Nicholas Carlini, Forscher im Safeguards-Team von Anthropic, leitete ein ehrgeiziges Experiment: einen C-Compiler in Rust vollständig von Claude Opus 4.6-Agenten bauen zu lassen, die parallel arbeiten, ohne direkten menschlichen Eingriff in den Code.

Multi-Agenten-Architektur: 16 Claude-Instanzen arbeiteten gleichzeitig in isolierten Docker-Containern und teilten sich ein gemeinsames Upstream-Git-Repository. Jeder Agent wählt seine nächste Aufgabe autonom über ein Datei-Sperrsystem aus. Die Synchronisation erfolgt über Git: Ein Agent beansprucht eine Aufgabe, bearbeitet sie, pusht seine Änderungen und wechselt dann zur nächsten. Keine explizite Kommunikation zwischen den Agenten ist erforderlich.

Beeindruckende Ergebnisse: In rund 2.000 Claude Code-Sessions und bei API-Kosten von 20.000 Dollar (2 Milliarden Input-Token, 140 Millionen Output-Token) kompiliert der resultierende 100.000-Zeilen-Compiler erfolgreich Linux 6.9 auf drei Architekturen (x86, ARM, RISC-V) sowie große Projekte wie QEMU, FFmpeg, SQLite, PostgreSQL, Redis und sogar Doom, mit einer Erfolgsquote von 99 % bei Compiler-Testsuiten einschließlich der GCC-Torture-Suite.

Design-Lehren: Der Autor teilt vier zentrale Erkenntnisse. Erstens ist die Testqualität entscheidend, da Agenten exakt das lösen, was spezifiziert ist. Zweitens muss man aus Claudes Perspektive denken: Jeder Agent startet in einer leeren Umgebung ohne Kontext, was eine erschöpfende Dokumentation und eine minimale Ausgabe erfordert, um das Kontextfenster zu schonen. Drittens ist die Ermöglichung von Parallelität essenziell: einfach, wenn viele unabhängige Tests fehlschlagen, aber die Kompilierung des Linux-Kernels erwies sich als problematisch, da alle Agenten dieselben Fehler behoben. Die Lösung: GCC als „Referenz-Orakel“ zu verwenden, um die zu kompilierenden Dateien zufällig zu verteilen. Viertens maximiert die Spezialisierung von Agenten nach Rolle (Deduplizierung, Optimierung, Design-Review, Dokumentation) die Effizienz.

Modell-Entwicklung: Der Artikel dient auch als Fähigkeits-Benchmark. Opus 4 produzierte kaum einen funktionsfähigen Compiler, Opus 4.5 ermöglichte den ersten Compiler, der Testsuiten bestand, und Opus 4.6 verschiebt die Grenzen, indem er reale, groß angelegte Projekte kompiliert.

Sicherheitsbedenken: Der Autor, mit Hintergrund im Penetration-Testing, weist darauf hin, dass das Bestehen von Tests keine Korrektheit der Software garantiert. Der autonome Einsatz von Code, der nicht von Menschen überprüft wurde, stellt ein reales Risiko dar, das neue Sicherheitsstrategien erfordert. Der Quellcode ist auf GitHub verfügbar (anthropics/claudes-c-compiler).