Anthropic自研Scion：7人5个月重构版本控制以应对AI高并发

Anthropic 官方复盘了把核心单体大仓从 Git 全量迁出的过程：七个人、五个月，自研版本控制系统 Scion。Claude 写代码不受手速约束，单日合并量从两千多次飙到三万次，主分支历史逼近 100 GB，镜像与稀疏检出被压垮。

AI 编程发展到现在，制约整个技术演进的最大瓶颈，既在推理能力之外，也无关算力卡脖子，居然是咱们天天敲命令用的 Git

刚刚，Anthropic 工程团队发了一篇极其硬核的官方博文《Redesigning source control at Anthropic》，深度复盘了他们如何仅用 7 个人、花了 5 个月时间，从零自研全新版本控制系统 Scion，并把整个核心单体大仓（Monorepo）全量从 Git 迁移出去的全过程

看完通篇技术细节，我整个人被狠狠震撼到了

灾难现场：当 Claude 把单体大仓挤爆

在 Anthropic 内部，程序员敲键盘写代码早就脱离了人工手速约束

Claude 展现出了超乎寻常的工程自主性：自己跑研究循环迭代、给复杂底层程序做毫秒级微优化、甚至能从零架构并搭起全新的生产级微服务

这种自主性带来的直接结果，就是代码合并量的指数级雪崩式爆发：

• 2026 年 5 月：Anthropic 的单体大仓平均每天合并约 2,500 次代码变更
• 到了 9 月：单日代码合并量直接击穿 30,000 次大关，9 月 9 日峰值更是创下 30,401 次合并的离谱纪录，4 个月狂飙超过 10 倍
• 潜在合并需求近乎无限：团队发现内部想合并代码的欲望根本见不到底，底层基建每拆掉一个卡点，AI 产出的代码量就会立刻迎来新一轮爆发

官方博客贴出的这张曲线图，斜率直接陡峭到让人窒息：

Anthropic 单体仓库每日合并量爆发式增长

但真正的物理极限，卡在了基础设施上：

• 主分支（main）历史记录接近 100 GB，压缩后的工作副本超过 25 GB
• 每天光是 CI 流水线，就要执行整整 2,500 万次代码检出（还没算工程师日常开发机、Agent 沙箱和算法研究任务）
• 如果按原生 Git 的老规矩拉取完整数据，每天产生的 Git 网络流量将突破 600 PB

600 PB 每天是什么概念？跨国骨干网拉冒烟都顶不住这种吞吐

为了救火，团队把 Git 社区能用的补丁挨个试了个遍：浅克隆、稀疏检出、云对象存储里的快照种子，峰值时期甚至在内部维护了数百台专用 Git 镜像服务器

结果呢？依然被汹涌的代码洪流彻底冲垮：

• 镜像服务器被单机磁盘容量和内存吞吐硬生生逼到极限
• 快照跟主分支最新代码差距越来越大，节点冷启动拉取耗时成倍暴增
• 在稀疏克隆环境里跑 diff 和 blame，天天报错崩盘，运维成本指数级攀升

来看一眼他们此前为了给 Git 续命搞出来的复杂镜像拓扑：

传统扩展 Git 检出的镜像架构在超大规模下彻底崩盘

Anthropic 的工程师坐下来深刻反思，终于找出了症结所在：

Git 诞生于二十年前，骨子里带着“人类开发者生活节奏”的烙印 它假定客户端随时可能在飞机或离线环境下工作，所以每个本地克隆都必须是自包含的完整仓库，所有节点地位均等 可现实中呢？ 在 Anthropic 跑任务的客户端，绝大部分都是云端常驻、网络时刻长连接的智能体、容器沙箱与 CI 流水线 拿一套专为离线人类设计的对等拓扑，硬抗高并发永远在线的 AI 大军，架构必然彻底爆裂

范式跃迁：面向 Agent 时代的 6 大设计原则

既然旧鞋撑破了，那就必须量身定做一双新鞋

Anthropic 充分吸收了 Google Piper 和 Meta Sapling 的前人经验，确立了一套面向智能体规模（Agent Scale）的全新版本控制系统——Scion（发音类似“塞恩”，寓意幼苗与新生代）

这套系统从立项到把整个核心 Monorepo 全量从 Git 迁移完毕，仅仅用了 5 个月，核心团队只有 7 个人

他们确立了 6 大核心设计原则，每一条都精准切中了传统 Git 的软肋：

Git 与 Scion 六大设计原则深度对比

我们大白话逐条拆解，看看他们是怎么重构底层的：

1. 客户端永远在线（Clients are always online）Git 认定客户端可能断网，所以拼命把全部历史塞给本地 Scion 认定云端服务端始终可达，客户端仅在真正要读取数据时才发起请求，彻底消灭本地巨量数据冗余

2. 端云深度非对称（Client-server asymmetry）Git 里每个客户端都是全功能服务器，本地自己算 Diff、算 Blame、算分支合并，大仓规模下机器经常卡死 Scion 搞彻底的角色割裂：服务端包揽所有文件历史、Blame、Rebase 和 Merge 等重度计算；客户端（scn）极度轻巧，只维护有限对象缓存和文件监听，本地负担降至冰点

3. 完备的服务化 API，赋能新型自动化应用在 Git 里想查代码修改历史或分支祖先关系，外部脚本必须克隆大仓或依赖平台专有接口 Scion 把底层能力全变成标准 RPC 服务，内部工具无需拉取本地大仓就能秒级执行语义查询，直接驱动全自动化二分排错（Automated Bisect）与自动回滚（Automated Revert）流水线

4. 全链路水平扩展，彻底干掉 Packfile系统架构中没有任何单一节点存有仓库的完整全景，废弃了 Git 沉重的 Packfile 打包机制和昂贵的例行垃圾回收（GC），所有数据分布式解耦存储，组件独立水平扩容

5. 提交廉价、增量且无锁（Cheap, incremental, lock-free commits）Git 是本地 Commit 再加远程 Push Scion 里所有提交、变基、合并在服务端即时完成，没有 Push 概念 操作开销仅与实际变更文件大小挂钩，弱化全局分支指针 主分支更新仅仅是对底层 Spanner 数据库单行记录做一次 CAS（Compare-And-Swap）原子操作，彻底告别跨服务器分布式锁

6. 工作副本按需可选，默认稀疏虚拟化面对每天几千万次检出，Scion 能不落盘就坚决不落盘 只读分析任务直接 API 拿 Diff，许多写入任务全流程纯走 API 就算必须落盘，也通过稀疏与虚拟化检出，按需动态物化文件，只为真正读到的文件掏网络和磁盘 IO 成本

核心解密：Changeset 与三级缓存架构

那 Scion 在工程底层到底是怎么跑起来的？

首先是数据单元的彻底重构： Git 每次 Commit 都指向一颗全局目录树（Tree） Scion 的基本单位变成了预写日志（WAL）中的一个条目——Changeset

它只记录相对于第一父节点改变了哪些文件，以及指向云端对象存储的内容寻址哈希指针（Content-Addressed Pointers）：

Scion 的核心数据结构 Changeset

这种结构写入吞吐极高，服务端不用拼复杂的 Tree，也不用跨服务器加锁

至于“某行代码是谁写的”这种历史追溯，Scion 抽象出了一套通用“派生数据”（Derived Data）递归计算框架 每个 Changeset 的派生数据由其父节点递归推导，无论是代码追溯的 Blame 结构，还是跳表索引，全部在服务端按需推迟计算，客户端完全无感知

再来看最硬核的部分：每天 2,500 万次检出，是怎么被扛住的？

Anthropic 搭建了一套教科书般的分层缓存体系：

Scion 检出与分层缓存架构拓扑

整套链路设计得滴水不漏：

• 客户端按需拉取：客户端放弃冗长的对象协商比对，直接从根树递归索取本地缺失的不可变对象，原生支持断点续传
• 节点守护（scion-daemon）：每台物理机单例部署，本机所有容器和 Agent 沙箱共用本地对象池，单机命中率保持在 99% 以上，从根源消灭单机重复下载
• 区域缓存（scion-cache）：机房级内存缓存集群，用磁盘原生消费格式流式直出文件，完全不搞二次增量解压缩，区域命中率同样大于 99%
• 权威服务集群（scion-server）：无状态水平扩容，承接全部控制面交互，仅在缓存完全穿透时读取 Spanner 元数据或云对象存储
• 严格故障域隔离：各层响应完全相同的 RPC 协议，单向层级调用，杜绝下层越级穿透引发雪崩

战绩斐然：实测效能全面碾压

这套组合拳打下来，效果究竟有多猛？

官方实测基准和真实遥测数据给出了答案：

Anthropic 源码控制演进关键指标与效能实测

几个关键数据拉出来看，几乎是代际级的差距：

• 基础架构资源缩容 200 倍：CPU 和内存需求相比原有数百台 Git 镜像集群缩小 200 倍
• CI 算力净省 25% CPU：检出耗时压缩了两个数量级，单是 CI 这一项，每天就释放了整整 195,000 机器小时的算力，彻底解决集群空转等代码同步的痛点
• Agent 环境版本控制总耗时：从 34 分钟断崖式降到 3.7 分钟，提速 9.2 倍，每日为 Agent 任务抢回约 11,000 小时
• 开发者本地状态查询（status）：从 3.9 秒干到了 19 毫秒，提速 207 倍，敲下回车即刻响应
• CI 任务代码检出中位数：从 31 秒缩短到 3.5 秒，提速近 9 倍

在项目推进期间，Scion 自身与其配套的代码审查平台 Antique 代码合并量一路走高，伴随着团队极速平稳落地：

Scion 与代码审查平台 Antique 的合并进展

真正的震撼：AI 时代的软件工程到底怎么做

看完技术参数，最引人深思的其实是他们分享的几条人机协作与工程范式心法

1. 7 人小团队搞定巨头几年的活

在传统科技大厂，研发并全量替换一套承载全部核心业务的版本控制系统，起步就是几十上百名资深工程师、耗时数年反复拉锯 Anthropic 这次仅仅由 7 位工程师挂帅，在 5 个月内交付了 Scion、代码审查平台 Antique 以及周边权限与搜索系统，并平滑完成了全量大仓割接 在顶尖架构师搭配高能力 Agent 的模式下，小团队极速交付超级工程正在成为行业新常态

2. Claude Mythos 的恐怖重构力

研发初期，工程师手写了一个将 Git 仓库导入 Scion 的原型管道，团队原本觉得自己写得已经很棒了 后来内部拿到了 Claude Mythos Preview（下一代旗舰预览）的早期快照，工程师没给任何多余提示词，直接让它全局重构 Claude 输出的新版本，在严密保持所有摄取顺序和数据结构不变式的前提下，内存消耗直降 20 倍，吞吐速度狂飙 4 倍

3. 程序员的新职责：坚定对 AI 说“No”

参与该项目的所有工程师一致公认：在写代码这一纯技术动作上，Claude 已经全面超越了人类工程师自身 但这并不意味着人类退场了，人类的核心价值变得更加不可或缺：

• 高维架构与系统约束把控：Agent 经常为了迁就某个局部 pattern，悄悄破坏全局约束，比如迁移中有子系统试图靠暴力扫提交日志去查主干合并时间，人类工程师必须当场制止
• 防止过度防御（Over-engineering）：对抗性审查有时会走向极端偏执，比如过分怀疑某个内部服务的可靠性，导致 Claude 生成海量冗余防范代码，必须靠人类工程师拨乱反正
• 审查维度升维：人类工程师从过去逐行检查语法细节，转变为专注审视改动背后的真实“系统意图（Intent）”

4. 彻底抛弃全局锁合并队列

在 Agent 规模下，传统的代码合并队列（Merge Queue）几乎失去了存在价值 当成百上千个变更在跑测试期间就已经并发入库，排队等全局锁直接等于全员死锁 Anthropic 果断放弃全局锁，全面转向合入后测试（Post-Merge Testing）与部署前自动化校验 并发冲突不可避免？但在 Anthropic 的环境里，Claude 自动修复代码冲突的速度，远快于人类定位并读懂冲突的速度

5. Slack 里的“超粉”全天候值守

在系统运维层面，团队在 Slack 里为每个关键组件创建了由 Claude Tag 专职盯梢的监控频道，称之为“超粉（Superfans）” scion-daemon 超粉、scion-cache 超粉、Antique 合并队列超粉…… 它们 24 小时紧盯指标异动，比传统机械的一维阈值告警敏锐得多，任何深层复合隐患都能被即时揪出

总结

Anthropic 在博客最后特别坦诚地表示：Scion 绝非通用的 Git 替代品 它所适配的场景极其特定：只有数万名工程师共同开发，或大量高并发 AI 智能体集群持续产出代码的超巨型单体仓库，其架构红利才能抵消定制运维成本 而且 Anthropic 内部为了跑这些系统消耗的 Token 量，远超一般商业企业的承受范围

但他们做出了一个极其犀利的预警： 随着 Coding Agent 的加速普及，类似的版本控制扩展瓶颈，将在接下来的 6 到 12 个月内，在更多企业和团队中普遍暴露

过去二十年软件工程所积累的工具链——从 Git 到 PR 再到 Merge Queue，本质上都在迁就人类工程师“一天敲几百行代码、提交两三次”的生理节律 而当云端常驻的 AI 模型集群展现出每天合并几万次、检出几千万次的恐怖通量时，旧时代的工具外壳终究会被撑破

未来属于那些敢于在指数级时代重铸地基的人

作者：Ai学习的老章 公众号：Ai学习的老章

本文由 @Ai学习的老章 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自 Unsplash，基于CC0协议