Jinsi mchakato wa kuandika upya ulivyofanyika

Anthropic ilinunua Bun mnamo Desemba 2025 na kuanza mchakato wa kubadilisha codebase yake ya Zig kuwa Rust. Kampuni ilitumia toleo la awali la Claude Fable 5—LLM ambayo haikuwa inapatikana kwa mtu mwingine wowote wakati huo. Nakala sitini na nne za modeli hiyo zilifanya kazi kwa pamoja, zikitengeneza takriban mistari 1,300 ya kodi kwa dakika kwa jumla.

Mhandisi mkuu Jarred Sumner hakukabidhi tatizo hilo kwa mawakala (agents) na kuondoka. Kwanza, alitumia saa nyingi kuandaa mwongozo uliounganisha mifumo ya Zig na inayolingana na Rust. Jaribio la faili tatu lilimruhusu kurekebisha matokeo ya mawakala kabla ya kushughulikia repository nzima. Kwa kila mabadiliko ambayo mawakala walipendekeza, mawakala wawili wa "upinzani" (adversarial) waliupitia, na Sumner alitazama mchakato mzima mubashara kwa kipindi chote cha siku 11.

Uhasibu wa ndani wa Anthropic uliandikisha dola 165,000 za matumizi ya tokeni. Idadi hiyo inaakisi tu mawasiliano ya API yaliyofanywa kabla ya kodi kuunganishwa kwenye tawi kuu (main branch).

Gharama iliyofichika

Kiasi cha dola 165,000 hakijajumuisha nguvu za kompyuta (compute) zinazohitajika ili kuimarisha kodi mpya ya Rust. Marekebisho baada ya kuunganishwa, mchakato wa uunganishaji endelevu (continuous-integration), na majaribio ya ziada yanaweza kuongeza jumla ya matumizi, kulingana na uchambuzi wa ndani. Makadirio hayo yanatumia bei za API za umma; kwa sababu Claude Fable 5 ilikuwa toleo la awali la faragha, bei halisi iliyolipwa inaweza kutofautiana.

Kasi dhidi ya usalama

Mchakato huo wa kuandika upya ulizalisha runtime ya Rust inayofanya kazi kwa kasi zaidi kuliko toleo la awali la Zig, lakini pia uliacha mzigo mkubwa wa ukaguzi (audit backlog). Takriban 4% ya faili mpya za Rust zilizozalishwa zina sehemu za "unsafe"—kodi inayopita mipaka ya usalama mkali ya Rust. Miradi ya Rust inayoundwa kwa mikono kwa kawaida huonyesha asilimia ndogo zaidi, ikimaanisha kuwa wakaguzi sasa lazima wathibitishe kwamba sehemu hizo hazileti hitilafu za kuharibu kumbukumbu (memory-corruption bugs).

Matokeo ya mawakala yangekuwa hayana maana bila utaalamu wa Sumner. Hata kwa mistari 1,300 kwa dakika, kodi inahitaji msimamizi mwenye ujuzi ili kukamata makosa ya kimantiki, kuhakikisha uwiano wa usanifu (architectural coherence), na kuthibitisha kuwa seti ya majaribio inahusisha utekelezaji mpya kikamilifu.

Wakati AI inapotia mchango mkubwa, na wakati haifanyi hivyo

Uhamishaji wa Bun ulikuwa tafsiri ya mfano: lugha moja kwenda nyingine, huku seti kamili ya majaribio ikiwa tayari imewekwa. Mpaka huo safi uliipa LLM lengo la wazi na kupunguza hitaji la utatuzi wa matatizo wa kibunifu. Hata hivyo, kazi nyingi za programu huhusisha mabadiliko ya kanuni za biashara, kushughulikia mahitaji yasiyo wazi, au kujenga vipengele vipya kuanzia mwanzo. Katika mazingira hayo magumu zaidi, kiwango sawa cha msaada wa AI kina uwezekano mdogo wa kutoa kasi au faida za gharama zinazofanana.

Wapendaji wa maendeleo yanayoongezewa nguvu na AI huashiria takwimu za uzalishaji wa kodi—maelfu ya mistari inayozalishwa kwa dakika chache—kama uthibitisho kwamba mifano mikubwa ya lugha (LLMs) inaweza kuchukua nafasi ya timu kubwa. Kisa cha Anthropic kinapunguza mtazamo huo: gharama kuu ya tokeni haijajumuisha gharama kubwa za kompyuta zinazohitajika kwa uhakiki baada ya kuunganishwa, na deni la usalama linalotokana na kodi ya "unsafe" litahitaji juhudi za kibinadamu ili kutatuliwa.

Nini cha kufuatilia baadaye

Anthropic haijafichua ikiwa inapanga kutumia mchakato uleule unaoongozwa na Claude kwenye codebase nyingine. Ikifanya hivyo, kampuni itahitaji kuzingatia gharama ya mzunguko mzima wa maisha, si tu bili ya tokeni. Watazamaji wanapaswa kufuatilia:

  • Jinsi mzigo wa ukaguzi unavyopungua kwa haraka na ikiwa sehemu ya "unsafe" itashuka wakati wakaguzi wanapofanya marekebisho ya kodi (refactor).
  • Ikiwa mchakato wa baadaye utatumia modeli iliyoiva zaidi ambayo inaweza kununuliwa hadharani, jambo ambalo linaweza kufanya makadirio ya gharama kuwa wazi zaidi.
  • Athari kwa upatikanaji wa Bun: mifumo ya utendaji ya haraka inaweza kuvutia watumiaji, lakini wasiwasi wowote wa usalama unaweza kupunguza faida hiyo.

Hitimisho

AI inaweza kuharakisha tafsiri rahisi za kodi, lakini gharama za kompyuta za baadaye na uhakiki wa kibinadamu zinaweza kula akiba inayopatikana kutokana na bili ya tokeni. Mchakato wa kuandika upya Bun unaonyesha kuwa ingawa mifano mikubwa ya lugha inaweza kutoa kodi nyingi kwa haraka, utaalamu wa kibinadamu unabaki kuwa muhimu kwa usalama, usahihi, na kazi za kina zinazoendesha miradi mingi ya programu.