OpenAI baut Pando, ein Git-kompatibles Backend für Entwicklung im Codex-Maßstab
OpenAI hat nach eigenen Angaben Pando entwickelt, ein Git-kompatibles Backend für jenen Umfang an Entwicklungsarbeit, den Codex möglich macht.
Laut OpenAI läuft inzwischen die gesamte Entwicklung im Monorepo des Unternehmens über Pando, ein neues Backend für Git-Repositories. Im Produktivbetrieb habe es die mediane Push-Latenz um fast den Faktor 5 gesenkt und liefere nun täglich knapp ein Petabyte an Git-Daten aus. Verfasst haben den Bericht vom 2. November 2026 die Ingenieure Aaron Friel, Taylor Blau und Ted Nyman.
Als Grund nennt das Unternehmen die Last, die Codex erzeugt hat. Dem Beitrag zufolge konnten Ingenieure mit dem Coding-Agenten weit mehr Arbeit parallel erledigen. Das bedeutet mehr Branches und Pushes, mehr Merges und mehr Fetches und Clones aus Entwicklungsumgebungen, Forschungsjobs und CI. Die Anforderungen verstärken sich gegenseitig: Ein einzelner Ingenieur kann mehrere Änderungen gleichzeitig für CI bereit haben, und jeder Push kann mehrere Jobs auslösen, die denselben Commit abrufen. Etwa ab Ende des vergangenen Jahres hätten die Monorepo-Systeme mit langsamen Fetches und Pushes, fehlgeschlagenen Merges und einer Zuverlässigkeit von zeitweise unter 90% gekämpft, so OpenAI. Die Ingenieure fragten sich, ob sie an eine Grenze von Git selbst gestoßen waren oder an eine Grenze der Art, wie sie das Monorepo bereitstellten.
OpenAI entschied sich, das Protokoll und den Client von Git beizubehalten, damit Ingenieure und Agenten Pando in ihren bestehenden Workflows nutzen können. Das sei wichtig, argumentiert der Beitrag, weil Entwickler ihre Werkzeuge seit mehr als zwei Jahrzehnten auf Git ausrichten und weil Verbesserungen am Client auch außerhalb des Unternehmens nützlich sein können. Als Ziele von Pando nennt der Beitrag horizontal skalierbare Schreibvorgänge, optimiert für gleichzeitige Pushes auf viele Branches, sowie einen so hohen Lesedurchsatz, dass Clients ihre verfügbare Netzwerkbandbreite voll ausschöpfen können.
Um das Design zu verstehen, muss man wissen, wie Git die Historie speichert. Ein Repository ist ein Graph unveränderlicher Objekte: Blobs für Dateiinhalte, Trees für Verzeichnisse sowie Commits und Tags, jeweils identifiziert über einen Hash aus Typ und Inhalt. Branches und Tags sind Referenzen, die auf Commits zeigen. Bei einem Fetch teilt der Client mit, welche Commits er haben will und welche er bereits besitzt. Der Server schickt dann die fehlenden Objekte als Packfile, das Git-Format, in dem mehrere Objekte gemeinsam komprimiert werden. Ein Push läuft in umgekehrter Richtung und hängt davon ab, was der Server bereits hat; das Pack allein reicht also nicht aus, um die neue Historie zu rekonstruieren. Bei der Replikation müssen daher Objekte und Referenzen über alle Server hinweg synchron bleiben, und konkurrierende Updates auf denselben Branch brauchen eine Reihenfolge.
Der Beitrag vergleicht Pando mit zwei konventionellen Designs, die OpenAI nach eigenen Angaben modelliert hat. Das erste setzt auf Three-Phase-Commit. Jeder Server hält eine vollständige Kopie des Repositorys, eine Mehrheit der Replikate muss jedes Ref-Update akzeptieren, und der Koordinator führt pro Push mehrere Nachrichtenrunden aus. Weil die Replikate vollständig bleiben, damit jedes von ihnen eine konsistente Sicht liefern kann, werden Referenzen einzeln nacheinander aktualisiert. Festplattengeschwindigkeit und Netzwerklatenz liegen direkt im Push-Pfad. Das zweite Design nutzt ein gemeinsames Write-Ahead-Log: ein Manifest im Blob Storage, das alle Updates per Compare-and-Swap ordnet. Auch Pushes auf voneinander unabhängige Branches müssen dieses eine Manifest aktualisieren, und jedes Replikat muss neue Packs lesen und indizieren, bevor es sie ausliefern kann. Mehr Kapazität im Blob Storage allein beseitige diesen Engpass nicht, heißt es im Beitrag.
Pandos Antwort besteht darin, zwei Annahmen zu lockern, an denen die meisten Git-Systeme festhalten. Es verzichtet auf repositoryweite Konsistenz, es gibt also keinen einzelnen Snapshot aller Refs zu einem bestimmten Zeitpunkt. Außerdem erhält nicht mehr jeder Client ein eigenes Packfile. Das Packfile jedes Pushes wird als unveränderlicher Blob gespeichert. Jede Bewegung eines Branches wird als Ref-Version in einem Metadatenspeicher erfasst, der das Pack und alle früheren Versionen vermerkt, von denen es abhängt. Ein Fetch spielt die relevanten Ref-Versionen nach und rekonstruiert so den Zustand, der zur angefragten Ref geführt hat. Das Ergebnis ist Serialisierbarkeit für Updates auf eine einzelne Ref; Clients geraten nur dann in Konflikt, wenn sie im selben Moment auf dieselbe Ref pushen. Den Preis zahlen die Lesenden: Ein Client, der mehrere Branches liest, kann sie zu unterschiedlichen Zeitpunkten sehen. Im Beispiel des Beitrags sieht ein Client foo in Version 1 und bar in Version 2, ein anderer genau umgekehrt. Nutzer und Agenten, so das Argument, sind auf die Reihenfolge der Updates einer Referenz angewiesen, nicht auf eine globale Ordnung.
Die Leseseite folgt derselben Logik. Ohne Wiederverwendung muss ein Server womöglich für jeden Client ein eigenes Packfile erzeugen, was CPU und Festplatten-I/O kostet. Pando verwendet stattdessen gespeicherte Packfiles wieder, sodass der Server dieselben Bytes an viele Clients senden kann. Beim Push validiert Pando das eingehende Pack, während es in den Blob Storage gestreamt wird, ohne es in ein lokales Repository zu entpacken. Beim Fetch wählt es die gespeicherten Packs aus, die ein Leser braucht. Laut Beitrag verhandeln diese Server vor allem und wählen Packs aus, weshalb sie auf Standardhardware laufen können. Skalieren heißt dann, weitere Pando-Server samt Metadaten- und Blob-Speicher hinzuzufügen.
Der Vergleich beruht auf einer Simulation, und der Beitrag sagt deutlich, was das bedeutet: Die Modelle seien synthetische Lehrmodelle, keine Benchmarks aus dem Produktivbetrieb. Darin wählen 1.000 Clients jeweils einen eigenen Branch und pushen wiederholt eindeutige Commits. Gemessen werden Gesamtdauer und Push-to-Fetch-Latenz auf Hardware von Standard- bis zu Premium-VMs und Blob Storage. Three-Phase-Commit zeige unter Last eine deutlich höhere Schreiblatenz, sobald die Festplatten ausgelastet sind, heißt es. Systeme mit Write-Ahead-Log zeigten eine deutlich höhere Leselatenz, weil die Server mit dem Journal nicht mehr Schritt halten. Zudem unterstütze Pando sowohl in realen Tests am Monorepo als auch in der Simulation viele Tausend gleichzeitig pushende Clients, ohne dass die Leistung unter Last leide.
OpenAI verweist außerdem auf seine Arbeit am Upstream-Git. Das öffentliche Repository openai/git, ein Fork von git/git, führt 50 für Upstream vorbereitete Patches und 92 Commits, die der eigene Build zusätzlich zu Upstream mitführt. Das Repository verfolgt den Upstream-Status jedes Themas: Einige sind im seen-Branch von Upstream, andere noch nicht gemergt. Aufgeführt sind Patches zu Repacking, Multi-Pack-Indizes, Fetch-Verhandlung und Pack-Downloads. Laut dem Pando-Beitrag will das Unternehmen seine Git-Verbesserungen weiterhin in das Projekt einbringen, um Arbeit im Maßstab von Agenten zu unterstützen.
Was sich ändert
Art: Neue Funktion · Betrifft: Pando, Git
Warum es wichtig ist
Unternehmen, die KI-Coding-Tools auf viele Ingenieure ausrollen, stoßen womöglich eher an Grenzen ihrer Versionskontroll-Infrastruktur als an Grenzen der Modelle. Dass OpenAI an der Git-Kompatibilität festhält, ist für bestehende Entwicklerwerkzeuge von Bedeutung.
Was Sie tun können
Teams, die KI-Coding-Agenten in großem Umfang einführen, könnten prüfen, ob nicht nur das Modell, sondern auch ihr Backend für die Quellcodeverwaltung zum Engpass wird.
Originalquelle
Weitere Berichte
Wo wir es gesehen haben
Demetrios from the AAIF, OpenAI
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es