El cuello de botella de la revisión de código acaba de romperse
La revisión de código, un cuello de botella tradicional en el desarrollo de software, está experimentando un cambio tectónico. El monorepo principal de Anthropic, por ejemplo, escaló de aproximadamente 2,500 cambios diarios en mayo a más de 30,000 en su día de mayor actividad en septiembre. Simultáneamente, Claude ahora escribe alrededor del 90% del propio código de Claude Code, lo que hace que la inspección humana línea por línea sea impracticable.
En lugar de intentar que un humano revise cada línea, los equipos de Anthropic ahora se preguntan: "¿Qué podría salir mal con este cambio?" y "¿Qué verificación, automatizada o humana, es la mejor para detectarlo?". Este enfoque pragmático asegura que la mayoría de las pull requests (PRs) se fusionen con, como máximo, una persona involucrada, a menudo solo el autor. Boris Cherny, quien creó Claude Code, envía de 20 a 30 PRs diariamente, un ritmo imposible con los métodos convencionales.
Este nuevo sistema ha dado resultados notables. Entre junio y septiembre, las PRs fusionadas se duplicaron con creces. Fundamentalmente, la proporción de PRs que tuvieron que ser revertidas cayó un 40%, lo que demuestra que una menor carga de revisión humana no equivale necesariamente a más defectos. Este cambio destaca una reevaluación fundamental de cómo garantizamos la calidad del código a escala.
Un error tiene que sobrevivir a un guantelete
Los errores se enfrentan a un guantelete de comprobaciones automatizadas diseñadas para detectar problemas antes de que los ojos humanos vean siquiera una pull request. Claude primero ejecuta pruebas, compila la aplicación o compara capturas de pantalla dentro de la sesión del autor para verificar su propio trabajo. Luego, un subagente con un contexto nuevo revisa independientemente el diff, asegurando que ningún sesgo de la sesión de creación contamine la evaluación inicial.
Una vez que se crea una pull request, un producto de revisión Claude dedicado toma el control, desplegando múltiples agentes para buscar errores simultáneamente. Un grupo separado de agentes luego vota sobre estos hallazgos, y solo si suficientes están de acuerdo se publica un comentario, lo que reduce significativamente los falsos positivos.
El sistema aprende de sus errores, transformando problemas recurrentes en lint rules o guías específicas en archivos CLAUDE.md. Esto asegura que los errores comunes se aborden aguas arriba, evitando su reintroducción. Por el contrario, si el revisor marca repetidamente código aceptable, los archivos review.md, escritos por los propietarios del código, aclaran qué constituye un fallo en esa área específica del código.
Antes de fusionar, un agente de security review separado examina el código en busca de vulnerabilidades, y las comprobaciones de CI estándar, incluidas las pruebas, la comprobación de tipos y el linting, deben aprobarse. Este modelo de "queso suizo" en capas asegura que incluso si una defensa tiene un "agujero", es probable que las capas posteriores detecten el defecto, lo que permite a Anthropic escalar las fusiones sin sacrificar la estabilidad.
El revisor también necesita un revisor
La revisión humana sigue siendo una salvaguarda crítica, aunque escalonada. Los cambios de bajo riesgo de autores de confianza, como actualizaciones de documentación o trabajo con feature-flags, a menudo omiten la aprobación humana. Los cambios ordinarios o las modificaciones en áreas sensibles exigen la firma de un humano, mientras que las rutas de alto riesgo requieren dos. Los agentes clasificadores de Anthropic determinan estos niveles, con un segundo agente validando el requisito de revisión humana.
La evaluación se centra en el impacto en el mundo real. Los errores vinculados a incidentes se convierten en casos de prueba diarios para el revisor, lo que garantiza que el sistema aprenda de fallos pasados. Solo se conservan los cambios en prompts, modelos o reglas que mejoran el rendimiento de forma demostrable sin generar ruido excesivo. Este bucle de retroalimentación iterativo refina constantemente el proceso de revisión automatizada. Para obtener más detalles sobre este complejo sistema, consulte How the Claude Code team does code review.
Sin embargo, las revisiones de agente a agente pueden atrapar al sistema en un bucle. Las críticas excesivas provocan ediciones repetidas y revisiones posteriores, como ocurrió en un PR que registró más de 50 rondas. Para combatir esto, Anthropic limitó las rondas de revisión y cambió las revisiones posteriores para que se centren únicamente en nuevos cambios. Esta intervención hizo que los PR que se aprobaban tras una ronda aumentaran del 65% al 78%, mientras que los que necesitaban cinco o más rondas se desplomaron del 9% al 1.5%.
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
Lo que los equipos pueden copiar y lo que no
El escalado dramático de Anthropic ofrece un vistazo a la ingeniería nativa de IA, pero no todos los equipos pueden simplemente copiar y pegar su enfoque. Aunque los PR fusionados se duplicaron con creces y la cuota de reversiones cayó un 40%, las métricas publicadas no prueban definitivamente que se rompieran menos cambios totales. Si el volumen de cambios aumentó lo suficiente, el número absoluto de reversiones podría haber aumentado, incluso con un porcentaje menor.
Replicar el sistema de revisión multi-agente de Anthropic exige recursos significativos y herramientas internas altamente especializadas. La mayoría de las organizaciones carecen del presupuesto de tokens, la capacidad de cómputo o los sofisticados bucles de retroalimentación que permiten a Claude mejorar por sí mismo sus capacidades de revisión. Esta no es una integración rápida; es un cambio arquitectónico fundamental.
No obstante, existen conclusiones pragmáticas para cualquier equipo. Guíe a los agentes con instrucciones concisas y automatice las comprobaciones de errores recurrentes en lugar de corregirlos de forma iterativa. Limite los bucles de revisión: Anthropic aprendió por las malas que los agentes pueden quedarse atrapados en más de 50 rondas. Reserve la atención humana para decisiones verdaderamente trascendentales, como opciones arquitectónicas o código de facturación de alto riesgo. En última instancia, la regla de "si lo implementas, es tuyo" sigue siendo primordial: la responsabilidad de los resultados sigue recayendo en los humanos.
Preguntas frecuentes
¿Anthropic hace que los humanos revisen cada cambio de Claude Code?
No. La revisión humana depende del riesgo: algunos cambios de bajo riesgo y confianza pueden fusionarse sin aprobación humana, mientras que los cambios sensibles o de alto riesgo requieren una o dos personas.
¿Cómo revisa Anthropic el código generado por IA?
Su proceso combina pruebas locales, revisión de agentes con contexto actualizado, comprobaciones de errores y seguridad multi-agente, CI, revisión humana basada en riesgos y monitoreo de producción.
¿La tasa de reversión de Anthropic demostró que llegaron menos errores a producción?
No por sí sola. La cuota de PR fusionados que fueron revertidos cayó un 40%, pero el volumen de PR fusionados se duplicó con creces, y Anthropic no publicó los recuentos subyacentes.
¿Qué pueden copiar los equipos de ingeniería más pequeños de Anthropic?
Utilice comprobaciones automatizadas para riesgos repetibles, mantenga las instrucciones de los agentes enfocadas, limite las rondas de revisión, ajuste la revisión humana al riesgo y haga que la persona que implementa un cambio sea responsable de su resultado.