sind.
Dies ist keine Geschichte über bessere Werkzeuge. Es ist eine Geschichte darüber, wie die Geschwindigkeit agentengenerierten Codes die Grundannahmen von verteilten Versionskontrollsystemen infrage stellt.
Gits verteiltes Modell setzt voraus, dass Entwickler offline arbeiten, vollständige Repositorien klonen und selten zusammenführen. Anthropics Workload hat jede dieser Annahmen auf den Kopf gestellt:
Der Engpass war nicht der Speicherplatz. Es waren die Kosten für die Erzeugung vollständiger Arbeitskopien für kurzlebige Compute-Instanzen. Jeder CI-Job, jede Agent-Sandbox, jedes Forschungsexperiment benötigte einen sauberen Checkout. Gits Objektmodell erzwingt, dass man den gesamten Verlaufsgraphen herunterlädt und dekomprimiert, um einen Working Tree zu erhalten.
Agents sind nicht auf Offline-Workflows angewiesen. Claude läuft in einem Rechenzentrum. Es muss nicht im Flugzeug arbeiten können. Anthropics Ingenieure erkannten, dass sie die Komplexitätskosten eines verteilten Versionskontrollsystems für eine Funktion bezahlten, die ihr Hauptnutzer niemals brauchen würde.
Scion ist ein zentrales System, das von Google Piper sowie Metas Sapling und Mononoke inspiriert ist. Die Kernidee lautet abgeleitete Daten: Der Server berechnet teure Operationen vor und speichert sie zwischen, sodass Clients nur das abrufen, was sie tatsächlich benötigen.
Der Server hält vorausberechnete Snapshots jedes Commits vor. Fordert ein Client einen Checkout an, lädt er nur die Dateien, die er für diese konkrete Revision benötigt. Der Server übernimmt Dekompression, Delta-Anwendung und Baumkonstruktion.
Damit wird Server-Rechenleistung gegen Client-Bandbreite und Client-Speicher getauscht. Für Anthropics Workload ist dieser Tausch asymmetrisch: Das Unternehmen besitzt zentralisierte Infrastruktur und muss die Kosten pro Checkout minimieren.
# Konzeptioneller Scion-Checkout (nicht die tatsächliche Implementierung) def checkout ( commit_sha, sparse_paths = None ): # Serverseitig: vorausberechneten Tree-Snapshot nachschlagen snapshot = derived_data_cache. get ( commit_sha ) if sparse_paths: # Nur die angeforderten Teilbäume abrufen files = snapshot. filter ( sparse_paths ) else: files = snapshot. all_files () # Dateiinhalte an den Client streamen for path, blob_id in files: yield ( path, blob_store. fetch ( blob_id )) Enter fullscreen mode Exit fullscreen mode Clients dekomprimieren keine Objekte. Sie durchlaufen keinen Commit-Graphen. Sie fordern einen Snapshot an und streamen Dateiinhalte. Die Komplexität trägt der Server.
Anthropics Commit-Geschwindigkeitsdiagramm zeigt deutliche Spitzen, die mit Modellveröffentlichungen zusammenfallen. Der Anstieg von 2.500 auf 30.000 Commits pro Tag erfolgte, nachdem Fable und Mythos intern verfügbar waren.
Agentengenerierte Commits weisen andere Eigenschaften auf als menschliche Commits:
Anthropic hat ein eigenes Code-Review-System namens Antique aufgebaut, um dieses Volumen zu bewältigen. Das System nutzt adversarisches Review, bei dem Claude seine eigenen Änderungen kritisiert und andere Modelle auf potenzielle Probleme hinweisen.
Das Engineering-Team hat einen bestimmten Fehlermodus festgestellt: Adversarisches Review kann kurzsichtig sein. Claude übertreibt es mit Over-Engineering als Reaktion auf hypothetische Bedenken. Menschliche Ingenieure müssen den Agent davon abhalten, Komplexität für Randfälle einzuführen, die niemals eintreten werden.
Das ist ein Kalibrierungsproblem. Der Agent weiß nicht, welche Bedenken real und welche Paranoia sind. Er braucht menschliches Feedback, um den Unterschied zu lernen.
Ein siebenköpfiges Team hat Scion gebaut und innerhalb von fünf Monaten Anthropics gesamte Codebasis von Git migriert. Die Migrationsstrategie war dabei:
Das Team versuchte keine Big-Bang-Migration. Es betrieb beide Systeme parallel, bis Scion unter Produktionslast seine Stabilität bewiesen hatte.
Der Verzicht auf Offline-Unterstützung war eine bewusste Entscheidung. Auf Hacker News gefragt, sagte ein Scion-Ingenieur: "Da Claude mit Abstand der größte Nutzer von Scion ist und zwangsläufig online ist, war das schlicht nicht wichtig."
Das ist das deutlichste Signal dafür, dass Scion in erster Linie für Agents und erst in zweiter Linie für Menschen entworfen wurde.
Zentrale Systeme haben andere Fehlermodi als verteilte Systeme:
Das System ist für diesen Workload operativ einfacher als Git, erfordert jedoch eine größere Infrastrukturinvestition. Scion lässt sich nicht auf einem Laptop betreiben.
Anthropics Migration ist eine Vorschau darauf, was geschieht, wenn Agents zu den Hauptnutzern von Entwicklungsinfrastruktur werden. Die Werkzeuge, die wir für Menschen gebaut haben, skalieren nicht für Agents. Zentralisierte Systeme mit serverseitiger Rechenleistung passen besser zu Workloads, bei denen der Client stets online ist und schnelle, kostengünstige Checkouts benötigt.
Die interessante Frage ist nicht, ob Scion besser ist als Git. Die interessante Frage lautet: Welche weiteren Entwicklerwerkzeuge müssen neu gestaltet werden, wenn Agents mehr Code erzeugen als Menschen?
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 15 • Originally published at mech.app
Anthropic replaced Git with a custom centralized version control system called Scion after their commit rate jumped from 2,500 to 30,000 per day. The spike correlates directly with internal deployment of Fable and Mythos-class models. Claude is now the heaviest user of their source control infrastructure, and the system was explicitly designed around the assumption that agents are always online.
This is not a story about better tooling. It is a story about how agent-generated code velocity breaks the assumptions baked into distributed version control.
Git's distributed model assumes developers work offline, clone full repositories, and merge infrequently. Anthropic's workload inverted every assumption:
The bottleneck was not storage. It was the cost of materializing full working copies for ephemeral compute. Every CI job, every agent sandbox, every research experiment needed a clean checkout. Git's object model forces you to fetch and decompress the entire history graph to get a working tree.
Agents do not care about offline workflows. Claude runs in a data center. It does not need to work on a plane. Anthropic's engineers realized they were paying the complexity cost of distributed version control for a feature their primary user would never need.
Scion is a centralized system inspired by Google Piper and Meta's Sapling/Mononoke. The core idea is derived data: the server precomputes and caches expensive operations so clients fetch only what they need.
The server maintains precomputed snapshots of every commit. When a client requests a checkout, it fetches only the files it needs for that specific revision. The server handles decompression, delta application, and tree construction.
This trades server compute for client bandwidth and storage. For Anthropic's workload, that trade is asymmetric: they have centralized infrastructure and need to minimize per-checkout cost.
# Conceptual Scion checkout (not actual implementation) def checkout ( commit_sha, sparse_paths = None ): # Server-side: lookup precomputed tree snapshot snapshot = derived_data_cache. get ( commit_sha ) if sparse_paths: # Only fetch requested subtrees files = snapshot. filter ( sparse_paths ) else: files = snapshot. all_files () # Stream file contents to client for path, blob_id in files: yield ( path, blob_store. fetch ( blob_id )) Enter fullscreen mode Exit fullscreen mode Clients do not decompress objects. They do not walk the commit graph. They request a snapshot and stream file contents. The server absorbs the complexity.
Anthropic's commit velocity chart shows clear spikes aligned with model releases. The jump from 2,500 to 30,000 commits per day happened after Fable and Mythos became available internally.
Agent-generated commits have different characteristics than human commits:
Anthropic built a custom code review system called Antique to handle this volume. The system uses adversarial review, where Claude critiques its own changes and other models flag potential issues.
The engineering team noted a specific failure mode: adversarial review can be myopic. Claude over-engineers in response to hypothetical concerns. Human engineers have to steer the agent away from adding complexity for edge cases that will never occur.
This is a calibration problem. The agent does not know which concerns are real and which are paranoia. It needs human feedback to learn the difference.
A seven-person team built Scion and migrated Anthropic's entire codebase from Git in five months. The migration strategy was:
The team did not attempt a big-bang migration. They ran both systems in parallel until Scion proved stable under production load.
The lack of offline support was a conscious trade-off. When asked on Hacker News, a Scion engineer said: "Since Claude is by far the heaviest user of Scion and is necessarily online, this just wasn't important to do."
This is the clearest signal that Scion is designed for agents first, humans second.
Centralized systems have different failure modes than distributed systems:
The system is operationally simpler than Git for their workload, but it requires more infrastructure investment. You cannot run Scion on a laptop.
Anthropic's migration is a preview of what happens when agents become the primary users of development infrastructure. The tools we built for humans do not scale for agents. Centralized systems with server-side compute are a better fit for workloads where the client is always online and needs fast, cheap checkouts.
The interesting question is not whether Scion is better than Git. The interesting question is: what other developer tools will need to be redesigned when agents generate more code than humans?