Mit dem rasanten Fortschritt der KI-Programmierfähigkeiten erlebt Anthropic intern ein beispielloses explosionsartiges Wachstum der Entwicklungseffizienz. Wie aus offiziell bekanntgegebenen Daten hervorgeht, betrug die tägliche durchschnittliche Zahl der Code-Merges im Monat 5 dieses Jahres etwa 2500, während diese Zahl bis zum Monat 9 auf über 30.000 gestiegen ist. Dieses explosive Wachstumstempo des Codes bringt die bisherigen Entwicklungswerkzeuge wie das Git-Versionskontrollsystem zunehmend an ihre Grenzen.
Angesichts der überlasteten Continuous-Integration-Dienste hatte das Team zuvor dreimal Übergangslösungen durchgeführt, doch die Zeitspanne, die jede davon überdauerte, wurde immer kürzer, sodass schließlich nur eine grundlegende Neukonstruktion das Problem endgültig lösen konnte. Um den Leistungsengpass bei der Quellcodeverwaltung vollständig zu beseitigen, baute das 7-köpfige Forschungsteam von Anthropic in 5 Monaten ein brandneues Versionskontrollsystem speziell für extrem große Codebasen – Scion – und migrierte den riesigen Monolith-Codebestand des Unternehmens vollständig von Git dorthin.
Beim Architekturdesign setzt Scion auf ein innovatives Modell, bei dem zentrale Operationen serverseitig verarbeitet werden, während Clients Daten bei Bedarf abrufen, ergänzt durch einen effizienten mehrstufigen Caching-Mechanismus. Durch diese Optimierung schrumpfte die Größe der quellcodeverwaltungsbezogenen Infrastruktur auf nur 1/200 der bisherigen Git-Mirror-Infrastruktur. Erwähnenswert ist, dass das Team während der Systementwicklung mit Claude den Prototyp der Datenimport-Pipeline neu schrieb: Dieser lief 4-mal so schnell wie die handgeschriebene Version, wobei der Speicherverbrauch auf 1/20 des Originals sank, was den gesamten Entwicklungszeitraum des Systems erheblich verkürzte.
Während es den zehnfachen Produktivitätsschub durch KI genießt, hat Anthropic auch wertvolle Praxiserfahrungen gesammelt. Das Team betont, dass Ingenieure die Architektur-Trade-offs sorgfältig abwägen, KI-generierte Lösungen streng prüfen und unangemessene KI-Ergebnisse konsequent ablehnen müssen – und gleichzeitig die Systemlogik klären und das Gesamtdesign im Blick behalten. Nur so lässt sich sicherstellen, dass die durch KI-generierten Code eingesparte Zeit nicht später durch Wartezeiten und häufiges Nacharbeiten wieder verbraucht wird.