AI可思议|0028|Anthropic因Claude写代码太快换掉Git,七个人五个月造了套新系统?

大家好，这里是AI可思议，我是Luca。咱们一起来看看AI行业的最新变化。

Claude写代码太快，Anthropic把用了二十年的Git换掉了

Anthropic最近公开了他们内部做的一件事：因为Claude写代码太快，他们把自己用了二十年的代码版本控制系统Git给换掉了，从头造了一套新的，叫Scion。

这件事值得花主要篇幅讲，是因为它说的不是模型又强了多少，而是当AI真的开始大规模干活之后，先撑不住的可能不是人，是人过去几十年为「人写代码」设计的那些工具。

先看几个数字。今年五月，Anthropic整个公司平均每天合并的代码变更大约是两千五百次。到了九月，四个月之后，这个数字变成了每天三万次，涨了十二倍。换算成时间，就是二十四小时不间断，平均每2.8秒，就有一段经过测试和审查的新代码被放进核心代码库里。Anthropic自己的说法是，他们预计这种增长速度短期内不会放缓，内部对合并代码的潜在需求几乎是无限的，每扫除一个基础设施瓶颈，代码产量就会立刻迎来下一波暴涨。

那Git到底卡在哪了？Git是2005年由Linux之父Linus Torvalds发明的，它的底层设计里写着一个属于那个年代的假设：程序员可能在任何地方写代码，包括没有网络的地方。为了让人在飞机上、在咖啡馆里也能翻看历史记录、对比修改，Git采用的是去中心化设计——每个人干活的时候，默认把整个代码库的所有历史完整下载到本地。在Anthropic，这个包接近一百个G。

这个设计在「人写代码」的时代堪称完美。但到了AI写代码，它引以为傲的「离线可用、人人持有完整副本」就变成了纯浪费。Anthropic内部每天有两千五百万次的分支切换和文件恢复操作，每一次都要去拉取那个庞大的代码包，如果不加特殊优化，每天会产生超过六百PB的数据流量。为了维持Git服务，他们在巅峰时期内部维护了数百台Git镜像服务器做分流。但因为每秒钟都有新代码合入，镜像同步的速度根本赶不上Claude写代码的速度。

所以他们想通了一件事：为什么要用一套为「断网人类」设计的系统，去服务一群「永远在线」的AI智能体？新的Scion系统砍掉了本地打包和全局锁，AI改哪个文件夹就只拉取哪个文件夹，甚至只有当程序真正去读取某一行文件时，数据才会从内存缓存里流式传过去。结果是，相比之前那几百台支撑的Git镜像集群，Scion消耗的CPU和内存规模降低了二百倍，各级缓存命中率超过99%，AI和测试任务拉取代码从几分钟缩短到几秒钟。单单这一项提速，就帮整个公司的持续集成系统省下了25%的算力。

更让我在意的是这个项目是怎么做出来的。当年Google搞内部的Piper系统，Meta搞Sapling系统，无一不是动用数十甚至上百人的顶级基础架构团队，耗费数年时间才完成迁移。但在Anthropic，整个项目的团队配置是七个人，五个月。而且这七个人既不用敲代码，也不是来审核AI写的代码的。他们要搞清楚的是AI为什么要改动。他们发现自己最常对Claude说的一个字，是「不」。因为让Claude互相进行对抗性代码审查时，AI往往会变得过于偏执，为了防范极小概率的假设性风险，写出过度复杂、过度工程化的代码，这时候必须由人类架构师出手叫停，帮AI做减法。

我个人认为，这条消息里最值得记住的不是七个人五个月这个效率数字，而是它揭示的一个顺序问题。过去我们讨论AI，习惯问的是AI能不能替代某个岗位。但Anthropic遇到的实际情况是，AI还没替代程序员，先把程序员用了二十年的工具给顶穿了。这其实是两种不同的瓶颈。人的瓶颈是产能，工具的瓶颈是假设——Git没有做错什么，它只是为另一个时代的人设计的。当使用者的工作方式发生根本变化，那些看起来最稳固、最没人质疑的基础设施，反而会最先出问题。

当然我也要说清楚边界。Anthropic明确表示不打算把Scion拿出来当商业软件卖，这套系统目前只在他们内部跑。所以它现在更像一个信号，而不是一个已经普及的解决方案。其他公司会不会遇到同样的瓶颈，取决于它们的代码产量有没有到那个量级。但我觉得这个信号本身已经足够清楚了：当AI从「帮你写一段代码」变成「后台并行生成、测试、修复成千上万个变更」的时候，所有为人类手速设计的软件工程工具，都可能需要重新想一遍。

核心的事先聊到这，接下来看几条其他的变化。

企业微信和腾讯WorkBuddy打通，机器人能直接调用工作上下文

企业微信和腾讯的WorkBuddy正式打通了，WorkBuddy会以企业微信机器人的方式出现在聊天列表里，可以直接像@同事一样给它派活。和过去最大的不同是，这个机器人能获得包括消息、文档、会议、网盘在内的十大能力权限，可以直接用到真实的工作上下文，不用再复制粘贴。我看到的实测里，它能根据群聊记录整理月报、拉工作群、把项目进度整理成看板，甚至能在授权范围内发消息提醒负责人。

我个人觉得，这条真正值得注意的不是功能本身，而是它想解决的那个老问题：过去用AI办公，省了二十分钟，可能要先花十五分钟搬运资料。AI进不进入工作流，和AI能不能干活，是两件事。

腾讯WorkBuddy企业版上线可观测中心，开启公测

腾讯WorkBuddy企业版上线了一个「可观测中心」，目前开启公测。它做的是给企业管理员一个仪表盘，从四个维度看企业内智能体的运行状态：用户流量、成本消耗、性能耗时、质量状态。还能一路下探到具体是哪次会话、哪个节点造成了「慢、错、贵」，再据此调整提示词、模型和工具。

这条和上一条其实是同一件事的两面：一边是让AI进入工作，一边是让企业能管住AI。我个人认为，后者的重要性容易被低估。企业采购AI，最怕的不是它不够强，而是钱花在哪、错出在哪说不清楚。可观测这件事听起来不性感，但它可能才是规模化使用的前提。

Shopify允许购物者用自己的AI智能体代下单，每笔购买需本人确认

Shopify宣布，将允许购物者配置自己的AI智能体，代替他们在Shopify的商品目录里下单，这个目录有超过十亿件商品。九月的时候Shopify还只是和Meta合作，让Muse这一个智能体可以代买；现在是不需要合作集成，任何智能体都能接。设置方式是用户把智能体和自己的Shop账户连起来，下单走一键的Shop Pay，订单会回到Shop应用里。Shopify把它定位成一个「私人购物助手」，用户可以给它定规则，比如设预算上限，或者只显示发货快的商品，而且每一笔购买都必须由本人确认。

我个人觉得，这条最值得记的是那个「必须本人确认」。整个行业都在往智能体代买这个方向走，但真正卡住的从来不是技术，是信任。先让用户一单一单地确认，可能比一上来就全自动更容易被接受。

宾大MIT斯坦福团队提出RAPID框架，单次演示让机器人泛化执行非抓取任务

宾夕法尼亚大学、MIT和斯坦福的联合团队在IROS 2026上分享了一项工作，他们提出了一个叫RAPID的框架，只需要一次人类演示，就能让机器人泛化执行多种非抓取任务。他们还给了一个诊断指标，专门用来衡量「视觉会了、手却做不对」这种机制脱节。具体到一个悬挂任务上，传统的模型规划单次求解要超过五分钟，纯数据驱动的方法哪怕在十万个合成数据上训练，单次演示的泛化成功率也只有42%，而他们的方法把成功率提到了93%，双臂机器人在复杂组合任务上的真机泛化成功率到了83%。

我个人认为，这条里最值得注意的不是数字，而是它反映的思路转变。过去几年主流做法是靠海量遥操作数据硬堆技能，一条轨迹不够就录一百条；而这个团队在试的是另一条路：让机器人理解动作背后的物理约束，而不是记住动作本身。如果这条路走得通，数据效率的问题可能会从根本上被改写。当然，这还是在特定任务和实验环境里的结果，离通用还有距离。

以上就是今天的AI播报内容。AI可思议，陪你看懂AI。我们下期再见。