十六个 Claude 智能体构建了一个 C 编译器，由测试框架和 GCC 参照物引导

2026 年 2 月，Anthropic 研究员 Nicholas Carlini 描述了他让 16 个 Claude Opus 4.6 实例在一个共享代码库上自由协作、从零构建一个 C 编译器的过程。据 Ars Technica 报道，在两周时间里、近 2,000 次 Claude Code 会话中，花费约 20,000 美元的 API 费用，他们产出了一个 100,000 行的 Rust 编译器，能够在 x86、ARM 和 RISC-V 上构建可启动的 Linux 6.9 内核。

每个实例运行在自己的 Docker 容器中，通过写入锁文件来认领任务，并将工作推送到上游，没有编排智能体。Carlini 发现冗长的测试输出会污染上下文窗口，因此他让测试运行器只打印摘要行。一种快速模式只抽样 1-10% 的测试，因为 Claude 没有时间感。

当所有 16 个智能体都卡在同一个内核缺陷上时，他把 GCC 当作参照物，用 GCC 编译大多数内核文件，只用新编译器编译其中一部分，这样智能体们就在处理不同的缺陷。

在环境上下功夫：安静的测试输出、抽样的测试，以及一个 GCC 参照物，让每个智能体修复不同的缺陷。

冗长的输出让智能体们失去头绪，因此输出被保持简短。

抽样测试阻止了智能体们耗费数小时却毫无进展。

一个参照编译器把一个共享的缺陷变成了许多独立的任务。

一份定义明确的规范、测试套件和一个参照编译器，使这项任务格外适合智能体。

对于自主智能体而言，测试框架、验证器和上下文卫生对结果的决定作用不亚于模型本身。

该编译器通过了 GCC 折磨测试套件的 99%，并编译了 PostgreSQL、SQLite、Redis、FFmpeg 和 QEMU 以及 Doom 等项目。Ars Technica 列出了几点保留意见：它在 16 位 x86 启动时调用 GCC，汇编器和链接器存在缺陷，生成的代码效率低于未优化的 GCC，并且在约 100,000 行时性能下降。它还指出，这 20,000 美元不包括训练和人工脚手架，并对“洁净室”这一标签提出了质疑。