Sechzehn Claude-Agenten bauten einen C-Compiler, gesteuert durch Test-Harnesses und ein GCC-Orakel

Im Februar 2026 beschrieb der Anthropic-Forscher Nicholas Carlini, wie er 16 Instanzen von Claude Opus 4.6 auf eine gemeinsame Codebasis losließ, um einen C-Compiler von Grund auf zu bauen. Über zwei Wochen und fast 2.000 Claude-Code-Sitzungen hinweg, mit Kosten von etwa 20.000 US-Dollar an API-Gebühren, erzeugten sie einen 100.000 Zeilen umfassenden Rust-Compiler, der einen bootfähigen Linux-6.9-Kernel auf x86, ARM und RISC-V baut, wie Ars Technica berichtete.

Jede Instanz lief in einem eigenen Docker-Container, beanspruchte Aufgaben durch das Schreiben von Lock-Dateien und lud Arbeit upstream hoch, ohne einen Orchestrierungsagenten. Carlini stellte fest, dass ausführliche Testausgaben das Kontextfenster verschmutzten, weshalb er die Test-Runner so einstellte, dass sie nur Zusammenfassungszeilen ausgaben. Ein Schnellmodus testete eine Stichprobe von 1-10 % der Tests, weil Claude kein Zeitgefühl hat.

Als alle 16 Agenten beim selben Kernel-Bug feststeckten, nutzte er GCC als Orakel, indem er die meisten Kernel-Dateien mit GCC kompilierte und nur einige mit dem neuen Compiler, sodass die Agenten an unterschiedlichen Bugs arbeiteten.

Stecke Aufwand in die Umgebung: leise Testausgaben, Stichproben von Tests und ein GCC-Orakel, damit jeder Agent einen anderen Bug behebt.

Ausführliche Ausgaben ließen die Agenten den Überblick verlieren, daher wurden die Ausgaben kurz gehalten.

Die Stichproben der Tests verhinderten, dass Agenten stundenlang ohne Fortschritt arbeiteten.

Ein Referenzcompiler verwandelte einen gemeinsamen Bug in viele separate Aufgaben.

Eine klar definierte Spezifikation, Test-Suites und ein Referenzcompiler machten die Aufgabe ungewöhnlich gut geeignet für Agenten.

Bei autonomen Agenten entscheiden das Harness, der Verifier und die Kontext-Hygiene ebenso sehr über das Ergebnis wie das Modell selbst.

Der Compiler besteht 99 % der GCC-Torture-Test-Suite und kompilierte Projekte wie PostgreSQL, SQLite, Redis, FFmpeg und QEMU sowie Doom. Ars Technica nennt Einschränkungen: Er ruft GCC für den 16-Bit-x86-Boot auf, hat einen fehlerhaften Assembler und Linker, erzeugt weniger effizienten Code als unoptimiertes GCC und verschlechterte sich bei etwa 100.000 Zeilen. Außerdem merkte Ars Technica an, dass die 20.000 US-Dollar Training und menschliches Gerüst ausschließen, und bestritt die Bezeichnung „Clean-Room“.