Git被换掉，AI写代码倒逼软件工程重构

Git 已经支撑软件开发二十多年，但 Anthropic 却决定将其换掉。

为了让 Claude 持续生成的代码顺利进入开发流程，7 名工程师耗时 5 个月开发出全新的内部版本控制系统 Scion，并将核心代码仓库整体迁移。今年 5 月，Anthropic 每天平均合并约 2500 项代码变更，到 9 月这一数字已突破 3 万项，CI 系统每天要执行约 2500 万次代码检出。写代码的速度大幅提升后，拉取仓库、同步对象和查询历史却成为沉重的机器负担。

几乎同一时期，GitHub 用微调后的 ModernBERT 替换了密钥扫描中的通用大语言模型（LLM）；哥伦比亚大学与 Google DeepMind 等机构则推出 BTTF 系统，将芯片仿真波形转换成 SQLite 数据库，让 AI 智能体通过 SQL 排查异常。围绕人类开发节奏设计的传统工具链，正在承受 AI 智能体带来的全新负载。

Git 的离线优势，为何成为 AI 时代的负担

Git 的分布式设计让工程师在克隆仓库后断网也能提交与查看历史。但 Anthropic 的代码读取任务大多来自常态联网的 CI 作业与沙箱环境，往往运行几分钟便销毁，只需极少文件或一份 diff。为了这些轻量操作反复拉取庞大的本地仓库，代价极其高昂。

Anthropic 主分支历史接近 100 GB，压缩工作副本超过 25 GB。若每天 2500 万次检出均获取完整副本，理论网络流量将超 600 PB。即便使用浅克隆、快照与数百台 Git 镜像，同步与过期维护成本依然失控。

Scion 将客户端大幅轻量化，提交、合并与历史查询全部移至中心化云服务，本地仅保留变化监测和按需缓存。CI 若只需计算 diff，直接调用 API 即可，彻底放弃了无用的离线自治。

在底层实现上，Scion 的 changeset 以预写日志记录相对父提交的修改，并通过内容寻址引用数据。AI 智能体可以高并发生成变更，仅在主分支引用更新时对 Spanner 数据库执行原子比较并交换（CAS）。迁移后，Scion 相比旧 Git 镜像集群的 CPU 与内存占用缩小约 200 倍，检出耗时降至秒级，为 CI 释放了约 25% 的算力。

芯片仿真波形接入数据库：让 Agent 具备排障能力

RTL 芯片仿真生成的波形文件往往达到数十 GB 甚至 TB 级别。人类工程师习惯借助可视化工具沿时间轴排查，但如果将原始波形直接转为文本，大模型的上下文窗口会瞬间被跳变数据占满。

BTTF 系统通过 SQLite 将非结构化波形转化为结构化查询接口。元数据与信号变化分表存储，AI 智能体只需执行 SQL 语句，就能检索特定时间窗内的信号翻转与时序异常。经时钟过滤与无跳变信号裁剪后，数据库体积大幅缩减，查询耗时由 410.5 毫秒降至 94.8 毫秒。

通过任务编排 Agent、分析 Agent、验证 Agent 和核查 Agent 的分工协作，多智能体系统在 4.2 GB 波形上的查询执行准确率达到 95.33%，让原本无法处理的大规模硬件调试成为可能。

密钥扫描回归专用分类器：通用 LLM 并非万能

在代码安全领域，通用大语言模型同样暴露出效率与成本短板。代码提交前（Push Protection）需要实时拦截疑似泄露的密钥，通用大模型虽然理解上下文能力强，但逐 Token 生成的高昂推理费用和显著延迟严重拖慢了提交体验。

GitHub 选择将前置过滤交给正则表达式，后续判断换回专门微调的 ModernBERT 编码器。模型接收候选字符串与上下文，直接输出风险分类得分，并通过 ONNX 和 8 位量化进行硬件加速。

线上 A/B 测试显示，这套组合拳使扫描耗时中位数下降 86%，模型服务成本骤降超 98%，精确率和召回率反而分别提升 13% 与 19%。规则筛选线索，轻量分类器快速定性，通用大模型退居复杂的长尾分析，形成更合理的算力梯队。

瓶颈向后推移：持续集成（CI）成为下一重灾区

当代码产出与检出效率跃升，持续集成的负载矛盾随之激化。在 Anthropic 的实际场景中，一轮测试尚未结束，主分支可能已被并发合并入数千项修改。强行加锁会导致任务严重堆积，放开并发又可能让测试结果与实际部署版本脱节。

软件工程的瓶颈正顺着交付链路不断向后演进。从版本控制到静态扫描，再到测试验证与自动化部署，AI 编程爆发带来的超高吞吐，正在倒逼整个软件基础设施经历一轮彻底的重写。