OpenAI cria o Pando: o backend compatível com Git feito para o volume de código do Codex

Fala aí, beleza? A OpenAI publicou o texto Scaling Git at OpenAI contando como construiu o Pando, um backend compatível com Git feito pra aguentar a escala de desenvolvimento que o Codex tornou possível

Hoje o Pando sustenta TODO o desenvolvimento no monorepo da OpenAI, e segundo a empresa a troca aconteceu sem interromper a engenharia e sem mudar o jeito como o time usa o Git 😀

Por que o Git padrão não aguentou o volume do Codex

O volume de commits do monorepo da OpenAI cresceu rápido demais, porque o Codex permite que muitas pessoas e agentes trabalhem ao mesmo tempo

E a confiabilidade dos merges, em alguns períodos, chegava a cair abaixo de 90%

Mas qual era o gargalo, na real?

Pensa assim: antes, um time de devs fazia push no ritmo humano, com café, reunião e tal

Aí entram agentes rodando em paralelo, cada um no seu branch, todos empurrando código ao mesmo tempo

O servidor passa a receber MUITO mais pushes concorrentes em muitos branches, e é exatamente aí que a coisa aperta

Como o Pando funciona por dentro

O Pando foi desenhado em cima de dois objetivos: escrita escalável horizontalmente, otimizada pra pushes concorrentes em muitos branches, e leitura com throughput máximo, pra que os clientes consigam saturar a banda de rede disponível

A troca central: consistência causal

Pra chegar nisso, o Pando abre mão da consistência global do repositório e adota consistência causal

Que raios é isso?

Na prática, não existe mais uma fila única pra todo o repositório: pushes em refs diferentes são confirmados em paralelo, e pushes no mesmo ref continuam serializados

Ou seja, dois agentes mexendo em branches diferentes não ficam mais esperando um ao outro 🙂

O caminho de um push

Quando chega um push, o Pando guarda o packfile recebido como um blob imutável em um blob store (armazenamento de objetos na nuvem)

A cada movimento do branch, um serviço de metadados registra a nova versão do ref (a "ref version") junto com suas dependências

O dado pesado fica no blob store, e o controle de qual versão depende de qual fica no metadata store

O lado da leitura

Pra escalar as leituras, o Pando reaproveita packfiles já gerados e em cache, em vez de montar um packfile individual pra cada cliente

Resultado: os leitores recebem os mesmos bytes

Quem já montou pipelines para grandes volumes de dados conhece bem essa lógica: recalcular tudo a cada pedido não escala, reaproveitar o que já foi processado sim

Rust e Codex nos bastidores

O Pando foi escrito em Rust, e a OpenAI criou um ferramental de testes extenso pra caçar bugs de concorrência

E tem um detalhe curioso: segundo a OpenAI, ele foi desenvolvido com ajuda do próprio Codex em cerca de 10 semanas, com um engenheiro desenhando o núcleo e times de agentes cuidando da implementação

O Codex criou o problema e ajudou a resolver haha

Os números do Pando em produção

Em produção, a OpenAI divulgou estes resultados:

• Latência mediana de push quase 80% menor (cerca de 5x)
• Confiabilidade de merge em 99,99%, contra períodos anteriores em que às vezes caía abaixo de 90%
• Quase 1 petabyte de dados Git entregues por dia
• Mais de 57 terabytes de packs servidos em uma única hora, com mais de 99% vindo do cache em disco local

Se liga: são números da própria OpenAI, medidos no ambiente dela e no monorepo dela

Não dá pra transportar isso direto pro seu repositório, beleza?

O que continua igual para quem usa Git

Segundo a OpenAI, o time continuou usando o Git do mesmo jeito, e a troca aconteceu sem interromper o trabalho de engenharia

A mudança está no backend, ou seja, no servidor que recebe e entrega os dados

Do lado do desenvolvedor, o fluxo seguiu o mesmo, e é justamente isso que o "compatível com Git" do nome entrega

É como trocar o motor do carro sem mexer no volante nem nos pedais 🙂

Vale reforçar: hoje o Pando é infraestrutura interna da OpenAI, sem disponibilidade pra terceiros: mas a própria empresa diz que está estudando formas de compartilhar com os usuários a tecnologia que torna o Pando possível

Pando e Scion: OpenAI e Anthropic batendo no mesmo limite

São dois acontecimentos separados, mas o recado é parecido

A Anthropic criou o Scion, um sistema próprio de controle de versão pensado pro desenvolvimento com agentes em grande escala

A empresa diz que o Scion não é "de forma alguma um substituto adequado do Git para uso geral" e não se comprometeu com uma versão pública

O contraste concreto está na proposta: o Scion usa um cliente próprio (o scn), enquanto o Pando manteve a compatibilidade com o cliente Git do lado do desenvolvedor, trocando só o que roda no servidor

Duas empresas que vivem de agente de código chegaram no mesmo muro, cada uma resolvendo do seu jeito

O que isso significa para quem usa agentes de código

Pra maioria dos times, nada muda hoje, porque o Pando é infraestrutura interna da OpenAI

O impacto real é o sinal: quando agentes multiplicam commits, branches e merges em paralelo, o gargalo deixa de ser escrever código e passa a ser a infraestrutura de versionamento

Se o teu time está começando a rodar vários agentes ao mesmo tempo, vale ficar de olho em alguns pontos:

• Latência de push: se começar a subir conforme os agentes aumentam, é sintoma de contenção no servidor
• Conflitos: muitos agentes no mesmo trecho de código tendem a gerar mais conflito
• Falhas de merge: se merges começam a falhar com frequência, o problema pode não estar no código, e sim na infra

Não precisa sair reescrevendo o backend de Git em Rust, né? xD

Mas observar esses sinais cedo evita a surpresa de descobrir o limite quando o time já depende dos agentes no dia a dia

Agentes em paralelo na prática

Pra ter uma noção de como fica o lado de quem gera esse volume de código com agentes, vale conferir o vídeo abaixo no canal

Próximo passo

Vale ler o post "Scaling Git at OpenAI" na íntegra, principalmente as partes sobre consistência causal e reuso de packfiles, que são o coração da arquitetura

Depois, olha pro teu próprio repositório e acompanha como push, conflitos e merges se comportam conforme o uso de agentes cresce

Até o próximo post! 😀

Quer aprender mais sobre inteligência artificial e programação na prática? Conheça o canal Hora de Codar no YouTube e acompanhe os próximos vídeos.