Код Клода переписывает SQL-парсер PostHog с ускорением в 70 раз – как работают тестирование на основе свойств и параллельные агенты
Инженер PostHog Робби Кумбер использовал несколько длительных параллельных сессий Claude Code для переписывания своего SQL-парсера, добившись ускорения примерно в 70 раз по сравнению с существующим ANTLR-парсером на C++. Новый парсер содержит 16 тысяч строк вручную написанного кода на Rust, а также 5 тысяч строк инструментов и тестов.
Зачем переписывать?
PostHog транслирует пользовательский SQL в сырой ClickHouse SQL для логических представлений данных и оптимизаций. Парсер преобразует SQL в AST для последующего контроля доступа и оптимизации. Старый ANTLR-парсер использовал универсальный интерпретатор обхода графа (ATN — NFA со стеком) с произвольным динамическим просмотром вперед, что было медленно, несмотря на реализацию на C++. Собственные рекурсивные парсеры с нисходящим разбором по умолчанию быстрее.
Подход: параллельные сессии агентов + оракул TDD
- Тестировались два подхода параллельно: один, ориентированный на производительность (рекурсивный спуск с синтаксическим анализом Пратта), другой — на корректность (имитация поведения ANTLR с явным кодом). Оба сработали одинаково хорошо.
- Существующий C++-парсер использовался как оракул для выявления расхождений — находились SQL-запросы, где парсеры различались, новый парсер исправлялся, и процесс повторялся.
- Property-based тестирование генерировало бесчисленные вариации SQL, включая тест на
SELECT SELECT FROM FROM WHERE WHERE AND AND(допустимый SQL). - Новый парсер согласуется с оракулом для всех реалистичных запросов; различия возникают только для патологических запросов.
Результаты
Ускорение в 70 раз при парсинге. Итоговый парсер использует рекурсивный спуск с просмотром вперед и возвратами только там, где это необходимо. Кумбер отмечает, что без ИИ написание и поддержка такого собственного парсера заняли бы месяцы и, вероятно, не оправдали бы усилий. С Claude Code это стало возможным.
Ключевой вывод
Этот пример показывает, что параллельные сессии ИИ-кодирования в сочетании с property-based тестированием и оракулом для разработки через тестирование могут радикально улучшить производительность критического кода. Метод — использование агентов для переписывания ключевой инфраструктуры с опорой на автоматическое обнаружение расхождений — применим и для других проектов.
📖 Источник: HN AI Agents
👀 Смотрите также
Бенчмарки производительности локальных LLM на Mac Mini с OpenClaw и LM Studio
Пользователь Reddit опубликовал показатели производительности для локального запуска модели Unsloth gpt-oss-20b-Q4_K_S.gguf на Mac Mini с 32 ГБ оперативной памяти, достигнув 34 токенов в секунду с временем до первого токена 0,7 секунды с использованием OpenClaw 2026.3.8 и LM Studio 0.4.6+1.
Метод эволюции кода утраивает производительность LLM на тесте ARC-AGI-2
Исследователи достигли улучшения в 2,8 раза на бенчмарке ARC-AGI-2, используя эволюцию кода с открытыми весами моделей, достигнув точности 34% при стоимости $2,67 за задачу. Тот же метод позволил повысить точность Gemini 3.1 Pro до 95% при стоимости $8,71 за задачу.
bareguard: Легковесная система безопасности для AI-агентов — теперь в npm
bareguard v1.0 — это слой безопасности для AI-агентов, состоящий из ~1000 строк кода с одной зависимостью, который блокирует деструктивные действия (rm -rf, DROP TABLE) и обеспечивает контроль бюджета с возможностью эскалации человеку. Входит в состав bare suite, доступен на npm.
Логира: Аудит среды выполнения eBPF для запусков AI-агентов
Logira — это инструмент командной строки для Linux, работающий только в режиме наблюдения. Он записывает события выполнения, файловые и сетевые события через eBPF во время запусков ИИ-агентов, с локальным хранилищем на каждый запуск в форматах JSONL и SQLite, а также со встроенными правилами обнаружения для доступа к учетным данным, изменений постоянства и подозрительных шаблонов.