腾讯 teamai-cli：用 Git 管理 11 种 AI 编程工具的 skills/rules/MCP，配置不再跟着人走
项目地址：Tencent/teamai-cli
项目简介
公司里最会用 AI 的那个人，经验通常留在自己电脑上。等他离职，Claude 的 skills、Cursor 的 rules、Codex 的 MCP 配置，也跟着走了。
teamai-cli 是腾讯在 9 月初开源的一款命令行工具，Slogan 是 Make Every Team AI Native，目标是让每个团队都 AI Native。
它的核心思路很朴素：把团队里 Claude Code、Codex、Cursor、CodeBuddy、WorkBuddy、OpenCode、DeepSeek Harness 等 11 种主流 AI 编程工具的 skills / rules / docs / hooks / MCP / env，统一放进一个 Git 仓库，通过 push → MR → merge → pull 这条工作流，自动同步到每个成员的本地 AI。
它把团队里散落在个人本地的「AI 配置方言」，翻译成全队通用的「普通话」——谁用 Claude，谁用 Cursor，都能拿到同一套经过审核的规则和技能。
它不需要中心化服务，也不需要额外的 SaaS，只用 Git。
核心特性
跨 11 种 AI 编程工具，一套配置全打通
teamai-cli 主打「多 Agent by design」，不是只服务某一个 AI 工具。它把团队资源按照各 Agent 原生目录结构分发出去：Claude 的 ~/.claude/skills/、Cursor 的 ~/.cursor/skills/、Codex 的对应目录……执行 teamai pull，资源就会到位。
支持的工具有 Claude Code、Codex、Cursor、CodeBuddy、WorkBuddy、OpenCode、DeepSeek Harness、Qoder、ZCode、Hermes、OpenClaw。不同 Agent 在 hooks、recall 这些高级能力上的支持深度略有差异。
以前一个团队要凑齐「Claude 用户 + Cursor 用户 + Codex 用户」的统一规范，需要各自维护。现在只需要维护一份共享仓库，各取所需。
Git 原生分发，流程就是开发者熟悉的流程
teamai-cli 没有发明新协议，分发机制就是 Git 工作流：
teamai push → 自动创建分支 + MR → 审核人审批合并
↓
SessionStart hook → teamai pull → 同步到本地所有 AI 工具
写好一个 skill，执行 teamai push，自动开 MR；管理员合并后，下一次团队成员打开 AI 会话时，SessionStart hook 自动执行 teamai pull，静默同步。
不需要通知大家、不需要培训、不需要写变更通知邮件，AI 会话会自动更新。
四层能力：不只是同步，更是团队知识基础设施
teamai-cli 围绕 AI 的 Harness 层，搭了一套四层能力体系：
- 第一层：Harness 管理与分发——Skills、Rules、Docs、Hooks、Env、MCP 全量 Git 管理，一键分发。
- 第二层：跨团队技能订阅——通过
teamai source add，可以订阅其他团队公开的技能仓库。安全团队出一套代码审计 skill，前端团队写一套组件规范 skill，订阅即同步。 - 第三层：经验驱动的知识库——teamai-cli 内置了一套「摩擦信号」机制：每次会话结束时，Stop hook 会自动打分——你打断了 AI 几次？有没有拒绝它的工具调用？AI 反复重试失败的命令？真较劲过的会话，系统会主动提示你沉淀经验。又长又顺的会话不触发，只有真正踩过坑的会话才会变成团队的公共资产。
- 第四层：知识召回与复用——通过
teamai recall子代理，基于 BM25 + 图谱增强排序，让 AI 在任务开始前先搜团队知识库，还会先做一次相关性预检，与本任务无关就直接跳过，避免无关打扰。
角色与权限：DevOps、PM 用不同的 Skill 包，互不干扰
不是所有人都需要同样的技能。后端需要部署和数据库调优的 skill，前端需要组件构建的 skill，PM 可能只要项目文档和需求管理。
teamai-cli 通过 manifest/roles.yaml 实现基于角色的技能隔离。每个角色绑定不同命名空间，成员执行 teamai roles set backend 选好角色后，pull 只会同步对应命名空间下的技能。
也支持主角色 + 附加角色组合：teamai roles set backend --add pm，主用后端技能，同时也能看 PM 的规范文档。
怎么用
上手分四步，前后不到十分钟。
第一步：安装
需要 Node.js ≥ 20，直接 npm 全局安装：
npm install -g teamai-cli
teamai --version
第二步：管理员初始化（整个团队只需做一次）
在 GitHub / GitLab / GitCode / CNB / TGit 或私有 Git 服务上建一个空仓库，建议命名 TeamAi-<团队名>，给成员开写权限，然后：
# 项目级（默认，资源装在项目目录下）
teamai init https://github.com/yourorg/TeamAi-yourteam
# 或者用户级（资源装在 ~/ 下，跨项目通用）
teamai init https://github.com/yourorg/TeamAi-yourteam --scope user
如果还没建仓库，可以从 teamai-hub 上 clone 一个预装了「生产级 skills / rules / review agents」的模板，再执行 teamai init。
第三步：团队成员接入
npm install -g teamai-cli
cd /path/to/my-project
teamai init https://github.com/yourorg/TeamAi-yourteam
从此每次打开 AI 会话，自动同步最新资源。不用再手动 pull。
第四步：日常使用
分享资源到团队：
teamai push # 检测变更，创建 MR 等待审核
teamai push --all # 跳过确认，直接推送
手动同步（一般不需要，因为是自动的）：
teamai pull # 拉取最新
teamai pull --dry-run # 预览一下，不实际改
进阶玩法，跨团队订阅别人的 skill：
teamai source add https://github.com/other-team/teamai-public.git --name other-team
teamai source browse other-team # 查看对方仓库内容
一键开启知识召回：
teamai recall enable # AI 做事前会先搜一下团队知识库
teamai recall "GPU 内存溢出" # 手动搜一次
看团队 AI 使用数据面板：
teamai dashboard --port 8080
效果长啥样
推了 skill、开了 recall、跑了一阵后，打开 teamai dashboard 看一眼：
- 本周 Tokens：全队累计消费一目了然，模型成本可控。
- 平均干预率：每个会话里你打断/纠正 AI 的次数——intervention 越低，说明团队共享的 skills/rules 越有效。
- 本周会话数：谁在用、用了多少，方便 leader 看到 AI 渗透率。
- KB Health（内置页面）：知识库覆盖度、被高频召回的条目、沉默条目（写了没人查）、维护建议。
还有个更硬核的能力——把整个代码库变成结构化知识图谱：
执行 teamai import --from-org myorg，会把组织所有仓库解析成 components / interfaces / configs / 跨仓库 import 边的结构化图谱，落到 teamwiki/。下次 AI 检索时，带着「地图」去改代码，不再从头探索整个仓库。
为什么值得用
- 对个人：你调教出来的「Claude skills 模板」「Cursor rules 套路」，不会因为换电脑或重装系统而消失，统一沉淀在团队仓库里。
- 对开发者：从代码评审到 skill 评审，延续的是同一条工作流。提个 MR 就能让全队所有人明天的 AI 会话变得更好。
- 对企业：合规、安全、编码规范可以以 skill / rule 的形式强制下发，新人入职第一天 AI 就「学会了公司规范」，不需要老带新一对一教。
- 对 AI 工具选型：今天用 Claude，明天全员迁移到 CodeBuddy，迁移成本从「重写所有配置」变成「
teamai pull一把」。
腾讯做基础设施一向的风格，没有颠覆式概念，就是把团队协作里最痛的「小事」解决了。
收尾
最近两年 AI 编程工具的迭代很快，模型换了一茬又一茬。但有一个朴素的问题：我们给 AI 花了那么多时间调教的那套东西，能不能带走？能不能复用？能不能共享？
teamai-cli 给出的答案很务实：就用 Git，把 skills / rules / 经验全部装进去，按已经跑通的协作流程流转。
不花哨，但每一步都踩在开发者最熟悉的节奏上。