Как проходила переработка

Anthropic купила Bun в декабре 2025 года и решила заменить кодовую базу на Zig на Rust. Компания запустила предварительную версию Claude Fable 5 — LLM, которая на тот момент была недоступна никому другому. Шестьдесят четыре копии модели работали параллельно, выдавая в общей сложности примерно 1300 строк кода в минуту.

Ведущий инженер Джарред Самнер не просто передал задачу агентам и ушел. Сначала он потратил часы на составление руководства, сопоставляющего идиомы Zig с эквивалентами в Rust. Пробный запуск на трех файлах позволил ему откалибровать результаты работы агентов перед тем, как взяться за весь репозиторий. На каждое предложенное агентами изменение два «состязательных» агента проводили проверку, а Самнер наблюдал за всем процессом в режиме реального времени на протяжении всех 11 дней.

Внутренняя бухгалтерия Anthropic зафиксировала расходы на токены в размере 165 000 долларов. Эта цифра отражает только необработанные вызовы API, сделанные до того, как код был объединен с основной веткой.

Скрытые расходы

Сумма в 165 тысяч долларов не учитывает вычислительные мощности, необходимые для стабилизации нового кода на Rust. Согласно внутреннему анализу, исправления после слияния, запуски непрерывной интеграции и дополнительное тестирование могут увеличить общие расходы. Оценка основана на публичных ценах API; поскольку Claude Fable 5 находилась в стадии закрытого превью, фактическая уплаченная цена может отличаться.

Скорость против безопасности

В результате переработки был получен runtime на Rust, который работает быстрее оригинальной версии на Zig, но это также создало значительный объем работ по аудиту. Около 4 % вновь созданных файлов Rust содержат блоки unsafe — код, который обходит строгие гарантии безопасности Rust. В проектах на Rust, написанных вручную, этот процент обычно гораздо ниже, а это значит, что теперь рецензентам необходимо проверять, не создают ли эти блоки уязвимости, связанные с повреждением памяти.

Результаты работы агентов были бы бессмысленны без опыта Самнера. Даже при скорости 1300 строк в минуту коду требуется грамотный надзор, чтобы отлавливать логические ошибки, обеспечивать архитектурную целостность и подтверждать, что тестовый набор действительно охватывает новую реализацию.

Когда ИИ справляется, а когда нет

Портирование Bun было хрестоматийным переводом: из одного языка в другой, при наличии уже готового комплексного набора тестов. Такая четкая граница дала LLM понятную цель и ограничила необходимость в творческом решении проблем. Однако большая часть работы с программным обеспечением связана с изменением бизнес-правил, обработкой неоднозначных требований или созданием новых функций с нуля. В таких более сложных сценариях аналогичный уровень помощи ИИ вряд ли принесет сопоставимые преимущества в скорости или стоимости.

Сторонники разработки с помощью ИИ указывают на показатели чистой производительности — тысячи строк, созданных за минуты — как на доказательство того, что большие языковые модели могут заменить большие команды. Случай с Anthropic смягчает этот взгляд: основная стоимость токенов не включает значительные вычислительные затраты, необходимые для валидации после слияния, а «долг безопасности», созданный кодом unsafe, потребует человеческих усилий для устранения.

За чем следить дальше

Anthropic не разглашает, планирует ли компания применять аналогичный рабочий процесс на базе Claude к другим кодовым базам. Если это произойдет, компании придется учитывать общую стоимость жизненного цикла, а не только счета за токены. Наблюдателям стоит обратить внимание на:

  • Как быстро сокращается объем работ по аудиту и снижается ли доля unsafe, когда рецензенты проводят рефакторинг кода.
  • Будут ли будущие запуски использовать более зрелую модель, доступную для публичной покупки, что может сделать оценки стоимости более прозрачными.
  • Влияние на распространение Bun: более быстрый runtime может привлечь пользователей, но любые опасения по поводу безопасности могут нивелировать этот выигрыш.

Итог

ИИ может значительно ускорить прямолинейный перевод кода, но последующие затраты на вычисления и человеческую проверку могут съесть всю экономию на токенах. Переработка Bun показывает, что, хотя большие языковые модели способны быстро выдавать огромные объемы кода, человеческий опыт остается незаменимым для обеспечения безопасности, корректности и выполнения тонкой работы, которая движет большинством программных проектов.