Anthropic'te Kaynak Kontrolünü Yeniden Tasarlamak

Yapay Zeka Hızıyla Büyüyen Kod Tabanı ve Git'in Sınırları#

Anthropic, son altı ayda kod değişiklik hızındaki çarpıcı artış nedeniyle Git'e alternatif olarak kendi özel kaynak kontrol sistemini neden ve nasıl inşa ettiğini açıklayan dikkat çekici bir çalışma paylaştı.

Mayıs 2026'da Anthropic'te günde ortalama 2.500 kod değişikliği (merge) yapılırken, Eylül ayı itibarıyla bu sayı günde 30.000'in üzerine çıktı. Simon Willison, Anthropic'in paylaştığı grafiği Claude yardımıyla güncelleyerek 2026 yılındaki genel model çıkış tarihlerini işaretledi. Bu tarihler modellerin halka açık yayınlanma zamanlarını gösterse de, şirket içi kullanıma çok daha erken sunuldukları biliniyor. Kodlama hızındaki bu devasa artışın arkasındaki temel faktörün Fable/Mythos sınıfı modellerin devreye alınması olduğu tahmin ediliyor.

Yeni Nesil Araçlar: Scion ve Antique#

Anthropic'in yeni kod inceleme (code review) sistemi Antique, kaynak kontrol sistemi ise Scion olarak adlandırılıyor. Scion, Subversion benzeri merkezi bir kaynak kontrol sisteminin yeniden icadı gibi görünse de önemli modern mimarilere dayanıyor. Anthropic, "önceki çalışmalar" olarak Google'ın Piper ve Meta'nın Sapling sistemlerini referans gösteriyor. Özellikle "türetilmiş veri" (derived data) temel kavramının, Sapling'in sunucu bileşeni olan Mononoke'den büyük ölçüde ilham aldığı görülüyor.

Sistemin tasarımını zorunlu kılan ekstrem ölçek gereksinimleri şunlardı:

• Yalnızca ana dalın (main branch) geçmişi neredeyse 100 GB boyutunda ve sıkıştırılmış bir çalışma kopyası 25 GB'ın üzerinde.
• Geliştirici ortamları, ajan kum havuzları (agent sandboxes) ve araştırma işleri hariç, sadece CI süreçleri için günde yaklaşık 25 milyon kod çekme (checkout) işlemi yapılıyor.
• Bu işlemler standart yöntemlerle yapılsaydı, günde 600 PB'ın üzerinde Git trafiği oluşacaktı.

Yedi kişilik bir ekip tarafından geliştirilen bu yeni sisteme Git'ten geçiş süreci sadece beş ayda tamamlandı.

Birincil Kullanıcı Olarak Yapay Zeka ve Çekişmeli İnceleme#

Hacker News'te çevrimdışı (offline) destek eksikliği sorulduğunda, Scion mühendisi Nick G şu yanıtı verdi: "Scion'un açık ara en yoğun kullanıcısı Claude olduğu ve doğal olarak her zaman çevrimiçi çalıştığı için, çevrimdışı destek geliştirmek bizim için önemli değildi."

Ayrıca makalede, bir modelin diğerinin hatalarını bulmaya çalıştığı çekişmeli inceleme (adversarial review) yöntemine de değiniliyor. Anthropic bu yöntemi yoğun biçimde kullanıyor; ancak bu yaklaşım birçok açıdan inanılmaz derecede etkili olsa da bazen dar görüşlü olabiliyor. Bu nedenle deneyimli mühendislerin, varsayımsal endişelere yanıt olarak sistemin bazı bölümlerinde aşırı mühendislik (over-engineering) yapmasını önlemek için Claude'u yönlendirmesi gerekti.

Yazılım Geliştirme ve Öğrenme Açısından Pratik Çıkarımlar#

• Altyapının Yeni Müşterisi Ajanlardır: Geliştirici araçları artık sadece insanların hızına ve çevrimdışı çalışma alışkanlıklarına göre değil, 7/24 çalışan otonom yapay zeka ajanlarının G/Ç (I/O) ve ağ darboğazlarına göre tasarlanmalıdır.
• Çekişmeli İncelemede İnsan Denetimi: Kod kalitesini artırmak için farklı modelleri (örneğin Claude ve GPT) birbirini denetleyecek şekilde kullanmak güçlü bir pratiktir. Ancak modellerin teorik uç durumlar (edge-case) üreterek kodu gereksiz karmaşıklaştırmasını engellemek için deneyimli mühendislerin mimari sınırları çizmesi şarttır.
• Darboğazların Yön Değiştirmesi: Kod yazma hızı 10 katına çıktığında, asıl mühendislik problemi kod üretmekten çıkıp CI/CD hatlarını, kod inceleme süreçlerini ve veri trafiğini ölçeklendirmeye dönüşür.