Как Anthropic ускорила claude.ai втрое за две недели с помощью ИИ
Hacker News · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Команда Anthropic провела двухнедельный спринт, в ходе которого скорость загрузки и отклика интерфейса claude.ai и десктопного приложения выросла примерно в три раза. Ключевым инструментом стала модель Claude, которая самостоятельно находила узкие места, создавала бенчмарки и внедряла оптимизации под контролем инженеров.
Материал демонстрирует новый подход к разработке производительности, где ИИ-агент выступает не просто помощником, а активным участником цикла «измерение — оптимизация — контроль». Это показывает, как автоматизация рутинных задач по профилированию и тестированию позволяет достигать значительных улучшений UX в сжатые сроки без потери стабильности.
В августе команда разработчиков Anthropic поставила перед собой задачу радикально повысить скорость работы claude.ai и десктопного приложения. По их словам, пользователи давно жаловались на медленную отклик интерфейса, и данные подтвердили эти претензии. За две недели спринта ключевые метрики времени до появления редактируемой страницы снизились с 3,1 секунды до 0,55, а загрузка облачных сессий Claude Cowork — с 2,6 до 0,73 секунды. В совокупности это экономит десятки тысяч часов ожидания пользователей ежедневно.
Процесс строился вокруг единого канала в Slack, где модель Claude (использовалась внутренняя версия, сопоставимая по возможностям с Opus 5.5) работала бок о бок с инженерами. ИИ анализировал данные через Datadog MCP server, выявляя четыре основных пользовательских сценария, на которые приходится 95% активности. Для каждого сценария были установлены четкие метрики, а Claude оценивал потенциальный выигрыш в миллисекундах для каждого из двадцати запланированных проектов.
Одной из главных инноваций стало создание лабораторных бенчмарков, позволяющих ИИ оптимизировать код без ожидания данных из продакшена. Например, Claude профилировал пути выполнения с помощью Valgrind и обнаружил, что значительная часть инструкций тратится на многократное разрешение одного и того же идентификатора сообщения. После оптимизации количество инструкций снизилось на 48%, а реальное время выполнения — на 78%. Эти метрики стали «решетами» в CI: любой пулл-реквест, ухудшающий показатели, автоматически отклонялся.
Интересным кейсом стала борьба с визуальными артефактами. Инженеры заметили, что элементы сайдбара появляются с задержкой, хотя метрика Cumulative Layout Shift была в норме. Claude создал специальный телеметрийный событийный поток, отслеживающий источники смещения макета, и обнаружил, что 31% загрузок страницы содержали изменения после того, как интерфейс стал пригодным для работы. ИИ последовательно исправлял виновников: от запаздывающих строк заголовков до появления ползунка прокрутки.
Еще одной находкой стала проблема с кодировкой символов. При выделении синтаксиса в коде, содержащем не-латинские символы (например, тире), V8 переключался на медленный путь обработки UTF-16, что вызывало зависание страницы на секунду. Claude предложил простое решение — копировать блоки кода в однобайтовую строку перед обработкой, что устранило проблему.
Важно отметить, что процесс не был полностью автономным. Инженеры выступали в роли «кураторов вкуса», принимая решения о компромиссах между скоростью и сложностью кода. Они также контролировали амбициозность задач, поощряя ИИ искать более глубокие оптимизации, а не останавливаться на первых результатах. За две недели было внедрено более 3000 изменений без единого инцидента, связанного с откатом.
Результатом стала система, где измеримость становится главным драйвером прогресса. Как отметил один из инженеров, даже полгода назад он не поверил бы, что такой уровень автоматизации оптимизации возможен. Сейчас команда продолжает работу, расширяя фокус на другие сценарии и более сложные случаи, а также вносит вклад в upstream-проекты вроде Electron и Chromium.