شرکت Anthropic در یک گزارش فنی فاش کرد که مدل‌های Claude چنان حجم عظیمی از کد را تولید می‌کنند که زیرساخت‌های برنامه‌نویسی این شرکت دیگر قادر به مدیریت آن‌ها نبوده است. این وضعیت نشان‌دهنده یک چالش جدید در عصر توسعه نرم‌افزار مبتنی بر هوش مصنوعی است که در آن گلوگاه اصلی دیگر «نوشتن کد» نیست، بلکه «مدیریت کد» پس از تولید است.
بحران مقیاس‌پذیری در Git
طبق اعلام Anthropic، تعداد تغییرات ادغام شده (Merged) در کدها از میانگین ۲,۵۰۰ مورد در روز در می ۲۰۲۶، به بیش از ۳۰,۰۰۰ مورد در روز تا سپتامبر افزایش یافته است. این رشد نمایی باعث شد تا سیستم‌های کنترل نسخه (Source Control)، سیستم‌های Build و فرآیندهای Continuous Integration (CI) با مشکل مواجه شوند.
در حال حاضر، شاخه اصلی (Main Branch) کدهای این شرکت حدود ۱۰۰ گیگابایت حجم دارد. با توجه به اینکه روزانه حدود ۲۵ میلیون عملیات Checkout برای CI (بدون احتساب محیط‌های توسعه و سندباکس‌های Agentها) انجام می‌شود، در صورت استفاده از روش‌های سنتی Git، ترافیک شبکه به بیش از ۶۰۰ پتابایت (PB) در روز می‌رسید که عملاً غیرممکن است.
معرفی Scion: جایگزینی متمرکز برای Git
برای حل این مشکل، Anthropic سیستم اختصاصی خود را به نام Scion توسعه داده است. برخلاف معماری توزیع‌شده (Distributed) در Git، سیستم Scion از یک مدل متمرکز (Centralized) و ساختار Monorepo استفاده می‌کند؛ رویکردی که پیش از این توسط غول‌هایی مانند گوگل (سیستم Piper) و متا (سیستم Sapling) برای مدیریت حجم عظیم کدها به کار گرفته شده بود.
ویژگی‌های فنی Scion
- بهینه‌سازی برای AI Agents: در Scion، بخش اعظم پردازش‌ها بر عهده سرور است و کلاینت‌ها تنها درخواست‌های API ارسال می‌کنند تا نیاز به داشتن یک مخزن (Repo) محلی حذف شود.
- ساختار Changeset: به جای استفاده از اشاره‌گر به درخت (Tree Pointer) مانند Git، در Scion هر واحد کاری یک Changeset است که در یک Write-ahead log ذخیره می‌شود و شامل لیستی از فایل‌های تغییر یافته و اشاره‌گرهایی به محتوای فشرده در Blob Storage است.
- توسعه توسط AI: جالب اینجاست که خودِ مدل Claude در طراحی Scion و ابزارهای جانبی مانند Antique (رابط بررسی کد) و سیستم IAM کنترل نسخه نقش داشته است. برای مثال، Claude توانست خط لوله (Pipeline) انتقال داده‌ها از Git به Scion را به گونه‌ای بازنویسی کند که ۲۰ برابر حافظه کمتری مصرف کرده و ۴ برابر سریع‌تر اجرا شود.
نقش انسان در عصر کدنویسی خودکار
با وجود توانایی بالای Claude در نوشتن کدهای بهینه، مهندسان Anthropic معتقدند نقش انسان اکنون به یک «ناظر» یا «منتقد» تغییر یافته است. آن‌ها اشاره می‌کنند که بسیاری از اوقات، وظیفه اصلی مهندسان این است که به AI بگویند «خیر»؛ زیرا Agentها گاهی برای رعایت یک الگوی خاص، محدودیت‌های بنیادی سیستم (Core System Constraints) را نقض می‌کنند.
شرکت Anthropic اعلام کرده است که Scion یک ابزار داخلی و اختصاصی است و قصد ندارد آن را به صورت Open Source منتشر کند، اما این تجربه را به اشتراک گذاشت تا سازمان‌های دیگر که در ماه‌های آینده با چالش‌های مشابه مقیاس‌پذیری به دلیل استفاده از AI مواجه می‌شوند، با این رویکرد آشنا شوند.
