大家好，我是孟健。
16 个 AI，2 周时间，10 万行代码，从零写出了一个能编译 Linux 内核的 C 编译器。
不是人写的。是 Claude 自己写的。
昨天 Anthropic 发了一篇博客，标题很朴素——"We tasked Opus 4.6 using agent teams to build a C Compiler"。
翻译过来就是：我们让一群 Claude 自己去写了个 C 编译器，然后我们走开了。
读完这篇博客，我整个人是懵的。不是因为"AI 又进步了"这种空话，而是因为这件事背后的含义，可能比大多数人想到的要深得多。
01 到底发生了什么？
Anthropic 的研究员 Nicholas Carlini 做了个实验：
16 个 Claude Opus 4.6 实例，同时工作，用 Rust 从零开始写一个 C 编译器。
没有人手把手带。没有人逐行 review。没有架构师画设计图。
Carlini 只做了一件事：搭好 Docker 容器、Git 仓库、测试套件，然后按下启动键，走开了。
两周后回来，这些 AI Agent 交出了成果：
-
📦 10 万行 Rust 代码
-
✅ GCC torture test 通过率 99%
-
🐧 能编译 Linux 6.9 内核（x86、ARM、RISC-V 三个架构）
-
🎮 能编译 Doom、 PostgreSQL 、Redis、FFmpeg、 SQLite 、QEMU
-
💰 总花费：$20,000（约 14 万人民币）
-
⏱️ 总耗时：2 周，近 2000 个 Claude Code session
一个在 Google 花了近十年才搞定的事情（让 Clang 编译 Linux 内核），AI 用两周做到了。一位 HN 网友的原话是："This LLM did it in （checks notes）... 2,000 sessions."
02 它们是怎么协作的？
这是最让我震撼的部分——没有"老板 Agent"。
16 个 Claude 各自独立运行在 Docker 容器里，共享一个 Git 仓库。每个 Agent 的工作流程是：
-
从仓库拉代码
-
自己找"下一个最明显要修的问题"
-
创建 lock 文件占坑
-
写代码、跑测试
-
推代码回主干
-
遇到 merge 冲突？自己解决
有的 Agent 专门清理重复代码，有的专注优化性能，有的像 Rust 专家一样做 code review，还有的负责更新文档。
没有人分配任务，没有 project manager ，没有 Jira。
它们自己形成了分工。
如果你做过团队管理，你应该能感受到这有多离谱——16 个"人"协作两周，没有一次 standup 会议，没有一个需求文档，产出 10 万行能跑的代码。
03 它的局限在哪？
先别急着恐慌。这个编译器厉害，但不是完美的：
1）生成的代码效率很低。 即使开了所有优化，输出的机器码还不如 GCC 关掉优化的效果。换句话说——能用，但性能拉胯。
2）16 位 x86 不行。 Linux 内核启动需要 16 位实模式代码，Claude 搞不定这块，最后"作弊"调用了 GCC 来处理。
3）没有自己的 汇编器 和链接器。 还是依赖 GNU 的工具链。
4）代码质量"够用但不精"。 Carlini 原话："The resulting compiler has nearly reached the limits of Opus's abilities。"——已经接近这个模型能力的天花板了。
这些局限很重要，但不影响核心结论：AI 已经能独立完成一个极其复杂的系统级软件项目。
04 为什么这事比你想的更重要？
有人会说："编译器规范很成熟，测试套件很完整，这是 AI 擅长的类型啊。"
没错。Ars Technica 的报道也指出——C 编译器是"near-ideal task for semi-autonomous AI coding"，因为规范清晰、测试套件现成、有参考实现可以对照。
但问题是：去年 AI 还做不到这件事。
Carlini 自己说了一句让我印象很深的话：
"I did not expect this to be anywhere near possible so early in 2026."
他没有预料到 2026 年初就能走到这一步。
进步的速度才是最值得关注的信号。
而且这次实验真正验证的不是"AI 能写代码"——这个我们早就知道了。它验证的是：多个 AI Agent 可以像一个团队一样协作，完成需要架构设计、模块分工、冲突解决的大型工程。
一个 Agent 写函数，大家都见过。16 个 Agent 协作写编译器，这是质变。
05 对我们意味着什么？
如果你是程序员——
这不是"AI 要取代你"的故事。编译器是最适合 AI 做的任务类型：规范确定、测试完善、有参考实现。大部分真实项目不具备这些条件。真实的软件开发难的不是写代码，是搞清楚需求到底是什么。
但你应该开始认真学习如何管理 AI Agent 团队了。未来的编程可能不是"你写代码"，而是"你定义目标、准备测试、让 Agent 干活、你做 review"。
如果你是创业者——
$20,000 写 10 万行编译器级代码。这个成本还在快速下降。想想半年后、一年后会是什么价格。独立开发者做复杂项目的门槛正在被彻底重新定义。
如果你是技术管理者——
多 Agent 协作的范式已经被验证了。不是 PPT 里的概念，是能编译 Linux 内核的真实产出。你需要开始思考：团队里哪些工作可以用 Agent 团队来做？
Carlini 在博客结尾说了一段很真诚的话。他说自己做过渗透测试，深知没有人工验证的代码有多危险。面对 10 万行从未亲眼看过的代码，他既兴奋又不安。
这大概就是 2026 年做技术的人共同的心情。
兴奋的是，工具就摆在那里，比想象中强太多。不安的是，我们还不完全知道该怎么用好它。
但有一件事是确定的——AI 编程的范式已经从"一个人+一个 Copilot"，进化到了"一个人+一支 AI 团队"。
这不是未来。这是正在发生的事情。
🔗 相关链接：
-
Anthropic 博客原文：www.anthropic.com/engineering…
-
编译器 GitHub 源码：github.com/anthropics/…
-
Hacker News 讨论（400+评论）：news.ycombinator.com/item?id=469…
如果这篇对你有帮助，欢迎点赞、收藏、关注，你的支持是我持续输出的动力 ✨
我的其他平台账号和开源项目在个人主页中，欢迎交流 🤝
