当 AI 编程效率呈指数级增长，原本为人类开发者设计的工具链开始全面失效。Anthropic 内部每天代码合并次数从 2500 次暴涨到 30000 次，Git 直接被撑爆——每天 600PB 流量，谁受得了？
Anthropic 的解法是：7 个人用 Claude 在 5 个月内从零自研了一套全新的版本控制系统 Scion，彻底抛弃 Git 的基本假设。这不是优化，是重构。
Git 为什么被撑死
Anthropic 使用超大单体仓库（Monorepo）模式，主分支历史接近 100GB，压缩后的工作副本超过 25GB。为支持密集的 CI 测试、研究任务和智能体沙盒，每天执行约 2500 万次代码检出（checkout）。如果直接用 Git，每天产生的网络流量会超过 600PB。
Git 的核心设计假设是"每个客户端都是独立完整的仓库"，适合人类在离线环境下工作。但 Anthropic 几乎所有客户端都是永远在线的 AI 智能体，Git 的去中心化特性反而成了规模扩张的最大障碍。
他们尝试过所有常规方案：浅层克隆、稀疏检出、对象存储快照、甚至在内网部署了几百个 Git 镜像节点。最终发现，镜像越来越多，机器内存和磁盘开始顶不住，快照更新速度跟不上代码合并速度。
Scion 的四大核心设计
1. 客户端不存完整副本
Scion 把所有计算推给服务端：历史查询、行变更定位、代码合并、变基（rebase）全在服务端跑完。客户端只维护有限的本地对象缓存，其余数据随用随取。
2. 变更集（Changeset）代替树指针
Git 每次提交都要保存对整棵目录树的指针。Scion 的最小工作单元是变更集——只记录当前变动相对于父节点的修改文件列表，以及指向云存储中压缩文件内容的指针。修改分支只需要在 Spanner 数据库里执行一次单行 CAS 操作。
3. 按需加载，无需全局拉取
CI 跑自动化任务如果只需要看某次提交的 diff，直接通过 API 向服务端要结果。就算需要把文件落到本地磁盘，也采用虚拟化和稀疏检出机制——读到哪个文件才拉取哪个文件。
4. 层级缓存消灭流量
本地客户端 scn 只和本机的 scion-daemon 通信，daemon 向区域缓存服务器 scion-cache 请求数据，最后才兜底到核心的 scion-server 和数据库。每一层都实现了超过 99% 的缓存命中率。
落地效果：代码检出速度从几分钟缩短到几秒钟，服务器 CPU 和内存占用缩减到原来 Git 镜像集群的 1/200，仅 CI 环节就省出了 25% 的 CPU 计算资源。
7 个人用 Claude 造出来的
整套系统的研发本身也是 AI 写代码的试验场。7 个人，5 个月，不仅完成了 Scion，还顺带自研了代码审查平台 Antigue 和代码搜索等半打系统。
典型例子是数据迁移流水线：团队最初手写了一版从 Git 到 Scion 的数据摄取管道原型，拿到 Claude Mythos 预览版权限后直接让模型重写。在没有任何额外提示词的情况下，Claude 重写的版本内存占用减少到 1/20，运行速度提升 4 倍，原有数据结构和摄取顺序规则完好无损。
参与项目的工程师表示：在写代码这件事上，Claude 现在的水平已经超过了自己。人类工程师的核心工作变成了"向 Claude 说不"——纠正 AI 为了局部需求而破坏底层约束的行为，把控跨系统设计的权衡，审核每次提交的意图，不再逐行肉眼挑刺。
传统工作流的瓦解
合并队列失效：当每分钟都有海量代码并发合并时，全局加锁排队会让 CI 系统瘫痪。Anthropic 取消全局合并锁，改成先合入、部署前跑自动化回归测试。代码冲突概率确实大幅增加，但 Claude 自动解决冲突的速度比人类看懂冲突发生在哪里还要快。
AI 当运维：团队利用 Claude Tag 在 Slack 里建了一批组件监视频道，每个频道进驻一个专门的 Claude 实例（称为 superfans），专门盯着 scion-daemon、scion-cache、合并队列等。这些 AI 拥有完整的日志和监控指标权限，能捕捉传统静态报警规则无法识别的微小异常。
Git 要被淘汰了吗？
Anthropic 明确表示没有把 Scion 开源替换 Git 的打算。Scion 完全绑定了极度庞大的单体仓库、海量 AI 智能体并发编程、以及远超普通企业承受极限的 Token 消耗量。对于绝大多数普通开发场景，Git 依然是极其优秀的版本控制工具。
但 Anthropic 判断：随着 AI 编程工具的扩散，接下来的 6 到 12 个月里，其他依赖 AI 写代码的团队也会陆续撞上这堵墙。
