Les agents rendent les goulots d’étranglement de Git impossibles à ignorer
Les agents IA génèrent du Claude Code (Claude) à un rythme qui met en évidence des goulots d’étranglement fondamentaux dans la gestion de code source conventionnelle. La tension est claire : alors que les agents peuvent générer des modifications rapidement, les workflows centrés sur l’humain pour la coordination, les tests et la revue peinent à suivre.
Prenons la mesure de l’échelle : Anthropic a indiqué que le nombre quotidien de modifications de Claude Claude Code est passé d’environ 2.500 à plus de 30.000 en seulement quatre mois. La fiabilité du monorepo d’OpenAI est parfois tombée sous 90 % lorsque ses agents poussaient des modifications. Ce sont des cas extrêmes, mais ils illustrent un défi systémique.
Même à plus petite échelle, les développeurs qui utilisent des agents locaux rencontrent des problèmes de coordination similaires. Des agents partageant un même répertoire de travail peuvent écraser des fichiers ou perturber les tests des autres, ce qui conduit à passer plus de temps à résoudre des conflits qu’à écrire du nouveau Claude Code.
Les problèmes d’infrastructure chez Anthropic et OpenAI sont massifs, mais le problème de coordination sous-jacent est familier à quiconque exécute plusieurs agents de codage sur un même projet. Le problème central est que Git, conçu pour des développeurs humains travaillant surtout hors ligne, peine à répondre aux exigences constantes, volumineuses et parallèles de l’IA.
OpenAI a conservé Git et reconstruit ce qui se trouve derrière
OpenAI a adopté une approche opposée à celle d’Anthropic : reconstruire le backend tout en conservant l’interface familière de Git. Les développeurs continuent d’utiliser les commandes standard git push et git fetch. Ce système, appelé Pando, est un backend sur mesure à forte concurrence, écrit en Rust et conçu pour s’adapter aux besoins des agents IA.
Le goulot d’étranglement résidait dans la coordination des mises à jour simultanées sur de nombreuses branches. Pando le résout en traitant immédiatement les mises à jour de branches différentes, en remplaçant le verrouillage monolithique des refs par une coordination indépendante des refs. Cela permet aux agents de pousser simultanément vers des branches distinctes, ce qui élimine les goulots d’étranglement sérialisés qui ralentissaient auparavant toute l’activité.
Pando met également en cache les pack files Git, ce qui évite au serveur de régénérer sans cesse les mêmes données pour les requêtes courantes des tâches de CI. Cette efficacité est essentielle, car le système sert désormais près d’un pétaoctet de données Git par jour.
OpenAI rapporte des résultats impressionnants : la latence médiane de push a baissé de près de 80 %, ce qui rend les workflows nettement plus rapides. En contrepartie, les lectures sur plusieurs branches peuvent ne pas présenter une vue parfaitement synchronisée du dépôt. Pando est passé du lancement à la production en environ 10 semaines, son cœur ayant été conçu par un ingénieur et largement implémenté par des agents Claude Claude Code.
Anthropic s’est demandé si les agents avaient besoin de Git
Anthropic, en revanche, a remis en question les hypothèses fondamentales de Git. Son équipe s’est demandé si un système de gestion de versions distribué et conçu pour le travail hors ligne restait optimal lorsque la plupart des clients étaient des agents IA et des tâches automatisées toujours connectés. Cette réflexion a abouti à Scion, un remplacement complet de Git.
L’historique de la branche principale d’Anthropic approchait 100 Go, avec des copies de travail compressées dépassant 25 Go. Son infrastructure de CI effectuait environ 25 millions de checkouts par jour. Ces contraintes ont mis en évidence la charge croissante des dépôts locaux volumineux et du modèle décentralisé de Git.
Scion a déplacé les commits, les fusions et les opérations sur l’historique vers un système côté serveur. Les clients ne demandent que les fichiers et les données dont ils ont besoin, ce qui supprime la nécessité de dépôts locaux volumineux. Cette architecture a permis des gains d’efficacité significatifs.
Anthropic indique que Scion utilise environ 200 fois moins de CPU et de mémoire que son infrastructure précédente de mise en miroir de Git. Certains checkouts qui prenaient auparavant plusieurs minutes se terminent désormais en quelques secondes, et la CI a récupéré environ 25 % de sa capacité CPU. Pour tirer pleinement parti de Scion, Anthropic a reconstruit ses outils de revue Claude Code, de recherche Claude Code et de CI. Pour plus de détails techniques, consultez Redesigning source control at Anthropic. Scion n’est pas un remplacement général de Git, mais une solution spécialisée pour la charge de travail singulière d’Anthropic, pilotée par des agents.
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
Vos agents ont besoin de worktrees, pas d’un nouveau système de gestion de code source
Pando et Scion représentent des paris divergents. OpenAI privilégie la compatibilité avec Git, en reconstruisant le backend pour gérer des données à l’échelle du pétaoctet et 30.000 modifications par jour sans changer les workflows des développeurs. Scion d’Anthropic est au contraire un système repensé de zéro, adapté à ses charges de travail internes d’agents, qui abandonne les hypothèses de Git axées sur le travail hors ligne au profit d’un modèle toujours connecté et dont le serveur fait autorité.
Aucun des deux systèmes n’est disponible pour un usage général, et leurs benchmarks internes impressionnants (par exemple, l’efficacité CPU/mémoire 200 fois supérieure de Scion ou la réduction de 80 % de la latence de push de Pando) ne se traduisent pas en gains à l’échelle d’un ordinateur portable. Pour la plupart des équipes, Git reste robuste. La solution immédiate aux conflits d’agents locaux est git worktree add <path> <branch>. Cette commande fournit à chaque agent un répertoire de travail et une branche isolés, ce qui empêche les modifications concurrentes d’entrer en collision.
Si les worktrees atténuent les collisions d’espace de travail local, ils n’éliminent pas tous les conflits de fusion. Pour faire évoluer un développement piloté par des agents, envisagez de :
- Utiliser des sparse checkouts pour les dépôts volumineux
- Mettre en cache les dépendances
- Éviter les tâches de CI en double
- Exécuter les tests pertinents en toute sécurité
À mesure que Claude Claude Code et d’autres agents accélèrent la génération de Claude Code, le prochain goulot d’étranglement passera inévitablement du contrôle de code source à la revue humaine et aux processus de validation automatisés.
Foire aux questions
Pourquoi les agents de codage IA posent-ils problème à Git ?
Les agents peuvent effectuer et pousser des modifications en parallèle à grand volume, ce qui accroît la contention, la charge de checkout et le travail nécessaire pour examiner et tester les modifications.
Quelle est la différence entre OpenAI Pando et Anthropic Scion ?
Pando reconstruit le backend de Git tout en conservant les workflows Git. Scion remplace Git par un système centré sur le serveur, conçu pour la charge de travail d’Anthropic, fortement axée sur les agents.
Les développeurs peuvent-ils utiliser Pando ou Scion aujourd’hui ?
Non. Les deux sont des systèmes internes, et non des outils que les équipes peuvent installer et adopter en remplacement de Git.
Comment empêcher plusieurs agents de codage d’entrer en conflit ?
Attribuez à chaque agent son propre worktree Git et sa propre branche, puis examinez et fusionnez les modifications. Les worktrees isolent les fichiers de travail, mais n’empêchent pas les conflits de fusion ultérieurs.