با افزایش توانمندی مدل‌های هوش مصنوعی در تولید خودکار نرم‌افزار، زیرساخت‌های سنتی مدیریت کد با بحرانی بی‌سابقه مواجه شده‌اند. شرکت Anthropic در پاییز ۱۴۰۵ اعلام کرد که حجم کدهای تولید شده توسط مدل‌های Claude به حدی رسیده که سیستم‌های کنترل نسخه مرسوم نظیر Git دیگر قادر به پاسخگویی به مقیاس‌های میلیونی نیستند. این چالش، تولد «Scion» را رقم زد؛ یک سیستم کنترل نسخه مرکزی که برای عصر هوش مصنوعی بازطراحی شده است.
گذار از توزیع‌شدگی به مرکزیت برای مقیاس‌پذیری
مدل‌های زبانی Anthropic اکنون روزانه بیش از ۳۰ هزار تغییر کد (Changeset) را در مخازن این شرکت ادغام می‌کنند. این نرخ رشد خیره‌کننده که از ۲۵۰۰ تغییر در اردیبهشت ۱۴۰۵ آغاز شده بود، باعث شد تا معماری توزیع‌یافته Git با گلوگاه‌های شدیدی مواجه شود. در Git، کپی کردن مخازنی با حجم ۱۰۰ گیگابایت برای محیط‌های توسعه، سندباکس‌های هوش مصنوعی و فرآیندهای CI به معنای ترافیک سرسام‌آور ۶۰۰ پتابایت در روز است که عملاً غیرممکن است.
برای حل این مشکل، Anthropic سیستم Scion را به عنوان یک سیستم کنترل نسخه متمرکز (مشابه Google Piper) توسعه داد. در این معماری، برخلاف Git که تمام تاریخچه کد را روی کلاینت کپی می‌کند، عملیات در سمت سرور انجام شده و پرس‌وجوهای کنترل نسخه از طریق API در اختیار عامل‌های هوش مصنوعی قرار می‌گیرد.
معماری Changeset و بهینه‌سازی برای هوش مصنوعی
در Scion، واحد عملیاتی به جای Commit، مفهومی به نام Changeset است که در یک «گزارش ثبت پیش‌نویس» (Write-ahead log) ذخیره می‌شود. تفاوت بنیادین در این است که هر Changeset به جای اشاره‌گرهای درختی پیچیده Git، لیستی از فایل‌های تغییر یافته را به همراه محتوای فشرده در Blob Storage نگهداری می‌کند. این طراحی نه تنها حافظه مصرفی را تا ۲۰ برابر کاهش داده، بلکه سرعت اجرای خط‌لوله‌های مهاجرت کد را نیز ۴ برابر کرده است.
مشخصات و دستاوردهای فنی Scion
- معماری: سیستم مرکزی (Monorepo) با ساختار API-driven
- تولید کد: مدیریت بیش از ۳۰ هزار ادغام (Merge) در روز
- مبنای ذخیره‌سازی: محتوای فشرده در Blob Storage به همراه اشاره‌گرهای Content-addressed
- ابزارهای مکمل: شامل Antique برای رابط بازبینی کد و سیستم‌های مدیریت هویت (IAM) تخصصی
- مزیت کلیدی: حذف نیاز به Checkout محلی برای عامل‌های هوش مصنوعی
هوش مصنوعی به عنوان توسعه‌دهنده؛ انسان به عنوان ناظر
نکته قابل تأمل در فرآیند توسعه Scion، نقش کلیدی Claude در بازنویسی خط‌لوله‌های حیاتی این پروژه است. مهندسان Anthropic اذعان دارند که مدل‌های هوش مصنوعی کدهایی با کیفیت بالاتر از انسان تولید می‌کنند، اما نقش مهندسین انسانی همچنان حیاتی باقی مانده است. در واقع، وظیفه اصلی مهندسان در این ساختار، «نه گفتن» به هوش مصنوعی است. عامل‌های هوش مصنوعی گاهی برای رسیدن به یک الگو، محدودیت‌های زیرساختی یا امنیتی سیستم را نقض می‌کنند که نیازمند نظارت دقیق انسانی است.
چشم‌انداز آینده مدیریت کد
اگرچه Anthropic اعلام کرده است که Scion به دلیل اختصاصی بودن زیرساخت، به صورت متن‌باز عرضه نخواهد شد، اما این شرکت پیش‌بینی می‌کند که مشکلات مقیاس‌پذیری که آن‌ها با آن روبرو هستند، طی ماه‌های آینده گریبان‌گیر سایر سازمان‌های پیشرو در حوزه هوش مصنوعی نیز خواهد شد. رویکرد Anthropic در بهینه‌سازی زیرساخت‌های ابری و کدنویسی، درس بزرگی برای مهندسی نرم‌افزار در دوران تسلط هوش مصنوعی است.
