Zed Industries entwickelt ein Versionskontrollsystem für den Kontext von KI-Agenten in Rust

Zed Industries hat DeltaDB vorgestellt, ein neues Versionskontrollsystem, das speziell dafür entwickelt wurde, den Kontext und die Schlussfolgerungen von KI-Agenten zu verfolgen. Ende Oktober 2026 veröffentlicht, zielt diese Infrastruktur darauf ab, das Problem des verlorenen Gesprächsverlaufs zu lösen, wenn Entwickler mit autonomen Coding-Tools zusammenarbeiten. Das System nutzt Rust und konfliktfreie replizierte Datentypen (CRDTs), um Bearbeitungen von Menschen und Agenten in einem einzigen kausalen Graphen zusammenzuführen.

Was passiert ist

Das Team hinter dem Zed-Code-Editor, der 2021 von Nathan, Max und dem Autor gegründet wurde, hat im vergangenen Jahr an Technologien gearbeitet, um die Zusammenarbeit von Teams mit Software-Agenten zu verbessern. Sie stellten fest, dass zwar Agenten die Codeproduktion beschleunigen, der kritische Denkprozess jedoch oft in flüchtigen Chat-Schnittstellen gefangen bleibt oder in unleserliche Commit-Nachrichten komprimiert wird. DeltaDB dient als ihre Lösung und erstellt eine dauerhafte Aufzeichnung des Agentenkontextes, die jede Codeänderung mit dem Gespräch verknüpft, aus dem sie hervorging.

DeltaDB ermöglicht es Benutzern, auf einen beliebigen Codeabschnitt zu zeigen und die vollständige Begründung dahinter wiederherzustellen. Es streamt Änderungen von Menschen und Agenten in Echtzeit und führt sie zu einem monoton wachsenden gerichteten azyklischen Graphen (DAG) zusammen. Diese Architektur stellt sicher, dass der Kontext hinter Softwareentscheidungen nicht verloren geht, sodass Entwickler abfragen können, warum bestimmter Code so aussieht, wie er aussieht – unabhängig davon, ob er von einem Menschen oder einer KI geschrieben wurde.

Wie es funktioniert

Im Kern ist DeltaDB eine Sammlung von CRDTs, die lokal in SQLite gespeichert und über einen gerichteten azyklischen Graphen verknüpft sind. Jeder Knoten in diesem Graphen, ein sogenanntes Delta, repräsentiert die kleinste Einheit einer Änderung. Dieses Design ermöglicht es Clients, offline Fortschritte zu erzielen und später zu synchronisieren, was die Resilienz gegen Netzwerkfehler gewährleistet. Das System ähnelt dem Ansatz von Eg-walker und verwendet einen DAG, um jeden Zwischenzustand darzustellen, anstatt sich auf Versionsvektoren zu verlassen, die unbegrenzt wachsen können, wenn Akteure Threads beitreten oder verlassen.

Um die Leistung zu handhaben, verwendet das System Copy-on-Write-B+-Bäume, um Momentaufnahmen kürzlich erfolgter Zustände zu cachen. Bei der Anwendung gleichzeitiger Bearbeitungen oder beim Durchblättern der Historie läuft die Engine zurück zum nächsten gecachten Vorfahren und spielt nur die erforderlichen Deltas ab. Diese Methode ist deutlich schneller als der Neuaufbau ganzer Zustände, da die meisten Knoten aus vorherigen Momentaufnahmen wiederverwendet werden und nur die Pfade modifiziert werden, die von neuen Änderungen betroffen sind. Textbearbeitungen sind strukturell definiert, was eine präzise Positionsidentifikation auch bei gleichzeitigen Modifikationen ermöglicht.

Die Synchronisation erfolgt über Zeitlinien, wobei jeder Client bestimmte Frontiers im DAG abonniert. Wenn ein Thread geteilt wird, tauscht eine WebSocket-Verbindung verpasste Deltas aus, indem ein gemeinsamer Vorfahre gefunden wird. Jeder Thread wird von einem separaten Cloudflare Durable Object verwaltet, was eine Share-nothing-Architektur schafft, die horizontal skaliert. Dieses Setup ermöglicht es mehreren Agenten und Menschen, gleichzeitig innerhalb eines einzelnen Threads zu schreiben, ohne dass traditionelle Git-Commits zur Koordination erforderlich sind.

Wichtige Details

• DeltaDB speichert alle Daten lokal in SQLite und verwendet einen gerichteten azyklischen Graphen, um CRDTs zu verknüpfen.
• Das System vermeidet Versionsvektoren zugunsten von DAG-Vorfahrenabfragen, um transiente Agenten zu behandeln.
• Copy-on-Write-B+-Bäume ermöglichen eine effiziente Reifizierung von Zuständen durch Wiederverwendung unveränderter Knoten aus Momentaufnahmen.
• Jeder Agenten-Thread läuft in seinem eigenen Cloudflare Durable Object, was horizontale Skalierung ermöglicht.
• Ein Rust-Makro namens #[derive(Replicate)] vereinfacht die Erstellung komplexer replizierter Strukturen.
• Zeitlinien ermöglichen parallele Arbeit durch Subagenten, deren Ergebnisse später in den Hauptthread zurückgeführt werden können.

Warum das wichtig ist

Für Ingenieure, die KI-integrierte Tools entwickeln, ist die Verwaltung der Zustandskonsistenz zwischen menschlicher Absicht und Agentenausgabe eine große Herausforderung. Aktuelle Workflows verlieren oft die Nuancen der Entscheidungsfindung, was die Prüfung oder das Verständnis automatisierter Änderungen erschwert. DeltaDB demonstriert einen praktischen Ansatz, um Agentengespräche als erstklassige Bürger im Versionskontrollsystem zu behandeln, anstatt sie als sekundäre Logs zu betrachten. Dieser Wandel ermöglicht zuverlässigere Zusammenarbeit und einfacheres Debugging von KI-generiertem Code.

Der Einsatz von Rust und CRDTs unterstreicht einen Trend hin zu lokalen-first-Softwarearchitekturen, die Reaktionsfähigkeit und Offline-Fähigkeit priorisieren. Durch die Entkopplung der Netzwerkdarstellung vom internen Zustand können Entwickler Systeme erstellen, die sich augenblicklich anfühlen, während sie starke Konsistenzgarantien beibehalten. Dieses Modell reduziert die Reibungsverluste bei der Echtzeit-Kollaboration und ermöglicht es Teams, nahtlos mit Agenten zusammenzuarbeiten, so wie sie miteinander arbeiten.

Was Sie tun können

• Bewerten Sie, wie Ihre aktuellen KI-Tools den Gesprächskontext für Codeänderungen speichern und abrufen.
• Erkunden Sie CRDT-Bibliotheken in Rust, wenn Sie Echtzeit-Kollaborationsfunktionen entwickeln.
• Erwägen Sie die Implementierung von Local-First-Speichermustern, um die Offline-Resilienz Ihrer Apps zu verbessern.
• Untersuchen Sie Cloudflare Durable Objects für zustandsbehaftete, skalierbare serverlose Komponenten.
• Lesen Sie das Eg-walker-Paper, um alternative Ansätze zur Konfliktlösung in verteilten Systemen zu verstehen.
• Experimentieren Sie damit, Gedanken von Agenten auf strukturierte Datenobjekte abzubilden, anstatt auf einfache Textlogs.