Codex перегрузил Git-инфраструктуру OpenAI: 5 цепных изменений на фоне прогнозируемого роста числа коммитов за квартал на 2442%

Примечание автора: OpenAI рассказала о новом бэкенде Git под названием Pando. По прогнозу, благодаря Codex число коммитов в монорепозитории за квартал вырастет на 2442% по сравнению с I кварталом 2024 года. В статье разбираемся, как влияние ИИ-программирования распространяется от генерации кода на Git, CI и ревью кода.

2 ноября 2026 года OpenAI опубликовала техническую статью «Scaling Git at OpenAI». Согласно графику в статье, число коммитов в монорепозитории OpenAI за IV квартал 2026 года, по прогнозу, вырастет на 2442% по сравнению с I кварталом 2024 года. Чтобы справиться с нагрузкой от параллельной разработки с помощью Codex, OpenAI с нуля создала бэкенд Git под названием Pando.

Это не слух и не маркетинговый лозунг в духе «ИИ увеличил объём кода в 24 раза». Данные взяты из официального инженерного блога OpenAI, а авторы статьи — Aaron Friel, Taylor Blau и Ted Nyman. Сразу уточним два момента: 2442% — это прогноз, поскольку IV квартал ещё не закончился; речь идёт о числе коммитов, объединённых с веткой master, а не о количестве строк кода и тем более не о производительности.

Что вы узнаете: как Codex меняет масштабы разработки в OpenAI за счёт параллельных задач, почему из-за этого растёт нагрузка на инфраструктуру Git и куда смещаются узкие места в разработке ПО.

Codex и Git-инфраструктура OpenAI: главное

Начнём с таблицы фактов. Все данные ниже взяты из официальных публикаций OpenAI; там, где информация не раскрыта, это указано отдельно.

Как росло квартальное число коммитов с развитием Codex

Многие публикации приводят только итоговую цифру — 2442%. Полная квартальная динамика показывает картину подробнее. В таблице за базовый период взят 2024 Q1; учитываются коммиты, слитые в ветку master монорепозитория OpenAI за каждый квартал.

Из этих данных можно сделать три вывода. Во-первых, рост наблюдался уже в 2024–2025 годах, поэтому нельзя целиком приписывать его Codex. Во-вторых, от +264% в 2025 Q4 до +1,378% в 2026 Q3 кривая заметно пошла вверх. Это ускорение совпадает с описанной OpenAI тенденцией к параллельной разработке с помощью агентов. В-третьих, компания опубликовала только относительные темпы роста, не раскрыв абсолютное число коммитов за каждый квартал.

Другие данные, рассчитанные по иной методике, указывают на ту же тенденцию. 20 июля 2026 года в блоге для разработчиков OpenAI рассказала о Codex Code Review и отметила, что еженедельное число внутренних Pull Request выросло более чем вдвое по сравнению с предыдущим четвёртым кварталом. Методика подсчёта и временной интервал здесь отличаются от данных о квартальном росте коммитов, поэтому эти показатели нельзя складывать или пересчитывать один в другой. Тем не менее оба говорят о стремительном росте активности по изменению кода.

Как Codex увеличивает нагрузку на Git-инфраструктуру

На первый взгляд, то, что «ИИ быстрее пишет код», влияет только на самого разработчика. Но OpenAI указывает на другой эффект: Codex повышает количество задач, которые параллельно выполняются во всей инженерной системе. Один инженер может одновременно поручить нескольким агентам работу над независимыми функциями. Каждый агент создаёт ветки, делает коммиты и отправляет изменения через Push, а эти операции запускают целую цепочку автоматических чтений.

В таблице ниже показано, как это происходит, согласно объяснению OpenAI.

Пример усиления нагрузки

Рассмотрим условный пример — эти цифры не являются результатами измерений OpenAI. Допустим, один Push запускает 6 заданий CI, и каждое из них один раз получает код через Fetch. Тогда 100 операций Push могут привести примерно к 600 чтениям кода. Если агенты увеличат число операций Push в несколько раз, объём чтений вырастет пропорционально.

Фактическое число запросов зависит от кэширования CI, повторного использования заданий и архитектуры сборки, но общая тенденция ясна: рост числа записей усиливается на стороне чтения. Именно с этой нагрузкой Git-серверу становится сложнее справляться в первую очередь. OpenAI отдельно отмечает, что один и тот же коммит могут многократно получать разные задания CI, исследовательские задачи и среды разработки.

Что не так со старой Git-системой OpenAI

OpenAI рассказала, что с конца 2025 года инфраструктуре монорепозитория становилось всё сложнее справляться с растущей нагрузкой. Среди конкретных симптомов — замедление Git Fetch и Push, ошибки Merge, а также надёжность инфраструктуры, которая временами опускалась ниже 90%.

Важно правильно понимать формулировку «ниже 90%». Она описывает надёжность системы в отдельные периоды; точная методика расчёта и полная временная последовательность показателей не раскрыты. Это не означает, что «10% кода содержит ошибки» или что «более 10% коммитов OpenAI завершались неудачно».

С технической точки зрения у старой архитектуры было два структурных узких места:

• Обновление веток требовало глобальной координации: многим традиционным распределённым Git-сервисам необходимо поддерживать согласованное состояние всех ссылок во всём репозитории. Даже если два агента изменяли совершенно не связанные друг с другом ветки, их операции могли конкурировать за один и тот же механизм координации.
• Пакеты для скачивания формировались повторно: у разных клиентов уже имелась разная история Git, поэтому серверу часто приходилось отдельно для каждого клиента обходить объекты, упаковывать и сжимать их. Когда несколько агентов считывали одну и ту же версию, эти затратные операции выполнялись снова и снова.

Пока основную работу выполняли инженеры-люди, с этими ограничениями можно было мириться. Но когда в систему одновременно хлынуло множество агентов и заданий CI, они превратились в узкие места.

Как Pando справляется с нагрузкой на Git от Codex

OpenAI не отказалась от Git. Pando по-прежнему использует стандартный протокол и клиенты Git, а привычные команды и рабочие процессы инженеров практически не изменились. Переработали серверную часть: хранение данных, обновление ссылок и доставку данных. В таблице ниже приведены ключевые отличия старого решения от Pando.

Две ключевые идеи Pando

Первая — параллельная запись. Pando отказывается от поддержания единого согласованного снимка всего репозитория на определённый момент времени. Вместо этого версии каждой ветки ведутся независимо. Push в разные ветки могут выполняться параллельно, а конфликты нужно разрешать только для запросов, изменяющих одну и ту же ссылку Ref. Обратная сторона такого подхода: при одновременном чтении нескольких веток клиент может увидеть их состояния на разные моменты времени. В OpenAI считают этот компромисс подходящим для своих задач.

Вторая — повторное использование данных при чтении. Pando сохраняет каждый полученный при Push Packfile в Blob Store как неизменяемые данные. Когда другой клиент выполняет Fetch, сервер выбирает готовые Packfile на основе коммитов, которые у клиента уже есть и которые ему нужны, вместо того чтобы заново упаковывать данные. В фоновом режиме множество небольших Packfile также объединяются по уровням в более крупные наборы. Благодаря этому клиентам, которые долго не обновлялись, не приходится скачивать слишком много файлов.

По официальным данным эксплуатации, медианная задержка Push снизилась почти на 80%; ежедневно доставляется около 1 PB данных Git; пиковый объём доставки Packfile за час превышает 57 TB. Важно, что 1 PB — это объём доставленных данных: повторное чтение тех же данных тоже учитывается. Это не значит, что каждый день создаётся 1 PB нового кода.

Примечательно, что сам Pando тоже разрабатывался при участии агентов. По словам OpenAI, его основную архитектуру спроектировал один инженер, а в реализации участвовали несколько команд агентов. Для проверки использовались набор тестов на совместимость с Git и детерминированные симуляционные тесты. При этом компания не утверждала, что весь код был написан ИИ.

Влияние AI-программирования: узкое место смещается за пределы написания кода

Что это значит для разработчиков и команд

Самое интересное в истории Pando — не то, что OpenAI создала собственный бэкенд Git, а закономерность, которую это выявило: AI-программирование снижает стоимость генерации кода, а нагрузка перемещается дальше по цепочке разработки. Git стал лишь первым звеном, где это проявилось; ревью кода, тестирование и интеграция тоже испытывают нагрузку.

В статье о Codex Code Review OpenAI прямо признаёт, что всё больше PR ждут ревью. Ревьюерам сложно вовремя разобраться в исторически сложившихся ограничениях и оценить риски совместимости API. Поэтому Codex Code Review умеет читать правила ревью, заданные в файле AGENTS.md в репозитории. Это помогает защищать существующие контракты API, выявлять логи, которые могут раскрыть данные клиентов, и предотвращать нарушения интеграции с действующими сервисами.

Для обычных команд, использующих ИИ в разработке, это означает несколько конкретных изменений:

• Записывайте правила ревью: фиксируйте неявные ограничения команды в файлах правил, например AGENTS.md, чтобы AI-ревью могло на них опираться.
• Оставляйте запас мощностей для CI: когда агенты работают параллельно, количество задач CI может вырасти раньше, чем затраты на персонал. Заранее оцените возможности кэширования и лимиты параллельного выполнения.
• Пересмотрите метрики: учитывайте не только число коммитов и PR, но и время доставки изменений, а также долю неудачных изменений.
• Ставьте приёмку на первое место: от покрытия тестами, тестирования с имитацией зависимостей и тестов совместимости зависит, можно ли с уверенностью принимать изменения, созданные агентами.

Минимальный пример AI-ревью кода с несколькими моделями

Если вы хотите попробовать в своём репозитории ревью Diff по заданным правилам, можно быстро собрать прототип через OpenAI-совместимый API. Пример ниже считывает локальный Diff и просит модель проверить изменения по правилам:

import openai, subprocess

client = openai.OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")
diff = subprocess.run(["git", "diff", "HEAD~1"], capture_output=True, text=True).stdout

resp = client.chat.completions.create(
    model="YOUR_MODEL",  # Замените на доступную на платформе модель для работы с кодом
    messages=[{"role": "user", "content": f"请审查以下改动，重点关注 API 兼容性和日志泄露风险：\n{diff}"}],
)
print(resp.choices[0].message.content)

import subprocess
from pathlib import Path
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",  # Один ключ для вызова моделей разных поставщиков
)

def load_rules(path: str = "AGENTS.md") -> str:
    """Читает правила ревью из репозитория или возвращает правила по умолчанию"""
    p = Path(path)
    if p.exists():
        return p.read_text(encoding="utf-8")
    return "1. 不得破坏已有 API 契约\n2. 日志中不得输出客户数据\n3. 不得破坏已有服务集成"

def get_diff(base: str = "HEAD~1") -> str:
    """Получает Diff для ревью"""
    return subprocess.run(
        ["git", "diff", base], capture_output=True, text=True
    ).stdout

def review(diff: str, rules: str, model: str) -> str:
    """Вызывает модель для ревью изменений кода по правилам"""
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": f"你是严格的代码审查者，请依据以下仓库规则审查：\n{rules}"},
            {"role": "user", "content": f"待审查 Diff：\n{diff}\n请逐条列出风险点和修改建议。"},
        ],
        max_tokens=1500,
    )
    return resp.choices[0].message.content

if __name__ == "__main__":
    rules, diff = load_rules(), get_diff()
    # Замените названия моделей на те, которые хотите сравнить, и посмотрите, чем отличаются результаты ревью
    for model in ["MODEL_A", "MODEL_B"]:
        print(f"===== {model} =====")
        print(review(diff, rules, model))

🚀 Совет для быстрого старта: при создании прототипа AI-ревью можно получить бесплатный тестовый лимит через APIYI apiyi.com. С одним API-ключом можно вызывать модели OpenAI, Claude, Gemini и других поставщиков и сравнивать качество их ревью по правилам вашего репозитория.

Влияние на отрасль

The New Stack отмечает, что OpenAI одной из первых начала интенсивно использовать ИИ-агентов для программирования. Нагрузка на инфраструктуру, с которой столкнулась компания, может указывать на проблемы, ожидающие другие крупные предприятия и платформы для хостинга кода. Это прогноз издания, а не доказательство того, что GitHub и GitLab уже столкнулись с такими же сбоями.

Мнения сообщества разработчиков тоже разделились. Оптимисты считают, что снижение стоимости разработки сделает возможными многие небольшие проекты, за которые раньше не стоило браться. Скептики возражают: большее число коммитов не означает, что ПО стало ценнее, а если ревью и тестирование не успевают за разработкой, поставка продукта может и не ускориться. Другие комментаторы напоминают, что проблемы масштаба в больших монорепозиториях появились задолго до эпохи ИИ.

Как понимать данные о Codex: пять показателей, которые нельзя смешивать

Обсуждая результаты ИИ-программирования, чаще всего ошибаются, смешивая разные показатели. Таблица ниже поможет разобраться, что каждый из них показывает, а чего по нему заключить нельзя.

Случай Pando показывает, что нагрузка на инфраструктуру разработки OpenAI значительно выросла, а существующая инфраструктура Git стала узким местом. Но он не доказывает, что качество ПО или продуктивность разработчиков выросли во столько же раз, и не позволяет оценить, сколько инженеров заменил Codex.

Кроме того, Harness Engineering, о котором OpenAI рассказала в феврале 2026 года, — это отдельный эксперимент: примерно за пять месяцев команда создала проект объёмом порядка миллиона строк, начав с пустого репозитория, и за это время накопилось около 1,500 PR. Эти данные относятся к другому проекту и не связаны с Pando, но тоже отражают тенденцию: фокус работы инженеров смещается в сторону архитектуры, инструментов, циклов обратной связи и приёмки кода.

💡 Совет по выбору: если ваша команда тоже внедряет ИИ-агентов для программирования, сначала сравните работу разных моделей на небольшой выборке задач по генерации и ревью кода. Через единый интерфейс APIYI apiyi.com можно быстро переключаться между моделями и оценивать их на одном наборе тестовых случаев, прежде чем выбрать основную модель.

Частые вопросы FAQ

Codex и изменения в Git-инфраструктуре: главное

• Важно правильно понимать цифры: 2442% — это прогнозируемый рост числа коммитов за квартал в Q4 2026 года, а не рост количества строк кода.
• Рост заметно ускорился: после Q4 2025 года кривая резко пошла вверх, но рост начался ещё в 2024 году.
• Нагрузка связана с параллелизмом: Codex позволяет выполнять больше задач одновременно, а рост числа операций записи многократно увеличивает нагрузку на чтение со стороны CI.
• Старая система перестала справляться: с конца 2025 года Push и Fetch замедлились, а надёжность порой падала ниже 90%.
• Решение Pando: независимая запись в ветки, повторное использование и кэширование Packfile снизили медианную задержку Push почти на 80%.
• Узкие места сместились дальше по цепочке: новыми ограничениями стали ревью кода, тестирование, интеграция и доставка.
• С чего начать: используйте единый интерфейс APIYI apiyi.com, чтобы быстро создать прототип ревью с несколькими моделями.

Итоги

Изменения, которые Codex принёс в OpenAI, можно свести к трём пунктам:

1. Масштаб: ожидается, что число коммитов за квартал в монорепозитории вырастет на 2442% по сравнению с Q1 2024 года. Количество PR тоже удваивается — активность по изменению кода значительно выросла.
2. Инфраструктура: параллельная работа агентов приводит к появлению большего числа веток, операций Push и запросов на чтение со стороны CI. У старого Git-бэкенда возникли проблемы с производительностью и надёжностью, поэтому OpenAI примерно за 10 недель создала Pando.
3. Инженерные процессы: написание кода больше не самый медленный этап. Именно возможности команды по ревью, тестированию и доставке определяют, принесёт ли AI-программирование реальную пользу.

Большинству команд вместо погони за количеством коммитов стоит сначала усилить приёмку и ревью, а затем постепенно увеличивать число параллельно работающих агентов. Если вы хотите быстро проверить процесс AI-ревью или работу Coding Agent, попробуйте через APIYI apiyi.com сравнить реальные результаты нескольких моделей в рамках бесплатного лимита.

📚 Источники

1. Scaling Git at OpenAI: официальная техническая статья OpenAI о Pando (2026-11-02)
2. Ссылка: openai.com/index/scaling-git-at-openai

3. Описание: основной источник фактов и данных о поквартальном росте числа коммитов

4. Custom Code Review rules for Codex: блог разработчиков OpenAI (2026-07-20)

5. Ссылка: developers.openai.com/blog/custom-code-review-rules-for-codex

6. Описание: источник данных об удвоении числа PR в неделю и правил ревью в AGENTS.md

7. Harness engineering: отдельный эксперимент OpenAI по разработке с автономным агентом (2026-02-11)

8. Ссылка: openai.com/index/harness-engineering

9. Описание: отдельный пример, который помогает понять, как меняется роль инженера; не связан с проектом Pando

10. OpenAI Git Fork: публичный репозиторий Git-клиента, поддерживаемого OpenAI

11. Ссылка: github.com/openai/git

12. Описание: здесь можно изучить улучшения клиента, включая packfile-uri

13. Статья The New Stack: взгляд внешнего издания на Pando (2026-11-02)

14. Ссылка: thenewstack.io
15. Описание: источник для оценки отраслевых тенденций

Автор: техническая команда APIYI
Обсуждение технических вопросов: свяжитесь с нами на главной странице сайта APIYI. Дополнительные материалы по подключению моделей доступны в центре документации docs.apiyi.com

Читайте также

• GPT-6.2 Astra засветилась в ограниченном доступе: 5 сигналов, 3 сомнительных момента — атомная бомба уже здесь?: Разбор поэтапного развёртывания GPT-6.2 Astra с 31 октября по 2 ноября 2026 года: хронология, 5 сигналов, 3 сомнительных момента, оценка доказательств утечек, темпы конкурентов и список того, что разработчики могут подготовить уже сейчас.
• OpenAI опубликовала данные об использовании ChatGPT по 165 категориям рабочих задач: 5 ключевых выводов за 7 кварталов и почти 100 стран: Интерпретируйте данные OpenAI Signals v3.0 об использовании ChatGPT в 165 категориях рабочих активностей, уточните статистическое определение «рабочая активность не равна профессии» и проанализируйте влияние на разработчиков таких изменений, как рост визуального дизайна и снижение доли кода.
• Ошибка OpenAI «model not found»? GPT-5.5 выведен из ChatGPT 14 октября: 5 шагов по устранению проблемы и альтернативы: 14 октября 2026 года GPT-5.5 полностью выведут из ChatGPT, ChatGPT Work и Codex, но OpenAI API это не затронет. В статье — актуальная информация на 15 октября, 5 причин ошибки OpenAI «model not found», решения для разных случаев и альтернативы: GPT-5.6 Sol, Terra, Luna и GPT-6 Astra.
• 3 способа запустить Codex CLI с обходом проверки разрешений: codex —yolo — аналог —dangerously-skip-permissions в Claude Code: В командной строке Codex аналогом команды claude —dangerously-skip-permissions в Claude Code является codex —yolo; в статье разъясняются различия в правах доступа между тремя способами запуска, сценарии их использования и перечень мер безопасности, а также приводится пример конфигурации для подключения через APIYI.