实战

OpenAI 扩 Git 实战:代码仓库先撞墙了

OpenAI 公开 Git 扩容实践后,HN 获 187 分、104 条评论。重点不只是 Git 性能,而是多个 AI Agent 并行改代码后,分支、CI、评审和合并队列如何承接压力。

字号

OpenAI 的 Git 扩容实践登上 Hacker News 后,拿到 187 分、104 条评论。

这次讨论不只关乎 Git 性能。多个 AI Agent 并行改代码后,仓库、CI 和评审系统也在承压。

官方文章:https://openai.com/index/scaling-git-at-openai/

Hacker News 讨论:https://news.ycombinator.com/item?id=50345924

现有摘要把主题归为“超大规模代码仓库和高并发场景下的 Git 扩展问题”,但没有披露具体架构、改动范围和性能数字。

所以现在能确认的是方向,不能确认的是配方。

187 分背后:Git 成为瓶颈

这次热度不是凭空来的。

OpenAI 公开了《Scaling Git at OpenAI》,主题是扩展 Git 的规模与并发能力。文章登上 Hacker News 首页时,拿到 187 分和 104 条评论。

这两个数字有意思的地方,不是社区又一次围观热点。187 分说明它有足够强的工程吸引力;104 条评论则说明争议和追问都很多。

过去两年,AI 编程的主要叙事是生成速度。Copilot、Cursor、Claude Code 等产品都在压缩“从需求到首版代码”的时间。

但代码出现得更快,仓库不会自动变得更好管理。

每个 Agent 都可能带来几条分支、几十个提交、一次自动重写和一轮等待评审的变更。开发者原本按小时计算的工作,开始按分钟进入 Git。

于是瓶颈换了位置。

模型还在写代码,Git 的索引、对象存储、引用更新、push 和 fetch 已经可能排队。代码审查系统、CI、合并队列也开始承接更多并发任务。

这才是文章讨论集中于 Git 的原因。不是因为 Git 过时,而是因为它突然从后台工具变成了关键路径。

先别急着换版本控制系统

看到“Git 规模不够”,最容易得出的结论是:换掉 Git。

这个判断跳得太快。

Git 的问题通常不是缺少某个命令,而是标准实现被塞进了并不适合它的工作负载。超大仓库、高并发 clone/fetch/push、海量对象和频繁引用更新,放大了对象存储、网络传输、锁竞争与索引维护的成本。

这些问题有可能通过扩展现有系统解决,而不是重建整个协作协议。

至少,从当前公开摘要里,我看不到“替换 Git”的证据。OpenAI 的标题说的是 scaling Git,不是 replacing Git。两者差别很大。

对于 AI Agent 团队,这个区别很重要。

如果保留 Git 语义,只重做对象存储、传输、缓存和并发控制,迁移成本、兼容风险与开发者习惯变化都更可控。Agent 仍然可以调用熟悉的 git diff、git fetch、git commit,工程系统也不用重写所有钩子。

但这里也有一个不能忽略的问题:Git 的基本模型会不会限制 Agent 的协作方式?

当大量 Agent 同时修改同一仓库时,系统可能需要更强的任务隔离、虚拟分支、可回滚工作区或更细粒度的权限边界。这些需求未必应该全部压进 Git 本身。

更现实的路径是分层:

  • Git 继续负责版本与历史语义。
  • 合并队列、评审系统负责组织变更。
  • Agent 调度系统负责任务分配、重试和隔离。
  • 专门的可观测性层记录谁改了什么、为何修改、卡在哪里。

先扩承载能力,再讨论是否需要换协议。顺序不能反。

AI 编程让协作压力提前承压

AI 生成代码并不只是“写文件”。它会改变代码变更的组织方式。

一个 Agent 接到“修复登录超时”的任务,可能先搜索仓库,再创建分支,修改实现和测试,运行格式化工具,提交两次,最后发起合并。

三个 Agent 并行处理相邻模块时,操作数量会被成倍放大。

过去,开发者把大量时间花在写代码上。现在,代码供给增加后,耗时可能转移到:

  • 等 CI。
  • 排队等评审。
  • 处理冲突。
  • 追踪哪个 Agent 改了哪行。
  • 审核机器人提交的大批量机械变更。
  • 清理实验分支和临时提交。

代码写得更快,不等于软件交付更快。

Git 是一部分原因。更难处理的是评审吞吐。

人类评审者无法无限扩容,注意力也无法线性扩展。一个 PR 如果有 600 行机械重写和 12 行核心逻辑修改,评审界面却把它们混在一起,人工审查很容易退化成快速点击批准。

这会推动代码协作基础设施出现几个变化:

  1. Agent 生成的小提交需要更好的归因信息。
  2. 机械变更与高风险逻辑需要分层展示。
  3. 合并队列要按风险和依赖关系调度。
  4. CI 不能只返回红绿状态,还要解释慢在哪里。
  5. 分支、提交和 review 之间需要可追踪关系。

所以,AI 编程的瓶颈正在从推理吞吐转向变更吞吐。

前者可以靠 GPU 数量、batch size 和调度优化改善。后者牵涉人、仓库、CI、权限和审计。扩 Git 只是最早暴露出来的一层。

真正可迁移的是工程取舍

目前没有足够信息复刻 OpenAI 的具体实现,但这个案例仍有几项可直接借鉴。

第一,可观测性要先于扩容。

在决定加机器前,先确认慢在 git fetch、对象解压、索引更新、锁等待,还是服务端存储。Git 操作可以包装成统一入口,记录耗时、对象数量、缓存命中率和失败类型。

先回答“慢在哪”,再决定“加什么”。

第二,队列与限流必须是一等公民。

Agent 并发不应直接等于 Git 并发。任务层可以同时启动 50 个 Agent,但仓库写入需要按仓库、分支和资源组排队。对高频自动提交设置 token bucket,可以避免短时突发把存储和索引打满。

第三,缓存要区分读写路径。

静态 Git 对象适合做内容寻址缓存;仓库引用和索引则依赖一致性策略。不能因为 clone 命中了缓存,就假设 fetch 也能照搬。

第四,存储应该分层。

热数据放本地 SSD 或高速缓存,温数据放对象存储,归档数据降低保留成本。同时保留对象校验和,避免 Agent 重写代码时悄悄破坏历史完整性。

第五,专项优化必须围绕真实工作负载。

AI Agent 常见的不是纯人工阅读 Git 历史,而是大量 fetch、diff、局部提交和自动合并。为这些路径做 benchmark,比笼统优化 git clone 更有价值。

一个最小监控面板至少应该包含:

  • Git 操作 P50 / P95 / P99 延迟。
  • 按命令类型拆分的失败率。
  • clone、fetch、push 的传输量与对象数。
  • CI 排队时间与评审等待时间。
  • Agent 活跃数、并发提交数和冲突率。

指标要落到工作流上。只看 Git 服务 CPU 使用率,很容易错过真正的瓶颈。

编辑思考

这件事重要,是因为它可能标志着 AI 编程的基础设施瓶颈正在换层。模型已经能快速产出代码,但仓库、评审、CI 和审计系统仍按传统开发节奏设计。代码供给越多,Git 和评审越可能先撞墙。

我的判断是,未来给 Agent 团队扩容时,最先增加的未必是 GPU,而是可观测性、队列、缓存和分层存储。与此同时,Git 未必会被替代。它更可能保留版本语义,底层实现则按工作负载重写。

这次和过去不同之处在于,瓶颈不再由单个人类开发者决定,而由多个 Agent 的提交频率与并发方式共同决定。不过,仅凭公开文章和 HN 讨论,我仍无法确认 OpenAI 改了哪些组件,也没有可复现的性能提升数字。现在能确定的是问题已经公开;答案还得等更完整的实现细节。

来源: https://openai.com/index/scaling-git-at-openai/