从提交生成到代码图谱,AI 正在重构整个 Git 工作流
从提交生成到代码图谱,AI 正在重构整个 Git 工作流
围绕 Git 的 AI 化改造,过去两年里呈现出一条清晰的演进路径:最早爆火的是 AI 提交信息生成工具(AI Commits、aicommit2、基于 Gemini 的提交助手),它们把 git diff 喂给大模型,产出符合 Conventional Commits 规范的提交说明;随后是智能历史管理(Git Smart Squash 这类用 AI 压缩提交的工具)、自动化 Code Review(Gemini + Git Hooks 的审查员流水线)、面向 AI 协作的 Git CLI(Zagi、teamai-cli、基于 MCP 协议的 tai-cli),以及把代码构建成知识图谱、通过 MCP 协议赋能 Claude Code 的 GitNexus 这类"代码图谱"方案。
但这些改造大多停留在"给 Git 加一个 AI 外壳"的层面:底层仍是为人设计的那套全量克隆、本地遍历、合并队列模型。真正的重构,发生在更深的地方——Git 的工作流层。本文以仓库中的 open_scion(内部代号 Graft)项目为主线,结合源码与实测数据,拆解这轮重构的技术路径:从提交生成到代码图谱,AI 与多 Agent 协作正在把版本控制从"人类的协作工具"重写为"机器的协作基础设施"。
一、Git 工作流的 AI 化全景:从外壳到内核
观察社区生态,AI 对 Git 的渗透是分层的:
- 提交信息生成:AI Commits、aicommit2 等工具通过分析
git diff构造 Prompt 调用大模型,支持多模型切换、Conventional Commits 格式与 Git Hook 集成,解决的是"提交信息质量"这个最表层的痛点; - 智能提交压缩:Git Smart Squash 借助 AI 把多次琐碎提交合并为有意义的提交,管理的是历史结构的清晰度;
- AI 代码审查:Gemini + Git Hooks 的自动化审查方案,把格式规范、低级错误的检查从人工审查中剥离;
- AI 协作 CLI 与代码图谱:Zagi、tai-cli 等工具通过 MCP(Model Context Protocol)协议让 AI 编程助手直接驱动 Git;GitNexus 一类方案则把代码构建为知识图谱,弥补 AI 编程工具"缺乏项目全局感知"的短板——修改代码容易引发连锁 Bug,正是因为没有把仓库的语义结构(谁改了哪个文件、哪些路径相互依赖)提供给模型。
这些工具的共性问题是:它们都假设 Git 本身是合理的,只是需要 AI 来驱动它。而 Anthropic 在其内部系统 Scion 的设计中提出了相反的问题:如果使用 Git 的主要客户从"人类"变成"成百上千个并行写代码的 Agent",Git 的核心假设还成立吗?
open_scion 的 README.md 把这个矛盾说得非常直白:
Classic Git hosting was built for humans who clone a repository, work for hours and push once. Coding agents work differently: thousands of short-lived tasks, each touching a few files, each wanting to land in seconds, all on the same branches.
人类的工作节奏是"克隆 → 工作数小时 → 推送一次";而 Coding Agent 是数千个短期任务并发涌向同一条分支,每个任务只碰几个文件、希望在几秒内落地。全量克隆、合并队列、客户端侧历史遍历,全部成为瓶颈。open_scion 的目标就是把这个为 Agent 时代重写的版本控制设计开源实现:MIT 协议、厂商中立——服务器从不调用语言模型,一切 AI 能力(冲突解决、摘要)都以可插拔的独立工具形式存在。
二、源码解剖:Graft 如何把版本控制重构成 AI 基础设施
Graft 是 Gitaly(GitLab 的 Git RPC 服务)的一个分支,把它改造成了独立、面向 Agent 规模的服务器端版本控制。下文对照 ARCHITECTURE.md 中的 Scion 设计映射表,逐项拆解。
1. 从"全量克隆"到"按需物化":永远在线的稀疏工作区
传统 Git 客户端持有完整克隆;Graft 的客户端则"永远在线、只取所需"。ARCHITECTURE.md 中 ObjectService 的 GetObjects、GetTree 支持按 OID 取单个对象、按路径取稀疏树。CLI 侧对应 cmd/graft/main.go 命令表中的 clone 与 sparse:
clone ADDR REPO DIR materialize REPO into DIR (--branch, --sparse a/,b/)
sparse [PREFIX...] restrict the workspace to PREFIX paths
配合 graft update(把工作区移到分支尖端,若本地改动触及已更新文件则拒绝),一个大型 monorepo 的 Agent 工作区可以只物化 services/api/、pkg/ 几个前缀。读取路径上还有可选的 graft-cache 分层缓存(daemon 级内存 LRU + regional 级磁盘缓存),且每个缓存对象都按 OID 重新校验——不可变对象的缓存是安全的。
2. 从"本地历史遍历"到"服务端历史 API":代码图谱与派生数据
这是"代码图谱"思想最实质的落地。Graft 把历史运算(blame、路径历史、祖先关系、代码搜索)全部搬到服务端,并做内容寻址的 memoization——见 DERIVED.md:
Derived data is a value computed from immutable commits that is expensive to recompute and cheap to store. Values are keyed by commit ID, so a stored value is never stale and never needs invalidation.
派生数据以 <git dir>/graft/derived/ 下的文件存储,key 是"种类名 + 种类版本 + commit ID"的哈希,写入原子化(临时文件 + rename),因此永远不会过期、永远不需要失效。目前实现了四类:
| 种类 | 用途 |
|---|---|
lastmod / blame |
每个路径最后一次被修改的 commit,以及该 commit 处的文件 blame |
graph |
generation number + first-parent skip 指针,用于祖先判断、merge-base,内存 LRU 上限 10 万条 |
changed-paths |
相对第一父提交变更的文件摘要,含 16 bits/key、4 个哈希函数的 Bloom filter(约 0.2% 误报),负向答案恒正确,只用于跳过 commit |
其中 graph 和 changed-paths 支持急切计算(eager):参考更新被提交后,reference-transaction hook 触发后台 worker 对新增可达 commit 预计算,且"绝不阻塞更新、队列满则丢弃、首次读取时补算"。
代码搜索同样是服务端的:SearchService.SearchCode 在指定 commit 上运行 git grep,流式返回匹配行,CLI 暴露为 graft search(SEARCH.md):
graft search QUERY [--regex] [-i | --ignore-case] [--path P]... [--context N] [-n MAX] [--rev REV] [--json]
输出是 grep 风格或逐行 JSON,且对非 UTF-8 字节用 path_b64/text_b64 保真传输。Agent 不需要克隆仓库就能回答"这个符号在哪里被引用、上一次是谁改的"——这正是代码图谱要解决的信息检索问题。
3. 从"合并队列"到"比较交换":无队列落地与批量合并
人类工作流用合并队列串行化对共享分支的写;Graft 用 compare-and-swap(CAS) 替代队列。sdk/land.go 的 Repo.Land 语义:服务端把变更 rebase/merge 到当前分支尖端,若分支移动则重试(默认 max_attempts = 20),无需中央队列。
但多 Agent 并发下 CAS 也有代价。文档 LAND-BATCHING.md 记录了 phase 2 基准(20 个 agent、单分支):一个变更平均需要约 10 次 CAS 尝试,p99 延迟 26 秒,且有变更在 20 次尝试后失败。于是 phase 3 引入了 land batching:把同一 (storage, repo, branch) 上的并发请求按 FIFO 收进内存 lane,攒批后用一次引用更新发布多个变更,从"争抢分支"变成"争抢内存队列":
[graft.land.batch]
disabled = false # true: every request lands alone, as in phase 2
window = "10ms" # collect time after the first queued request; "0s" = no wait
max_size = 50 # largest number of requests in one batch
target_latency = "500ms" # batch duration the lane aims for; "0s" = no adaptation
批量还有自适应大小(batch 慢于 target_latency 则减半,快于其一半则回升)和 early completion(策略拒绝、无效 commit ID、already-landed 等结果在 CAS 之前即可应答)。phase 4a 实测数据表明,20 个 agent 时每次落地平均 CAS 尝试数从 11.39 降到 1.00,p99 延迟从约 10 秒降到 2.8 秒——合并队列这个人类时代的产物,在多 Agent 场景下确实可以被 CAS + 批处理取代。
4. 从"人工审查"到"语义化审查":文件分类器与规则引擎
AI 审查的核心难题是"判断这次改动重不重要"。Graft 内置了一套基于文件语义分类的审查系统(REVIEW.md),classify.File(path, old, new) 按顺序给每个改动文件分类:generated → tests → docs → config → comment_only → code。
其中 comment_only 最见功力:对 Go、Python、Rust、Java 四种语言实现确定性 lexer,剥离注释和空行后比较 token 流是否一致——只改了注释的变更不需要新的批准,改了逻辑的变更需要。规则引擎支持按路径 glob 和身份 glob 配置批准数:
[[graft.review.rule]]
name = "code"
classes = ["code", "config"]
approvals = 1
approvers = ["team-*"]
默认规则下,代码与配置变更需要 1 个非作者的批准;注释、文档、测试、生成代码不需要。这与社区里"Gemini + Git Hooks 自动化 Code Review"的方案相比,是更深的抽象:不是让 AI 逐行挑毛病,而是让审查规则本身理解代码的语义性质,从而把 Agent 的产出纳入与人类一致的审查闭环。
5. AI 冲突解决:厂商中立的 resolver 协议
多 Agent 并行落地必然带来合并冲突。Graft 的答案是服务端自动解决(RESOLVE.md):UserLand 遇到冲突时,把每个冲突文件的 base / ours / theirs 三方内容通过版本化 JSON 协议发给 operator 选择的 resolver,验证答案后构建 merge commit,并在 trailer 中留痕:
Graft-Resolved-By: graft-resolve/trivial,union
Graft-Resolved-Path: docs/CHANGELOG.md
关键设计是服务器永不直接调用语言模型。参考 resolver graft-resolve(独立模块 tools/graft-agents)内置确定性策略链:trivial(一方等于 base 等平凡情形)→ union(对配置的 glob 拼接非重叠变更,如 CHANGELOG)→ rerere(按 SHA-256 复用历史决议)→ command(外部合并工具)→ llm(可选)。LLM 策略只在 resolve.toml 显式配置后启用,且:
- 大文件只发送冲突 hunk 与上下文,本地重组;
- 低置信度答案默认拒绝、含冲突标记的答案拒绝;
- 配置的检查命令(如
gofmt -l)在 LLM 结果之后照常执行; - API key 由 provider 从环境/文件读取,绝不进入 prompt。
每次 AI 决议都带 Graft-Resolved-By trailer,可被 graft log 审计、被 graft-verify 在测试失败时自动回滚。这为"AI 直接改代码"提供了工程化的安全边界。
6. 落地后验证与自动回滚:graft-verify
另一个反直觉的设计是"先落地,后测试,坏了就回滚"(VERIFY.md)。graft-verify 作为普通 gRPC 客户端(只用 operator 的 shared token),监听分支 changelog、批量收集落地、物化 tip 跑测试:
- 通过 → 用 CAS 把 green ref(默认
refs/graft/green/<branch>)前移到已测 tip,供下游消费"最新已测版本"; - 失败 → 重跑一次排除 flaky,然后在最后 green 与失败 tip 之间的 first-parent 提交上二分定位肇事 commit,自动
UserRevert回滚,提交带Graft-Auto-Revert: <oid>trailer; - 有保护:
max_per_hour限制每小时自动回滚数、已是 auto-revert 的 commit 永不再回滚、dry_run只报告不动作。
这与 AI 时代的节奏是自洽的:当 Agent 以分钟级频率落地时,人类逐个 review 再合并不现实,**"快速落地 + 自动化验证 + 精准回滚"**成为更可靠的防线。
7. 把 Agent 当成一等公民:身份、策略与审计
多 Agent 协作的前提是分清"谁做了什么"。Graft 的 Agent 安全模型(AGENT-SECURITY.md)为每个 Agent 分配独立 token:
- 身份取自 token 而非请求体——
request defaults拦截器会用 agent 名覆盖gl_id/gl_username,Agent 无法冒充他人; - 内置 RPC allowlist:Agent 只能调用对象/树读取、changeset 只读、派生数据、代码搜索、审查、
UserLand/UserCommitFiles等白名单方法;CreateRepository、RemoveRepository、FetchRemote、UpdateReferences等管理性 RPC 对 Agent 永久关闭(连agent_rpcs都无权放开); - 分支策略
[[graft.policy]]按 actor glob + refs glob 顺序裁决,首个匹配规则生效,且覆盖HEAD符号引用,防止 Agent 通过重指 HEAD 绕过受保护分支。
examples/graft/config.toml 展示了最小可用的双 Agent 配置:planner 可更新 main,其余人一律禁止,而 refs/heads/** 对所有人开放。每一次被接受的引用更新都会以稠密序号写入 changeset 日志(changeset log),operation 与 actor 完整留痕,供 graft log 审计、graft watch 实时跟随。
8. 存储核心:数据库 + 对象存储,无状态服务器
为了横向扩展,STORAGE.md 设计了强一致数据库 + 对象存储的存储核心:每个参考变更先以内容寻址 pack 上传到对象存储(file/S3/GCS/Azure),再在数据库(SQLite/PostgreSQL)中按"每引用 CAS"提交 changeset;本地 Git 仓库降级为任何节点都能重建的缓存。支持 shadow(旁路记录、验证用)与 authoritative(数据库为唯一事实源)两种模式。这是把"Git 服务器"变成可水平扩展的无状态基础设施的关键一步。
三、CLI 与代码图谱、MCP 协议的联动
社区情报里反复出现的两个关键词——代码图谱与 MCP 协议——在本项目中可以找到直接的工程对应。
代码图谱方面:Graft 的 DerivedDataService(blame / path history / graph / changed-paths)与 SearchService 共同构成一张"服务端维护、内容寻址、按 commit 缓存"的仓库语义图。CLI 侧 graft blame、graft history、graft search、graft show 都是这张图谱的查询入口。
MCP 联动方面:graft CLI 的多个子命令原生支持逐行 JSON 输出(cmd/graft/main.go 中 log --json、watch --json、show --json、search --json、review --json),这使它可以被低成本封装成 MCP 工具集——AI 编程助手通过 MCP server 调用 graft search 获得带行号的精确匹配、调用 graft blame 获得某行的归属与演化、调用 graft log --json 获得带 sequence 与 actor 的变更流。这类"面向 Agent 的结构化 CLI + 服务端图谱"组合,正是 GitNexus 用代码图谱 + MCP 赋能 Claude Code、tai-cli 用 MCP 协议做 Git-AI 协同背后同一套技术范式:让模型的工具调用得到的是图谱而非文本 dump。
Go SDK 让这一切可以直接嵌入 Agent 代码。sdk/land.go 的 Repo.Land 返回结构化 LandResult(LandedCommitID、Rewritten、AlreadyLanded、Attempts、ResolvedPaths、Batch),错误通过 IsMergeConflict / IsNotAncestor / IsReferenceUpdateConflict 分类——Agent 可以根据错误类型决定重试、换分支或请求冲突解决,而无需解析人类可读的 stderr。
四、这一轮重构的终局是什么
把 Graft 的八个设计串起来,可以看清这轮重构的三个核心转变:
第一,从本地到服务端。 历史、搜索、祖先关系全部变成服务端 API,客户端不再需要完整仓库与本地遍历。终局形态下,"克隆"可能不再是 Git 工作流的起点,而只是按需物化的一个选项。
第二,从人到 Agent。 身份系统(per-agent token)、策略(policy glob)、审计(changeset log)都围绕"机器写者"设计;提交信息生成、冲突解决、审查批准、测试回滚等环节从"人工操作"变为"可配置、可插拔、可审计的自动化"。
第三,从文件到语义。 文件分类器、派生数据、changed-paths 的 Bloom filter、语义化批准规则——版本控制系统开始理解"这次改动是什么性质",而不仅是"哪些字节变了"。
但终局叙事也需要审慎。这个项目本身就在文档里反复划清边界:它不是 Scion 的实现(Anthropic 内部细节未公开)、不是托管产品、不是 GitLab 的替代品;AI 默认关闭,服务器零 LLM 依赖,所有 AI 能力通过厂商中立协议外置。它承认当前仍是 0.1.0:审查尚未成为落地门禁(phase 5b 才做 land gate)、对象存储的 pack 垃圾回收还未实现、批量落地在 50/100 Agent 规模下 p99 仍有优化空间(LAND-BATCHING.md 的实测表如实记录了这一点)。
这也正是这轮重构最有意思的地方:底层仍然是普通 Git 仓库,任何讲 Git 协议的客户端都能工作——被重构的是工作流层,而不是对象模型。当"提交生成"已经普及到人人可用时,真正决定 AI 时代开发效率的,是版本控制能否像本仓库所追求的那样:为成百上千个并发写者提供"永远在线、按需物化、服务端图谱、无队列落地、自动验证回滚"的完整闭环。Git 不会被 AI 干掉;它正在被 AI 从内部重写。