Los agentes hacen imposible ignorar los cuellos de botella de Git
Los agentes de IA están generando Claude Code (Claude) a un ritmo que expone cuellos de botella fundamentales en el control de código fuente convencional. La tensión es evidente: mientras los agentes pueden generar cambios rápidamente, los flujos de trabajo centrados en las personas para la coordinación, las pruebas y la revisión tienen dificultades para seguir el ritmo.
Considere la escala: Anthropic informó de que los cambios diarios de Claude Code se dispararon de aproximadamente 2,500 a más de 30,000 en solo cuatro meses. La fiabilidad del monorepo de OpenAI llegó a caer por debajo del 90% cuando sus agentes enviaban cambios. Son casos extremos, pero ponen de relieve un desafío sistémico.
Incluso a menor escala, los desarrolladores que usan agentes locales se enfrentan a problemas de coordinación similares. Los agentes que comparten un único directorio de trabajo pueden sobrescribir archivos o interferir en las pruebas de los demás, lo que lleva a dedicar más tiempo a resolver conflictos que a escribir nuevo Claude Code.
Los problemas de infraestructura en Anthropic y OpenAI son enormes, pero el problema de coordinación subyacente le resultará familiar a cualquiera que ejecute varios agentes de programación en el mismo proyecto. La cuestión central es que Git, diseñado para desarrolladores humanos que trabajan principalmente sin conexión, tiene dificultades con las demandas constantes, de gran volumen y en paralelo de la IA.
OpenAI mantuvo Git y reconstruyó lo que hay detrás
OpenAI adoptó un enfoque opuesto al de Anthropic: reconstruyó el backend y mantuvo la interfaz conocida de Git. Los desarrolladores siguen usando los comandos estándar git push y git fetch. Este sistema, llamado Pando, es un backend personalizado de alta concurrencia escrito en Rust, diseñado para escalar con las demandas de los agentes de IA.
El cuello de botella era la coordinación de actualizaciones simultáneas en numerosas ramas. Pando lo resuelve gestionando de inmediato las actualizaciones de distintas ramas, y sustituye el bloqueo monolítico de refs por una coordinación independiente de refs. Esto permite que los agentes envíen cambios a ramas distintas de forma concurrente, y elimina los cuellos de botella serializados que antes ralentizaban toda la actividad.
Pando también almacena en caché los pack files de Git, lo que evita que el servidor regenere repetidamente los mismos datos para las solicitudes habituales de los trabajos de CI. Esta eficiencia es crítica, ya que el sistema sirve ahora casi un petabyte de datos de Git al día.
OpenAI informa de resultados impresionantes: la latencia mediana de push se redujo casi un 80%, lo que hace que los flujos de trabajo sean notablemente más rápidos. La contrapartida es que las lecturas entre varias ramas pueden no ofrecer una vista perfectamente sincronizada del repositorio. Pando pasó del inicio a producción en aproximadamente 10 semanas, con su núcleo diseñado por un ingeniero y implementado en gran parte por agentes de Claude Code.
Anthropic se preguntó si los agentes necesitan Git
Anthropic, por su parte, cuestionó los supuestos fundamentales de Git. Su equipo se preguntó si un sistema de control de versiones distribuido y orientado al trabajo sin conexión seguía siendo óptimo cuando la mayoría de los clientes eran agentes de IA y tareas automatizadas siempre conectados. Esto dio lugar a Scion, un reemplazo completo de Git.
El historial de la rama principal de Anthropic se acercaba a 100 GB, y las copias de trabajo comprimidas superaban los 25 GB. Su infraestructura de CI realizaba aproximadamente 25 millones de checkouts al día. Estas presiones evidenciaron la creciente sobrecarga de los repositorios locales profundos y del modelo descentralizado de Git.
Scion trasladó las confirmaciones, las fusiones y las operaciones de historial a un sistema del lado del servidor. Los clientes solo solicitan los archivos y datos que necesitan, lo que elimina la necesidad de grandes repositorios locales. Esta arquitectura generó mejoras significativas de eficiencia.
Anthropic informó de que Scion utiliza unas 200 veces menos CPU y memoria que su anterior infraestructura de réplica de Git. Algunos checkouts que antes tardaban minutos ahora se completan en segundos, y la CI recuperó aproximadamente el 25% de su capacidad de CPU. Para aprovechar Scion al máximo, Anthropic reconstruyó sus herramientas de revisión de Claude Code, búsqueda de Claude Code y CI. Para más detalles técnicos, consulte Redesigning source control at Anthropic. Scion no es un reemplazo general de Git, sino una solución especializada para la carga de trabajo particular de Anthropic, impulsada por agentes.
¿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
Sus agentes necesitan worktrees, no un nuevo sistema de control de código fuente
Pando y Scion representan apuestas divergentes. OpenAI prioriza la compatibilidad con Git y reconstruye el backend para manejar datos a escala de petabytes y 30,000 cambios diarios sin alterar los flujos de trabajo de los desarrolladores. Scion, de Anthropic, en cambio, es un sistema desde cero adaptado a sus cargas de trabajo internas de agentes, que descarta los supuestos de Git orientados al trabajo sin conexión a favor de un modelo siempre conectado y con autoridad en el servidor.
Ninguno de los dos sistemas está disponible para uso general, y sus impresionantes resultados internos (por ejemplo, la eficiencia de CPU/memoria 200x de Scion o la reducción del 80% en la latencia de push de Pando) no se traducen en mejoras a escala de portátil. Para la mayoría de los equipos, Git sigue siendo robusto. La solución inmediata para los conflictos de agentes locales es git worktree add <path> <branch>. Este comando proporciona a cada agente un directorio de trabajo y una rama aislados, lo que evita que las ediciones concurrentes colisionen.
Aunque los worktrees mitigan las colisiones en el espacio de trabajo local, no eliminan todos los conflictos de fusión. Para escalar el desarrollo impulsado por agentes, considere:
- Usar sparse checkouts en repositorios grandes
- Almacenar en caché las dependencias
- Evitar trabajos de CI duplicados
- Ejecutar de forma segura las pruebas pertinentes
A medida que Claude Code y otros agentes aceleran la generación de Claude Code, el siguiente cuello de botella pasará inevitablemente del control de código fuente a la revisión humana y a los procesos de validación automatizados.
Preguntas frecuentes
¿Por qué los agentes de programación con IA están generando problemas para Git?
Los agentes pueden realizar y enviar cambios en paralelo y en gran volumen, lo que aumenta la contención, la carga de checkout y el trabajo necesario para revisar y probar los cambios.
¿Cuál es la diferencia entre OpenAI Pando y Anthropic Scion?
Pando reconstruye el backend de Git y mantiene los flujos de trabajo de Git. Scion sustituye a Git por un sistema centrado en el servidor, diseñado para la carga de trabajo de Anthropic, basada en gran medida en agentes.
¿Pueden los desarrolladores usar Pando o Scion hoy?
No. Ambos son sistemas internos, no herramientas que los equipos puedan instalar y adoptar como sustitutos de Git.
¿Cómo puedo evitar que varios agentes de programación entren en conflicto?
Asigne a cada agente su propio worktree y rama de Git, y después revise y fusione los cambios. Los worktrees aíslan los archivos de trabajo, pero no evitan conflictos de fusión posteriores.