Git-бэкенд промышленного уровня за 10 недель: как OpenAI поручила команде агентов Codex решить 5 ключевых инженерных задач Pando

Примечание автора: 2 ноября 2026 года OpenAI рассказала о Pando — внутреннем Git-бэкенде. Отправная точка статьи — запуск в продакшен за 10 недель: разбираем, как распределялась работа между людьми и агентами, как была устроена система тестирования и проходила миграция, а также какие инженерные практики работы с агентами могут взять на вооружение другие команды.

2 ноября 2026 года OpenAI опубликовала техническую статью «Scaling Git at OpenAI», в которой представила новый Git-бэкенд для всей разработки в монорепозитории компании. Pando дошёл от старта проекта до обработки продакшен-трафика примерно за 10 недель: базовую архитектуру спроектировал один инженер, реализацию взяли на себя несколько команд агентов, а развёртывание выполнила небольшая группа инженеров. Эти факты легко превратить в историю о том, как «один человек с помощью ИИ построил инфраструктуру». Но подробности, раскрытые OpenAI, показывают: за результатом стояла целая система инженерных ограничений и проверок.

Это не пересказ мифа об ИИ-программировании. Мы опираемся на официальную информацию OpenAI и отделяем известные факты от того, что компания пока не раскрыла. Например, OpenAI не сообщила о численности участников, расходах на токены, истории задач и доле кода, исправленной людьми вручную.

Что вы узнаете: зачем понадобился Pando, какую работу выполнили команды Codex Agent, какие методы проверки позволили агентам участвовать в разработке инфраструктуры и как применить этот подход в собственном проекте.

Pando: что создали команды Codex Agent

Для начала соберём в одной таблице сведения, которые подтвердила OpenAI. Важно: Pando — это совместимый с Git серверный бэкенд, а не новый протокол контроля версий и не прямая замена GitHub.

Зачем OpenAI понадобилось перестраивать бэкенд Git с помощью Codex Agent

Pando появился на фоне стремительного роста числа коммитов. За основу официального графика взято количество коммитов, объединённых с основной веткой в первом квартале 2024 года. На графике показан их рост в последующих кварталах; ниже приведены отдельные значения.

Здесь важно не смешивать разные показатели: количество коммитов не равно числу строк кода, количеству PR или продуктивности разработки. На основании этих данных нельзя утверждать, что «объём кода вырос в 25 раз» или что «Codex повысил эффективность инженеров в 25 раз». По объяснению самой OpenAI, Codex позволяет инженерам одновременно вести больше задач. Это, в свою очередь, приводит к росту числа параллельных веток, операций Push, слияний, заданий CI, а также запросов Fetch и Clone.

Примерно к четвёртому кварталу 2025 года старая система начала испытывать проблемы: операции Push и Fetch замедлялись, а слияния завершались с ошибками. Показатель надёжности временами опускался ниже 90%. OpenAI не раскрыла ни методику расчёта этого показателя, ни его динамику во времени, поэтому трактовать его как «более 10% коммитов завершались неудачей» тоже нельзя.

4 ключевых решения в архитектуре Pando

Pando не отказался от Git: изменения коснулись хранения данных, обновления ссылок и доставки данных на стороне сервера. Эти решения помогают понять, какие принципиальные компромиссы пришлось выбрать людям.

• Независимое обновление веток: вместо поддержания единого согласованного снимка всего репозитория на определённый момент времени каждая ветка ведёт свою историю версий. Координация нужна только запросам, которые изменяют одну и ту же ссылку Ref. Используется модель причинной согласованности. Цена такого подхода — при одновременном чтении нескольких веток их состояние может относиться к разным моментам времени.
• Сохранение и повторное использование Packfile: каждый Packfile, полученный при Push, записывается в Blob Store как неизменяемые данные. При Fetch готовые Packfile выбираются на основе have/want клиента, а адреса для скачивания передаются через механизм Git packfile-uri. Это позволяет не упаковывать и не сжимать данные заново для каждого клиента.
• Региональный кеш Express: кластеры и локальные кеши развёрнуты в нескольких регионах, а запросы распределяются с помощью согласованного хеширования. Доля попаданий в кеш Packfile превышает 99%. Это кеш данных Git, а не Prompt Caching для API больших языковых моделей.
• Фоновая многоуровневая компактификация: по аналогии с LSM Tree небольшие Packfile последовательно объединяются в более крупные наборы, охватывающие непрерывные диапазоны версий. Сейчас для монорепозитория используется уровень до L4.

OpenAI также сравнила три типа архитектуры и провела симуляцию с 1,000 клиентами и 10,000 операциями Push. Это синтетическая учебная симуляция, созданная OpenAI, а не независимый сторонний бенчмарк.

Опубликованные OpenAI производственные показатели также включают: пиковый объём доставки Packfile за час превысил 57 TB, причём более 99% байтов поступило из локального дискового кеша; на стандартных облачных виртуальных машинах Clone и Fetch способны полностью загрузить канал 10 Gbps; сложность чтения и записи метаданных при Push составляет O（1）, а чтения метаданных при планировании Fetch — O（log Δ）. Эти оценки сложности относятся к операциям с метаданными, а не к полному времени передачи данных по сети.

Как команда Codex Agent разделила работу над Pando

«Один инженер спроектировал ядро» не означает, что над проектом работал только один человек. А «реализовала команда агентов» не означает, что каждая строка кода написана ИИ. На основе опубликованной информации работу можно распределить следующим образом, хотя OpenAI не раскрыла конкретный список задач каждого агента.

Главное в этой схеме: люди определяют архитектуру, ограничения и критерии приёмки, агенты выполняют большую часть реализации и итераций, а инженеры отвечают за миграцию в продакшен и надёжность системы. OpenAI не предоставила контрольную группу с ручной разработкой, поэтому подсчитать, во сколько раз Codex ускорил проект, невозможно.

Система тестирования Pando: почему Codex Agent может участвовать в разработке инфраструктуры

Pando — инфраструктурное ПО: от его правильной работы зависит, указывает ли ветка на нужный коммит, не теряются ли объекты при Push и получает ли Fetch полную историю. Ошибку на обычной веб-странице иногда достаточно исправить и обновить страницу. Ошибка в Git-бэкенде может остановить разработку во всей компании. Поэтому OpenAI обеспечила агента не более длинными промптами, а исполняемой системой проверки.

Тестирование совместимости с Git: проверяется поведение, а не компиляция

OpenAI создала Git Conformance Test Suite, чтобы после изменения серверной реализации агент мог самостоятельно проверить, соответствует ли её поведение ожиданиям стандартного Git. Проверки охватывают обновление Ref, Push, Fetch, передачу Packfile и совместимость протоколов. Главное, что критерий здесь — «поведение соответствует Git», а не просто «код компилируется и модульные тесты проходят». Количество тестовых сценариев официально не раскрывается.

Детерминированная симуляция конкурентных операций: воспроизводим гонки

Самые сложные ошибки в распределённых системах часто возникают, когда несколько операций выполняются вперемешку. OpenAI использует Deterministic Simulation Harnesses для воспроизводимой симуляции состояний системы и конкурентных событий. Это помогает находить состояния гонки, проблемы согласования в Git, ошибки планирования Packfile и регрессии. Например, когда два агента одновременно изменяют одну ветку, нельзя считать успешными оба конфликтующих обновления; кроме того, до обновления указателя ветки новый объект коммита уже должен быть доступен для чтения. Это примеры целей тестирования, а не официально опубликованный перечень отдельных тестовых сценариев.

Формальная верификация с Lean и TLA+: важно учитывать хронологию

OpenAI сообщила, что использовала GPT-6 Astra для помощи агенту в создании формальных описаний на Lean и TLA+, которые получили название «Theory of Pando». Они применяются для проверки инвариантов, поиска и исправления ошибок, а также доказательства отдельных свойств. Здесь есть два ограничения. Во-первых, проверяются конкретные свойства — это не означает, что математически доказаны все пути выполнения кода системы. Во-вторых, согласно формулировке OpenAI, новые модели по мере появления продолжали использоваться для повышения производительности и надёжности. Поэтому нельзя относить все эти практики к первым 10 неделям работы.

Длительные сессии агента и состязательное тестирование безопасности

OpenAI также сообщила, что несколько последовательных сессий агента работали в общей сложности сотни часов, находя и исправляя ошибки в пограничных случаях. При этом модели с возможностями Daybreak непрерывно проводили состязательное тестирование Git и Pando. Компания не раскрыла число агентов, продолжительность отдельных сессий, расход токенов, количество исправленных багов или частоту контроля со стороны людей. Поэтому нельзя сделать вывод, что «агент сотни часов непрерывно писал код без присмотра». Интересно здесь другое: агент используется для постоянной проверки, а не только для первоначальной генерации кода.

Опубликованный OpenAI форк Git тоже косвенно подтверждает эту непрерывную работу. Например, в нём есть патч для параллельного хеширования в index-pack от августа 2026 года и патчи для повторных попыток при ограничении частоты запросов и повторного использования готовых Pack от октября. Однако все эти коммиты появились после первого запуска в эксплуатацию в апреле 2026 года, поэтому их тоже нельзя считать результатами первых 10 недель.

Постепенная миграция на Pando: Codex Agent написал код, но до продакшена ещё далеко

10 недель — это срок от запуска проекта до внедрения в продакшен, а не всё время, необходимое для доведения системы до зрелого состояния. Pando внедряли постепенно, без остановки работы. Согласно официальным данным, процесс выглядел примерно так:

1. Pando разместили перед старой системой в роли прокси со сквозным чтением и записью, поддерживая синхронизацию старого и нового бэкендов.
2. При обработке реальных запросов система объединяла одинаковые запросы и кэшировала данные Git. После переноса части трафика нагрузка на старую систему даже снизилась.
3. С помощью внутренней оболочки Git CLI клиентские инструменты разработчиков переводили на новую систему поэтапно.
4. Перенесли сотни интеграций, зависевших от старого API, Webhook и прежних способов скачивания репозиториев, а также процессы Review и Change Request.
5. Предоставили Codex Skills для миграции: разработчики могли напрямую попросить Codex помочь с подготовкой локальных репозиториев и среды для переноса.
6. Развернули улучшенный Git-клиент на устройствах инженеров и в десктопном приложении ChatGPT.

По официальным данным, вся миграция прошла без остановки разработки. Однако показатели отката, распределение сбоев и примеры неудач компания не раскрыла. Для технического руководителя именно этот этап интереснее цифры «10 недель»: обеспечение совместимости со старыми процессами, перенос интеграций и поэтапное переключение трафика зачастую не менее сложны, чем разработка самой новой системы.

Анализ Pando: что это значит для разработчиков агентов и технических команд

Для разработчиков агентов

• Возможности проверки определяют пределы возможностей агента: Pando позволяет агенту участвовать в разработке ключевых компонентов, если есть тесты совместимости, детерминированное моделирование и формальные описания, благодаря которым агент получает надёжную обратную связь.
• Роль агентов расширяется: помимо написания кода, они могут постоянно искать пограничные случаи, проводить состязательное тестирование и помогать пользователям с миграцией.

Для технических руководителей

• AI Coding увеличивает нагрузку на последующие этапы разработки: рост числа коммитов сказывается на CI, ревью кода и хостинге репозиториев. В июле 2026 года OpenAI сообщила в отдельной публикации, что еженедельное число PR внутри компании более чем удвоилось по сравнению с предыдущим четвёртым кварталом, а ревью кода стало одним из новых узких мест.
• Не стоит бездумно создавать собственный Pando: проблемы масштабирования крупных монорепозиториев появились задолго до эпохи ИИ, и подавляющему большинству команд не нужно заново создавать бэкенд Git.

Сравнение с кейсом Harness Engineering

В феврале 2026 года OpenAI рассказала о другом независимом проекте: разработка началась с пустого репозитория, а код продукта писал Codex. Примерно за пять месяцев было создано порядка миллиона строк кода и около 1 500 PR; на начальном этапе проектом занимались три инженера. Это не та же команда и не те же процессы, что в Pando, поэтому смешивать данные нельзя. Однако оба проекта указывают на одну тенденцию: инженеры всё чаще берут на себя проектирование систем, тестовых сред и рабочих процессов агентов. Среди выводов этого проекта — разбивать работу на небольшие задачи, предоставлять каждой ветке отдельную среду выполнения, открывать агенту доступ к логам и метрикам и использовать AGENTS.md для инструкций вместо того, чтобы помещать всю базу знаний в промпт.

На Hacker News звучат и другие мнения: скептики считают, что рост числа коммитов не означает повышения качества, а сторонники полагают, что снижение затрат на написание кода делает больше небольших проектов осуществимыми. Это мнения сообщества, а не статистические выводы.

Как применить подход команды Codex Agent: цикл обратной связи на основе тестов

Самое ценное в Pando для других команд — не масштаб, а структура, которая позволяет агенту получать обратную связь в виде результатов выполнения кода. Ниже показан минимальный цикл: модель генерирует исправление, а результаты тестов возвращаются ей для дальнейшей доработки.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # OpenAI-совместимый интерфейс APIYI
)

resp = client.chat.completions.create(
    model="YOUR_CODING_MODEL",  # Замените на модель для программирования, которую хотите протестировать
    messages=[{"role": "user", "content": "根据以下失败测试修复函数：..."}]
)
print(resp.choices[0].message.content)

import subprocess
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

SYSTEM = (
    "你是严格遵守约束的工程 Agent。"
    "只修改指定文件，不得改动测试；输出完整的新文件内容。"
)

def run_tests() -> tuple[bool, str]:
    """Запускает проверку с выполнением кода, аналогичную тестам совместимости в Pando"""
    r = subprocess.run(["pytest", "-q", "tests/"], capture_output=True, text=True)
    return r.returncode == 0, r.stdout[-3000:] + r.stderr[-1000:]

def agent_loop(target: str, spec: str, max_rounds: int = 5) -> bool:
    for i in range(max_rounds):
        ok, log = run_tests()
        if ok:
            print(f"第 {i} 轮：测试全部通过，等待人工审核")
            return True
        source = open(target, encoding="utf-8").read()
        resp = client.chat.completions.create(
            model="YOUR_CODING_MODEL",
            messages=[
                {"role": "system", "content": SYSTEM},
                {"role": "user", "content":
                    f"需求与约束：\n{spec}\n\n当前代码：\n{source}\n\n测试输出：\n{log}"}
            ],
        )
        with open(target, "w", encoding="utf-8") as f:
            f.write(resp.choices[0].message.content)
    print("达到轮次上限，转交人类工程师处理")
    return False

agent_loop("src/ref_store.py", "同一分支的并发更新必须只有一个成功")

🚀 Быстрый старт: чтобы настроить такой цикл, можно сначала получить бесплатный тестовый лимит через APIYI apiyi.com. С одним API-ключом можно переключаться между разными моделями для программирования и сравнивать, как часто они успешно исправляют ошибки на вашем наборе тестов.

В таблице ниже подход Pando представлен в виде схемы, которую может применить обычная команда. Эти рекомендации составлены на основе официально раскрытой информации; это не опубликованный OpenAI рабочий процесс специально для Pando.

Частые вопросы FAQ

Pando и Codex Agent: главное

• Что такое Pando: внутренний Git-совместимый бэкенд OpenAI. Его запустили в production примерно за 10 недель, но публично не открыли.
• Зачем его создали: из-за Codex выросло число параллельных коммитов, и старая система стала работать медленнее, а слияния — завершаться ошибками.
• Как распределили работу: люди определяли архитектуру и ограничения, агенты занимались реализацией и доработками, инженеры отвечали за развёртывание.
• Что помогло добиться результата: тесты совместимости, детерминированное моделирование и формальная верификация давали надёжную обратную связь.
• Что важно знать о сроках: не все более поздние модели и методы верификации использовались в течение первоначальных 10 недель.
• Как запускали: прокси с транзитным чтением и записью и поэтапное переключение трафика позволили провести миграцию без остановки повседневной разработки.
• С чего начать: сначала создайте тесты, а затем через APIYI apiyi.com проверьте цикл обратной связи с разными моделями.

Итоги

Главные выводы из истории Pando:

1. Рост масштаба заставляет менять инфраструктуру: увеличение числа коммитов из-за AI Coding влияет на Git, CI и ревью кода. Pando стал инженерным ответом на эту нагрузку.
2. Результат работы агента зависит от проверки: команда Codex Agent смогла участвовать в реализации инфраструктуры благодаря исполняемым тестам совместимости, моделированию параллельных операций и формальному описанию системы.
3. Решения людей по-прежнему важны: инженеры отвечали за архитектурные компромиссы, границы согласованности и миграцию в production.

Для большинства команд стоит перенимать не срок в «10 недель», а пять составляющих подхода: чёткие ограничения, исполняемые тесты, распределение задач, постоянную обратную связь и ключевые решения со стороны людей. Необязательно стремиться к полностью автоматической разработке: сначала наладьте цикл обратной связи для агента на небольшом модуле с полным набором тестов, а затем постепенно расширяйте область его работы.

Для быстрой проверки результатов можно воспользоваться APIYI apiyi.com. Платформа предоставляет OpenAI-совместимый интерфейс и бесплатную квоту для новых пользователей, что позволяет сравнивать разные модели для программирования в одном цикле обратной связи.

📚 Источники

1. Техническая статья OpenAI Scaling Git at OpenAI: основной источник сведений об архитектуре Pando, миграции и производительности
2. Ссылка: openai.com/index/scaling-git-at-openai

3. Примечание: опубликована 2026-11-02; главный источник фактов для этой статьи

4. OpenAI Harness Engineering: ещё один внутренний проект, разработкой которого руководил Codex

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

6. Примечание: помогает разобраться в методологии разработки с помощью агентов; данные этого проекта нельзя смешивать с данными Pando

7. Custom Code Review Rules for Codex: о проблемах с проверкой кода, возникших из-за программирования с помощью ИИ

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

9. Примечание: рассказывает о росте числа внутренних PR за неделю и правилах проверки в AGENTS.md

10. Публичный форк Git от OpenAI: репозиторий с улучшениями клиента

11. Ссылка: github.com/openai/git

12. Примечание: содержит улучшения, включая packfile-uri, но не исходный код серверной части Pando

13. Трекер патчей OpenAI для Git: записи о вкладе в основной проект

14. Ссылка: oai-git.openai.chatgpt.site
15. Примечание: позволяет отслеживать дальнейшие технические улучшения после запуска в продакшен

Автор: техническая команда APIYI
Обсуждение технических вопросов: свяжитесь с нами через главную страницу сайта APIYI. Больше материалов о разработке агентов — в центре документации docs.apiyi.com

Читайте также

• 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.
• 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.
• Разбор релиза GPT-6.1 Terra: позиционирование четырёх моделей семейства GPT-6 в одном обзоре: GPT-6.1 Terra заняла средний сегмент семейства GPT-6; в статье на основе официальных данных и независимых тестов рассмотрены различия в позиционировании моделей Astra, Sol, Terra и Luna и подходы к их выбору.
• Запланированные задачи ChatGPT, агенты Codex и полная автоматизация Dot: 6 ключевых различий между тремя подходами к автоматизации: Сравните возможности полной автоматизации, стоимость и надёжность запланированных задач ChatGPT, агента Codex и ChatGPT Dot с точки зрения запуска, исполнения и непрерывной координации и дайте рекомендации по выбору.