Redesenhando o controle de origem na Anthropic
Redesenhando o controle de origem na Anthropic (via) Artigo interessante da Anthropic que descreve por que e como eles construíram sua própria alternativa personalizada ao Git, com base no aumento dramático na taxa de alterações em seu código após os últimos seis meses.
Em maio de 2026, a Anthropic teve uma média de cerca de 2.500 alterações de código mescladas por dia; em setembro, fundimos mais de 30.000 por dia.
Eles incluíram um gráfico mostrando essas mudanças. Pedi a Claude que modificasse seu gráfico (código aqui) para adicionar marcadores para os lançamentos públicos de cada um de seus modelos em 2026:
Mostra as datas de lançamento público, não a data em que os modelos foram disponibilizados para uso interno da Anthropic. Meu palpite é que a introdução dos modelos de classe Fable/Mythos é um fator chave no aumento da velocidade de codificação.
“Antique” é o seu novo sistema de revisão de código. O sistema de controle de código-fonte é chamado Scion e me parece uma reinvenção do controle de código-fonte centralizado nos moldes do Subversion.
(Atualizar: Anthropic credita Piper do Google e Sapling da Meta como “arte anterior” – parece que o conceito central de “dados derivados” foi fortemente inspirado em Mononoke, o componente de servidor do Sapling.)
Eles tinham alguns requisitos bastante extremos:
Só a história da nossa filial principal é de quase 100 GB, e um comprimido a cópia de trabalho tem mais de 25 GB. Realizamos cerca de 25 milhões de verificações de código por dia para CI, antes de contar ambientes de desenvolvedores, sandboxes de agentes e trabalhos de pesquisa. Buscado ingenuamente, isso representaria mais de 600 PB de tráfego git por dia.
O novo sistema foi construído por uma equipe de sete pessoas e a migração do Git foi concluída em cinco meses.
Quando questionado no Hacker News sobre a falta de suporte offline, o engenheiro do Scion, Nick G, respondeu:
Como Claude é de longe o usuário mais assíduo do Scion e está necessariamente online, isso simplesmente não era importante.
Além disso, tenho tentado recentemente a revisão contraditória em meus próprios projetos, onde você tem um modelo que tenta encontrar falhas (costumo jogar Claude e GPT um contra o outro). Esta nota do artigo refletiu minha própria experiência com isso:
A Anthropic também faz uso extensivo de revisão contraditória e, embora seja incrivelmente eficaz em muitos aspectos, também pode ser míope, portanto, engenheiros qualificados precisavam desviar Claude do excesso de engenharia de partes do sistema em resposta a preocupações hipotéticas.
