Nicholas Carlini, investigador del equipo Safeguards de Anthropic, dirigió un experimento ambicioso: construir un compilador de C en Rust íntegramente mediante agentes de Claude Opus 4.6 trabajando en paralelo, sin intervención humana directa sobre el código.

Arquitectura multiagente: 16 instancias de Claude trabajaron simultáneamente en contenedores Docker aislados, compartiendo un repositorio Git upstream. Cada agente selecciona de forma autónoma su siguiente tarea mediante un sistema de bloqueo de archivos (file-locking). La sincronización se apoya en Git: un agente reclama una tarea, trabaja en ella, envía sus cambios (push) y pasa a la siguiente. No se requiere comunicación explícita entre agentes.

Resultados notables: en aproximadamente 2.000 sesiones de Claude Code y 20.000 dólares de coste de API (2.000 millones de tokens de entrada, 140 millones de tokens de salida), el compilador resultante, de 100.000 líneas, compila con éxito Linux 6.9 en tres arquitecturas (x86, ARM, RISC-V), así como proyectos importantes como QEMU, FFmpeg, SQLite, PostgreSQL, Redis e incluso Doom, con una tasa de éxito del 99% en las suites de pruebas de compiladores, incluida la suite de tortura de GCC.

Lecciones de diseño: el autor comparte cuatro conclusiones clave. Primero, la calidad de los tests es crítica porque los agentes resuelven exactamente lo que se especifica. Segundo, hay que pensar desde la perspectiva de Claude: cada agente entra en un entorno vacío sin contexto, lo que exige documentación exhaustiva y una salida mínima para preservar la ventana de contexto. Tercero, habilitar el paralelismo es esencial: sencillo cuando fallan muchos tests independientes, pero la compilación del kernel de Linux resultó problemática porque todos los agentes corregían los mismos errores. La solución: usar GCC como "oráculo de referencia" para distribuir aleatoriamente los archivos a compilar. Cuarto, especializar a los agentes por rol (deduplicación, optimización, revisión de diseño, documentación) maximiza la eficiencia.

Progresión de los modelos: el artículo también sirve como banco de pruebas de capacidades. Opus 4 apenas produjo un compilador funcional, Opus 4.5 permitió que el primer compilador superara las suites de pruebas, y Opus 4.6 empuja los límites al compilar proyectos reales a gran escala.

Preocupaciones de seguridad: el autor, apoyándose en su experiencia en pentesting, señala que superar los tests no garantiza la corrección del software. El despliegue autónomo de código no verificado por humanos representa un riesgo real que exige nuevas estrategias de seguridad. El código fuente está disponible en GitHub (anthropics/claudes-c-compiler).