For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/pt/articles/anthropic-scion-source-control-for-30-000-037c8176.md.
Gerar mais código não significa automaticamente entregar software mais rápido. Cada alteração ainda precisa passar pelo controle de versão, ...
Gerar mais código não significa automaticamente entregar software mais rápido. Cada alteração ainda precisa passar pelo controle de versão, revisão, builds e testes. Em volume suficientemente alto, essa infraestrutura se torna o fator limitante.
A Anthropic afirma que suas alterações integradas diariamente cresceram de aproximadamente 2.500 em maio de 2026 para mais de 30.000 em setembro. Para dar suporte a esse crescimento, sete engenheiros desenvolveram o Scion, um sistema interno de controle de versão, juntamente com a ferramenta de revisão Antique e outros serviços de suporte. A equipe migrou seu monorepo em cinco meses.
Gráfico de volume de merges da Anthropic, reproduzido no relatório da Xinzhiyuan/BAAI.
O controle de versão registra alterações e permite operações como diffs, blame, merges e recuperação. Esses recursos continuam sendo necessários quando um agente escreve as alterações. O que muda é a frequência com que são solicitados e a quantidade de jobs de curta duração que precisam acessar o código.
A Anthropic descreve um histórico da branch principal próximo de 100 GB, uma cópia de trabalho compactada superior a 25 GB e cerca de 25 milhões de checkouts de CI por dia. Baixar uma cópia de trabalho compactada completa para cada checkout implicaria mais de 600 PB de tráfego diário. Isso ilustra uma abordagem ingênua, e não afirma que sua rede realmente transferiu esse volume.
A empresa já utilizava clones rasos, checkouts esparsos, remotos promissores, seeds de repositório e centenas de espelhos Git internos. Essas medidas ajudaram, mas os espelhos e snapshots se tornaram mais difíceis de manter à medida que o repositório e a taxa de merges cresciam.
O relatório fornecido também descreve um relato anterior da Anthropic sobre workloads de CI que cresceram 25 vezes em seis meses. Segundo ele, correções temporárias sucessivas em um serviço de seleção de testes duraram 70 dias, 29 dias e menos de um dia antes que outro redesenho se tornasse necessário.
De acordo com esse relato, um engenheiro passou três semanas reconstruindo o serviço. A substituição custou mais para operar, mas escalou de forma mais previsível após os ajustes. Esta é uma história de infraestrutura separada do Scion, e sua comparação de custos não deve ser combinada com as economias do Scion.
O problema comum de engenharia é simples: dividir o trabalho em mais alterações e executar agentes fora do horário normal de trabalho pode aumentar a carga em todos os serviços downstream, mesmo que cada alteração individual seja pequena.
O Scion parte do workload específico da Anthropic: quase todos os clientes são agentes ou jobs online, e a organização já trabalha em torno de um repositório autoritativo. Por isso, ele transfere uma parte substancial do trabalho para os servidores.
O servidor cria commits, calcula merges e rebases e responde a consultas de histórico. Os clientes mantêm um cache limitado de objetos e obtêm os dados de que precisam. Jobs que necessitam apenas de um diff ou de uma consulta de ancestralidade podem chamar uma API sem sequer fazer checkout de um repositório.
Esse design também altera a unidade de trabalho. Um changeset do Scion registra os arquivos alterados em relação ao seu primeiro pai e ponteiros endereçados por conteúdo para os dados dos arquivos. Índices adicionais fornecem operações como histórico de caminhos e blame. A Anthropic chama esses índices de dados derivados e pode calculá-los antecipadamente ou sob demanda.
Arquitetura de checkout da Anthropic, reproduzida pela Xinzhiyuan/BAAI.
O caminho de checkout possui várias camadas de cache. Um daemon no nível do nó compartilha objetos entre jobs; caches regionais fornecem árvores e blobs; servidores autoritativos consultam o armazenamento persistente quando necessário. As requisições identificam objetos imutáveis, para que os caches possam reutilizar respostas sem negociar repetidamente uma grande transferência de repositório.
A Anthropic afirma que cada nível de cache supera uma taxa de acerto de 99%. Ela também aplica os limites entre os níveis para impedir que a falha de um cache regional sobrecarregue o serviço upstream.
| Resultado relatado | Escopo da comparação |
|---|---|
| Pegada de CPU e memória 200 vezes menor | Infraestrutura do Scion versus a infraestrutura anterior de espelhamento Git |
| Checkouts aproximadamente duas ordens de grandeza mais rápidos | Jobs de CI e pesquisa no ambiente da Anthropic |
| Ganho de 25% na capacidade de CPU de CI | Capacidade recuperada na frota de CI da empresa |
| Importador quatro vezes mais rápido com 20 vezes menos memória | Uma reescrita assistida pelo Claude comparada ao protótipo anterior de ingestão da equipe |
Estas são observações internas de um workload excepcionalmente grande. Elas não significam que toda a engenharia se tornou 200 vezes mais barata ou que um repositório comum veria melhorias equivalentes.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
O exemplo do importador também tem um contexto específico. A Anthropic afirma que um snapshot interno inicial do Claude Mythos Preview reescreveu seu pipeline de ingestão de Git para Scion, preservando as restrições exigidas de ordenação e estruturas de dados. Esse resultado descreve uma implementação específica, e não um benchmark de todos os usos do modelo.
A Anthropic atribui ao Claude a aceleração da implementação, dos testes e da otimização. Também enfatiza que os engenheiros precisaram compreender como os sistemas se encaixavam e rejeitar soluções que violavam suas restrições.
Um exemplo envolveu agentes lendo linearmente logs de commits para determinar quando uma alteração chegou à branch principal, embora o sistema de revisão já disponibilizasse essa informação. Outro envolveu verificações defensivas excessivas entre serviços internos confiáveis. Ambos poderiam produzir código funcional, mas adicionando custo ou complexidade desnecessários.
O Scion também se apoia em trabalhos anteriores de infraestrutura para grandes repositórios, incluindo o Piper do Google e o Sapling e o Mononoke da Meta. A publicação atualizada da Anthropic reconhece explicitamente esse histórico. Comparar cronogramas de desenvolvimento sem comparar escopo e ideias herdadas deixaria esse contexto de fora.
Para outras equipes, o ponto de partida útil é seu gargalo real: tempo de checkout, filas de revisão, seleção de testes, conflitos de merge ou outra questão. A Anthropic afirma explicitamente que o Scion é direcionado a monorepos enormes e não é um substituto de uso geral para o Git.
O Scion é o sistema interno de controle de versão da Anthropic para seu grande monorepo e workload de desenvolvimento intensivo em agentes. Ele usa operações no servidor e APIs para reduzir a quantidade de dados de repositório necessária para cada cliente.
O anúncio de engenharia descreve um sistema interno e não oferece um download público de uso geral. A Anthropic afirma que ele foi projetado para monorepos enormes, e não para casos de uso comuns do Git.
A combinação de tamanho do repositório, rápido crescimento dos merges e milhões de checkouts diários pressionou sua infraestrutura Git existente. O Scion pressupõe clientes online e centraliza operações que, de outra forma, exigiriam mais dados locais ou transferências repetidas.
A Anthropic afirma que uma equipe de sete pessoas construiu o Scion, o Antique e vários sistemas relacionados, concluindo a migração em cinco meses. A afirmação cobre esse projeto interno, cujo design também se apoia em pesquisas e sistemas anteriores de controle de versão.
Não. O número de 200 vezes compara os requisitos de CPU e memória da infraestrutura de controle de versão com a configuração anterior de espelhamento Git. Ele não mede o custo total do desenvolvimento de software.
Os engenheiros continuam definindo restrições, escolhendo arquiteturas, revisando alterações e gerenciando interações entre sistemas. Os exemplos da Anthropic mostram por que uma implementação localmente plausível ainda pode estar errada para o serviço mais amplo.
O Scion aborda a pressão de infraestrutura criada pelo volume excepcionalmente alto de alterações de código da Anthropic. Operações no servidor, acesso esparso e caches em camadas reduzem o trabalho repetido entre agentes e jobs de CI.
Os ganhos relatados são específicos desse ambiente. A geração mais rápida de código só é útil quando a revisão, os testes e o controle de versão conseguem lidar com a carga resultante.
Comece com uma frase e tenha um site completo em minutos.
