Agenten machen die Engpässe von Git unübersehbar
KI-Agenten erzeugen Claude Code in einem Tempo, das grundlegende Engpässe der herkömmlichen Versionskontrolle offenlegt. Der Konflikt ist deutlich: Während Agenten Änderungen schnell erzeugen können, kommen die auf Menschen ausgerichteten Workflows für Koordination, Tests und Prüfung kaum hinterher.
Zur Größenordnung: Anthropic berichtete, dass die täglichen Claude Claude Code-Änderungen innerhalb von nur vier Monaten von etwa 2.500 auf über 30.000 gestiegen sind. Die Zuverlässigkeit des Monorepos von OpenAI fiel zeitweise unter 90 %, als dessen Agenten Änderungen pushten. Das sind Extremfälle, doch sie zeigen eine systemische Herausforderung.
Auch in kleinerem Maßstab stehen Entwickler, die lokale Agenten einsetzen, vor ähnlichen Koordinationsproblemen. Agenten, die ein gemeinsames Arbeitsverzeichnis nutzen, können Dateien überschreiben oder die Tests der anderen stören, sodass mehr Zeit für die Lösung von Konflikten als für das Schreiben von neuem Claude Code aufgewendet wird.
Die Infrastrukturprobleme bei Anthropic und OpenAI sind enorm, doch das zugrunde liegende Koordinationsproblem kennt jeder, der mehrere Coding-Agenten im selben Projekt betreibt. Das Kernproblem: Git, entwickelt für Menschen, die überwiegend offline arbeiten, kommt mit den ständigen, umfangreichen und parallelen Anforderungen von KI nur schwer zurecht.
OpenAI behielt Git bei – und baute neu, was dahinter steckt
OpenAI wählte einen entgegengesetzten Ansatz zu Anthropic: Es baute das Backend neu auf und behielt die vertraute Schnittstelle von Git bei. Entwickler verwenden weiterhin die Standardbefehle git push und git fetch. Dieses System namens Pando ist ein maßgeschneidertes Backend mit hoher Parallelität, geschrieben in Rust und ausgelegt auf die Anforderungen von KI-Agenten.
Der Engpass lag in der Koordination gleichzeitiger Aktualisierungen über zahlreiche Branches hinweg. Pando löst dies, indem es Aktualisierungen verschiedener Branches sofort verarbeitet und das monolithische Ref-Locking durch eine unabhängige Ref-Koordination ersetzt. So können Agenten gleichzeitig auf verschiedene Branches pushen, und serialisierte Engpässe, die zuvor jede Aktivität verlangsamten, entfallen.
Pando speichert außerdem Git-Pack-Dateien zwischen, sodass der Server identische Daten für gängige CI-Job-Anfragen nicht wiederholt neu erzeugen muss. Diese Effizienz ist entscheidend, da das System inzwischen täglich fast ein Petabyte an Git-Daten ausliefert.
OpenAI berichtet von beeindruckenden Ergebnissen: Die mediane Push-Latenz sank um fast 80 %, wodurch Workflows deutlich schneller wurden. Der Kompromiss: Lesezugriffe über mehrere Branches hinweg zeigen möglicherweise keine perfekt synchronisierte Ansicht des Repositorys. Von Projektbeginn bis zum Produktivbetrieb dauerte Pando etwa 10 Wochen; der Kern wurde von einem Entwickler entworfen und weitgehend von Claude Claude Code-Agenten implementiert.
Anthropic fragte, ob Agenten Git überhaupt brauchen
Anthropic hingegen stellte die grundlegenden Annahmen von Git infrage. Das Team fragte, ob ein Offline-first-Versionskontrollsystem mit verteilter Architektur noch optimal sei, wenn die meisten Clients dauerhaft online befindliche KI-Agenten und automatisierte Jobs sind. Daraus entstand Scion, ein vollständiger Ersatz für Git.
Die Historie des Main-Branches von Anthropic näherte sich 100 GB, komprimierte Arbeitskopien überschritten 25 GB. Die CI-Infrastruktur führte täglich rund 25 Millionen Checkouts durch. Diese Belastungen machten den wachsenden Overhead tiefer lokaler Repositories und des dezentralen Modells von Git deutlich.
Scion verlagerte Commits, Merges und Verlaufsoperationen auf ein serverseitiges System. Clients fordern nur die Dateien und Daten an, die sie benötigen, sodass große lokale Repositories entfallen. Diese Architektur brachte erhebliche Effizienzgewinne.
Anthropic berichtete, dass Scion etwa 200-mal weniger CPU und Arbeitsspeicher verbraucht als die bisherige Git-Mirroring-Infrastruktur. Einige Checkouts, die zuvor Minuten dauerten, sind nun in Sekunden abgeschlossen, und die CI gewann etwa 25 % ihrer CPU-Kapazität zurück. Um Scion voll auszunutzen, baute Anthropic seine Tools für Claude Code Review, Claude Code Search und CI neu auf. Weitere technische Details finden Sie unter Redesigning source control at Anthropic. Scion ist kein allgemeiner Git-Ersatz, sondern eine spezialisierte Lösung für die besondere agentengetriebene Arbeitslast von Anthropic.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Ihre Agenten brauchen Worktrees, kein neues Versionskontrollsystem
Pando und Scion stehen für auseinanderlaufende Wetten. OpenAI setzt auf Git-Kompatibilität und baut das Backend neu auf, um Daten im Petabyte-Bereich und 30.000 Änderungen pro Tag zu bewältigen, ohne die Workflows der Entwickler zu verändern. Anthropics Scion dagegen ist ein von Grund auf neues System, zugeschnitten auf die internen Agenten-Workloads, das die Offline-first-Annahmen von Git zugunsten eines dauerhaft online betriebenen, serverautoritativen Modells verwirft.
Keines der beiden Systeme steht für die allgemeine Nutzung zur Verfügung, und ihre beeindruckenden internen Benchmarks (z. B. Scions 200-fache CPU-/Speichereffizienz oder Pandos 80 % geringere Push-Latenz) lassen sich nicht auf Laptop-Maßstab übertragen. Für die meisten Teams bleibt Git robust. Die unmittelbare Lösung für lokale Agentenkonflikte ist git worktree add <path> <branch>. Dieser Befehl gibt jedem Agenten ein isoliertes Arbeitsverzeichnis und einen eigenen Branch und verhindert, dass gleichzeitige Änderungen kollidieren.
Worktrees entschärfen zwar Kollisionen im lokalen Arbeitsbereich, beseitigen aber nicht alle Merge-Konflikte. Um agentengetriebene Entwicklung zu skalieren, sollten Sie Folgendes erwägen:
- Sparse Checkouts für große Repositories verwenden
- Abhängigkeiten zwischenspeichern
- Doppelte CI-Jobs vermeiden
- Relevante Tests sicher ausführen
Da Claude Claude Code und andere Agenten die Erzeugung von Claude Code beschleunigen, wird sich der nächste Engpass unweigerlich von der Versionskontrolle auf die menschliche Prüfung und automatisierte Validierungsprozesse verlagern.
Häufig gestellte Fragen
Warum verursachen KI-Coding-Agenten Probleme für Git?
Agenten können Änderungen in großem Umfang parallel erstellen und pushen. Das erhöht die Konkurrenz um Ressourcen, die Checkout-Last und den Aufwand für die Prüfung und das Testen von Änderungen.
Was ist der Unterschied zwischen OpenAI Pando und Anthropic Scion?
Pando baut das Git-Backend neu auf und behält dabei die Git-Workflows bei. Scion ersetzt Git durch ein serverzentriertes System, das für die agentenlastige Arbeitslast von Anthropic entwickelt wurde.
Können Entwickler Pando oder Scion heute nutzen?
Nein. Beide sind interne Systeme und keine Tools, die Teams installieren und als Ersatz für Git einführen können.
Wie kann ich verhindern, dass mehrere Coding-Agenten in Konflikt geraten?
Geben Sie jedem Agenten einen eigenen Git-Worktree und Branch und prüfen und mergen Sie die Änderungen anschließend. Worktrees isolieren die Arbeitsdateien, verhindern aber keine späteren Merge-Konflikte.