Anthropic 自建源码控制,AI Agent 把 Git 跑到了极限 · 11-09

今天值得看的

  • Anthropic 弃用 Git 自建源码控制系统,因为 AI Agent 写代码的速度超出了人类工具的设计上限
  • GitHub 公开了新的 Git 存储架构,内部实测 5000 个并发 Agent、每秒 7200 次 push
  • GitHub Copilot code review 新增 REST 和 GraphQL API 管理能力,支持按仓库粒度配置

Anthropic 自建源码控制系统,Git 成了 AI Agent 的瓶颈

Anthropic 已经从 Git 迁移到自研的源码控制系统。原因直接写在他们的工程博客里------AI Agent 写代码太快了,Git 这类为人类开发者设计的工具扛不住。

素材里引用的 Anthropic 原话:

At Anthropic, coding is no longer the bottleneck to building systems or doing research. Claude is able to autonomously iterate on research loops, micro-optimize complex programs, and build new services from the ground up at a speed and scale we haven't seen before. The bottleneck, now, is all of the developer infrastructure built for humans who code at human speed.

核心信息:Claude 已经能自己跑研究循环、微调复杂程序、从零搭建新服务,速度和人不是一个量级。瓶颈不在代码本身,而在 commit、branch、merge、review 这些配套流程上。Anthropic 的结论是基础设施需要为 Agent 重新设计,而不是让人和 Agent 共用同一套 Git 工作流。

原文没透露自研系统的具体架构和技术选型。但这件事本身给出了一个明确的信号:如果你的团队在用 AI Agent 做批量修改、大量 commit,Git 的瓶颈可能比你预期的来得更早。

我的判断:这条的核心不是「Anthropic 造了一个新东西」,而是「Git 在 Agent 规模下会先崩」。你团队现在可能还没到这个量级,但如果已经让 Agent 做跨仓库改动或高频 commit,留意一下 push 延迟和锁竞争。别等出问题了再想方案。

→ 原文

GitHub 新 Git 存储架构,5000 个并发 Agent 同时 push 不崩

GitHub 在 Universe 大会上公布了新的 Git 存储架构设计,两条核心原则:最小化协调开销,存储与计算解耦。

内部测试给出了两个具体数字:单仓库 5000 个并发 Agent 工作,每秒 7200 次 push,同时读流量保持低延迟。GitHub 的定位很明确------这套架构是为「数亿开发者的 Agent 化开发」准备的底座。目前已经在线上运行中的 GitHub 底下逐步替换,不是另起炉灶。

技术路径在 GitHub 的另一篇文章里有更多细节(素材第 8 条):99.99999% 的仓库已经同时存在于 GitHub 数据中心和 Azure,剩下的是最繁忙的那一批,被 25 毫秒的往返延迟卡住。新架构通过改变 quorum 序列化写入的方式,把这些最忙的仓库也迁进了 Azure,同时让副本不需要自己维护持久状态。

我的判断:这两个数字值得记------5000 Agent 并发、7200 push/s。它不是理论值,是 GitHub 自己跑出来的。如果你的团队在用 AI Agent 做批量仓库操作,可以用这两个数当参考上限,对比你现在的 Git 托管方案能不能到这个量级。另外注意这套架构还在推进中,原文没给完成时间,不是立刻所有仓库都能享受。

→ 原文

GitHub Copilot code review 新增 API 管理,可以从企业策略一直管到单个仓库

Copilot code review 现在可以通过 REST 和 GraphQL API 管理设置了,从企业策略层到单个仓库都能控制。适用的计划是 Pro、Pro+、Max、Business、Enterprise。

新增的能力包括三个层面。一是识别层面:API 返回的 review 和 comment 有了显式的 Copilot 归属标记,能区分哪些是 AI 写的。二是溯源层面:每个 comment 可以关联到它用了哪些 skills、MCP 服务器和自定义指令。三是管理层面:企业管理员可以通过 API 读写 code review 设置。另外 review 的概览评论变得更紧凑了。

素材还顺便提了一嘴附带修了计费、自动 review 和可靠性问题,但没有展开具体是哪些 bug。

我的判断:归因标记和 MCP/skills 溯源这两个新字段对有合规要求的团队有用,能知道 AI review comment 是怎么生成的。API 化管理对 CI 管线里做自动化 review 配管也有价值,不用去 UI 上一个个点了。这条不是那种「必须马上换」的更新,但如果你已经在用 Copilot code review 并且想通过代码管配置,现在可以做了。

→ 原文

相关推荐
CyrusYiVPP20 分钟前
实测 Ollama 本地部署:我用 Python 搓了个离线问答机器人,Qwen4 27B 一到换个模型名就能用
人工智能·python
美团技术团队24 分钟前
美团 LongCat-2.5 开源:从看见,到抵达
人工智能
aifannihao31 分钟前
AI 学习第 8 课:1200 列纯噪声 CV 出 0.47,泄漏在筛特征那步
人工智能·机器学习·scikit-learn·学习路线·数据泄漏
老金带你玩AI1 小时前
我宣布!Magpie就是版本答案!
人工智能
Rocky Ding*1 小时前
REPA-E技术深度解析:解冻 VAE 之后,扩散模型为什么需要选择梯度
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·repa-e
武雄(小星Ai)1 小时前
Ollama报llama-server binary not found排坑实录:服务活着引擎没了
人工智能·windows·大模型·ollama·排坑
bryant_meng1 小时前
【TNT】《Transformer in Transformer》
人工智能·深度学习·transformer·word embedding·tnt·sentence embed
jay神2 小时前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo
叼烟扛炮2 小时前
[LangChain] 学习笔记(08):工具调用底层闭环与第三方搜索(Tavily)实战
人工智能·笔记·学习·langchain