Os agentes tornam impossível ignorar os gargalos do Git
Agentes de IA estão gerando código do Claude em um ritmo que expõe gargalos fundamentais no controle de versão convencional. A tensão é clara: embora os agentes consigam gerar alterações rapidamente, os fluxos de trabalho centrados em pessoas, voltados à coordenação, aos testes e à revisão, têm dificuldade em acompanhar.
Considere a escala: a Anthropic informou que as alterações diárias de código do Claude saltaram de aproximadamente 2.500 para mais de 30.000 em apenas quatro meses. A confiabilidade do monorepo da OpenAI chegou, por vezes, a ficar abaixo de 90% à medida que seus agentes enviavam alterações. São casos extremos, mas evidenciam um desafio sistêmico.
Mesmo em menor escala, os desenvolvedores que usam agentes locais enfrentam problemas de coordenação semelhantes. Agentes que compartilham um único diretório de trabalho podem sobrescrever arquivos ou atrapalhar os testes uns dos outros, o que faz com que se gaste mais tempo resolvendo conflitos do que escrevendo código novo.
Os problemas de infraestrutura na Anthropic e na OpenAI são enormes, mas o problema de coordenação subjacente é familiar a qualquer pessoa que execute vários agentes de programação no mesmo projeto. A questão central é que o Git, projetado para desenvolvedores humanos que trabalham principalmente offline, tem dificuldade com as demandas constantes, volumosas e paralelas da IA.
A OpenAI manteve o Git e reconstruiu o que há por trás dele
A OpenAI adotou uma abordagem oposta à da Anthropic: reconstruiu o backend e manteve a interface familiar do Git. Os desenvolvedores continuam usando os comandos padrão git push e git fetch. Esse sistema, chamado Pando, é um backend personalizado de alta concorrência, escrito em Rust e projetado para escalar conforme as demandas dos agentes de IA.
O gargalo era a coordenação de atualizações simultâneas em inúmeros branches. O Pando resolve isso tratando imediatamente as atualizações de branches diferentes, substituindo o bloqueio monolítico de refs por uma coordenação independente de refs. Isso permite que os agentes enviem alterações para branches distintos de forma concorrente, eliminando os gargalos serializados que antes desaceleravam toda a atividade.
O Pando também armazena em cache os pack files do Git, evitando que o servidor gere repetidamente os mesmos dados para solicitações comuns de tarefas de CI. Essa eficiência é essencial, pois o sistema atualmente atende a quase um petabyte de dados do Git por dia.
A OpenAI relata resultados expressivos: a latência mediana de push caiu quase 80%, tornando os fluxos de trabalho significativamente mais rápidos. A contrapartida é que leituras em vários branches podem não apresentar uma visão perfeitamente sincronizada do repositório. O Pando saiu do início do projeto para a produção em aproximadamente 10 semanas, com seu núcleo projetado por um engenheiro e amplamente implementado por agentes do Claude Code.
A Anthropic questionou se os agentes precisam do Git
A Anthropic, por outro lado, questionou as premissas fundamentais do Git. Sua equipe perguntou se um sistema de controle de versão distribuído e offline-first continuava sendo o ideal quando a maioria dos clientes eram agentes de IA e tarefas automatizadas sempre online. Isso levou ao Scion, uma substituição completa do Git.
O histórico do branch principal da Anthropic se aproximava de 100 GB, com cópias de trabalho compactadas superiores a 25 GB. Sua infraestrutura de CI realizava cerca de 25 milhões de checkouts por dia. Essas pressões evidenciaram o crescente custo adicional de repositórios locais profundos e do modelo descentralizado do Git.
O Scion transferiu commits, merges e operações de histórico para um sistema no servidor. Os clientes solicitam apenas os arquivos e dados de que precisam, eliminando a necessidade de grandes repositórios locais. Essa arquitetura trouxe ganhos significativos de eficiência.
A Anthropic informou que o Scion usa cerca de 200 vezes menos CPU e memória do que sua infraestrutura anterior de espelhamento do Git. Alguns checkouts que antes levavam minutos agora são concluídos em segundos, e o CI recuperou aproximadamente 25% de sua capacidade de CPU. Para aproveitar plenamente o Scion, a Anthropic reconstruiu suas ferramentas de revisão do Claude Code, de busca do Claude Code e de CI. Para mais detalhes técnicos, consulte Redesigning source control at Anthropic. O Scion não é uma substituição geral do Git, mas uma solução especializada para a carga de trabalho única da Anthropic, orientada por agentes.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
Seus agentes precisam de worktrees, não de um novo sistema de controle de versão
Pando e Scion representam apostas divergentes. A OpenAI prioriza a compatibilidade com o Git, reconstruindo o backend para lidar com dados em escala de petabytes e 30.000 alterações diárias sem modificar os fluxos de trabalho dos desenvolvedores. O Scion, da Anthropic, por sua vez, é um sistema totalmente novo, sob medida para suas cargas de trabalho internas com agentes, que descarta as premissas offline-first do Git em favor de um modelo sempre online e com autoridade no servidor.
Nenhum dos dois sistemas está disponível para uso geral, e seus impressionantes benchmarks internos (por exemplo, a eficiência 200x maior de CPU/memória do Scion ou a redução de 80% na latência de push do Pando) não se traduzem em ganhos na escala de um laptop. Para a maioria das equipes, o Git continua sendo robusto. A solução imediata para conflitos entre agentes locais é git worktree add <path> <branch>. Esse comando fornece a cada agente um diretório de trabalho e um branch isolados, evitando que edições simultâneas colidam.
Embora os worktrees reduzam as colisões no espaço de trabalho local, eles não eliminam todos os conflitos de merge. Para escalar o desenvolvimento orientado por agentes, considere:
- Usar sparse checkouts em repositórios grandes
- Armazenar dependências em cache
- Evitar tarefas de CI duplicadas
- Executar com segurança os testes relevantes
À medida que o Claude Code e outros agentes aceleram a geração de código, o próximo gargalo passará inevitavelmente do controle de versão para a revisão humana e os processos de validação automatizada.
Perguntas frequentes
Por que os agentes de programação com IA estão criando problemas para o Git?
Os agentes podem criar e enviar alterações em paralelo e em grande volume, o que aumenta a contenção, a carga de checkouts e o trabalho necessário para revisar e testar as alterações.
Qual é a diferença entre o Pando da OpenAI e o Scion da Anthropic?
O Pando reconstrói o backend do Git, mantendo os fluxos de trabalho do Git. O Scion substitui o Git por um sistema centrado no servidor, projetado para a carga de trabalho intensiva em agentes da Anthropic.
Os desenvolvedores podem usar o Pando ou o Scion hoje?
Não. Ambos são sistemas internos, e não ferramentas que as equipes possam instalar e adotar como substitutas do Git.
Como posso evitar que vários agentes de programação entrem em conflito?
Atribua a cada agente seu próprio worktree e branch do Git; depois, revise e faça o merge das alterações. Os worktrees isolam os arquivos de trabalho, mas não evitam conflitos de merge posteriores.