团队 AI 编码治理：腾讯开源的 TeamAI CLI 用 Git 做配置分发与团队记忆
团队用 AI 编码，常见的几个问题：
同组五个人，有人用 Claude Code，有人用 Codex，有人用 Cursor。每人的 skills、rules、hooks 都配在自己本地，格式互不兼容。某个人调通了一套好用的 prompt，没沉淀到团队，他一离组，经验跟着蒸发。
踩坑两小时搞定的端口冲突、K8s OOM 排查路径，只留在那一次会话里。下一周别人遇到同样的问题，AI 会话照样再踩一遍。团队层面没有记忆。
更隐性的是——管理者不知道团队实际怎么用 AI。token 花在哪、人工干预率多高、哪些 skill 真在被调、哪些是僵尸，全是黑箱。
腾讯把内部用了半年的 TeamAI CLI 开源了，针对的就是这几个问题。MIT 协议，GitHub 4.1k Stars，仓库地址：github.com/Tencent/teamai-cli。
TeamAI CLI 项目封面
这是什么
TeamAI CLI 定位是「团队级 AI 编码配置与知识分发中枢」。用 Git 仓库做唯一事实来源，把团队统一的 skills、rules、hooks、MCP 配置和经验知识，同步到每个成员本地的 Claude Code、Codex、Cursor、Qoder、CodeBuddy 等十余种 AI 编码工具里。一次配置，全员生效，不绑定任何单一工具。
它解决的不是「AI 能不能写好代码」，是「团队用 AI 写代码」这件事的治理问题。
TeamAI Logo
三层架构，一层对一个痛点
TeamAI 把产品拆成三层，一层对一个痛点。
Team Execution：统一分发，治配置碎片化
Git 仓库是唯一事实来源。管理员维护 skills、rules、hooks、MCP 配置，push 到仓库后走 MR 评审，合并之后由 SessionStart hook 自动 pull 到每位成员本地的 AI 工具里。CLI 负责把统一声明翻译成各工具的原生格式——Claude Code 一套写法、Cursor 另一套写法，团队成员不用关心。
分发可以按角色、按标签精细过滤。后端同学不接收前端的 skill，新人不接收高级权限的 MCP。还能订阅其他团队的公共仓库做组合。Git 托管平台不限，GitHub、GitLab、CNB、私有 Git 都行。
一条命令初始化：
npm install -g teamai-cli
teamai init https://github.com/yourorg/yourrepo
之后每个 AI 会话启动时自动拉取最新配置。
Team Context：团队记忆，治经验蒸发
这一层是整个设计的重点。写入侧靠「摩擦信号」过滤——只有你打断过 AI、拒绝过工具调用、或者 AI 反复重试失败的会话，才会提示你总结成经验推送到团队仓库。顺滑的会话不产生噪音。这个设计避开了「每会话都提醒记录」的疲劳，只留下真正有价值的卡点。
读出侧叫 teamai recall。任务开始前，子代理自动检索团队知识库，本地用 BM25 索引加代码知识图谱增强排序，零外部数据库依赖。数据全在本机，部署门槛低，隐私敏感团队也敢用。
teamai import 还能把代码仓库解析成结构化图谱。TypeScript、Python、Go 走 tree-sitter AST 提取依赖边，Java、Rust 这些走正则启发式轨道，AST 结果重叠时优先。AI 检索时不只搜文档，能直接定位源文件入口。
Team Improvement：飞轮闭环，治治理盲区
teamai digest 出每周团队摘要，token 用量、干预率、skill 调用次数都有。teamai dashboard 是个 Web 看板，包含知识库健康监控。teamai recall promote 把高价值经验晋升为正式 skill，recall maintenance 清理过时条目。每一次执行都沉淀为团队能力，而不是随会话蒸发。
实测体验
装起来简单，npm 全局安装一行。第一次 init 要走 OAuth 登录、链接仓库、注册成员、注入 hooks，五分钟搞定。
日常用得最多的几个命令：
teamai pull：拉取团队资源到本地。teamai push：推送本地资源到分支并创建 MR。teamai status：看本地和团队仓库的差异。teamai recall：搜知识库。teamai contribute：把当前会话经验分享到团队。
跑下来几个真实感受。
配置分发的体验是立竿见影的。新人入项目，clone 仓库、teamai init、打开 Claude Code，所有 skill、rule、MCP 自动到位，不用再手把手教配置。
摩擦信号过滤这个设计需要适应。第一次 AI 反复失败时，会提示运行 /teamai-share-learnings，一开始觉得打断，但沉淀下来的经验质量确实高，比那种「每会话都问要不要记录」的工具好用。
代码知识图谱在大项目里价值明显。几百个仓库的微服务架构，AI 以前只能靠文件名猜入口，现在能直接拉出调用链。teamai import 跑一次要时间，但跑完之后召回准确度明显提升。
适用门槛要说清。5 人以下团队、纯个人使用，这个工具偏重，维护 Git 仓库的成本大于收益。单人用 Claude Code 自带的 skills 加 .claude/ 目录足够。TeamAI 的价值在团队规模起来之后才显现——配置统一、经验沉淀、治理可见，这三件事在团队场景下是刚需。
不适合的场景也要说：关键基础设施的深度渗透评估，这工具替代不了；合规审计的硬性要求，TeamAI 的 digest 是辅助，不是合规材料本身。
生态趋势：从单 Agent 能力，到团队级 Harness
把视角拉远一点看。2024、2025 这两年，AI 编码工具的竞争集中在「单个 Agent 能不能写好代码」——Claude Code 的上下文管理、Cursor 的补全质量、Codex 的多文件理解。到了 2026 年，单 Agent 能力差距在缩小，竞争的主战场往上挪了一层：团队级 Harness 和记忆系统的标准化。
TeamAI 占的生态位比较明确。它不和 Claude Code、Cursor 竞争，反而做它们下方的「配置分发 + 知识记忆」层。所有 AI 工具都是它的下游，它用 Git 做事实来源、用评审流程做治理、用摩擦信号控制信噪比。这种定位让它成了 AI 编码工具生态的基础设施——具体哪个 Agent 跑赢不重要，配置和记忆的统一才是底层。
记忆系统标准化是另一个值得盯的方向。BM25 加代码知识图谱只是起点，后面大概率会演化出团队间记忆共享协议、跨组织知识 marketplace。TeamAI 的 source 订阅机制已经在这个方向上探了一步。
收尾
适合用 TeamAI 的人：5 人以上、多工具混用、认真在生产环境用 AI Coding 的团队。Tech Lead 想统一配置，工程管理者想要治理可见，AI 工具生态观察者想理解 Harness 层演进，这几类人值得关注。
不适合：个人开发者、小团队、没把 AI 编码当生产工具用的场景。维护 Git 仓库的治理成本对你们大于收益。
几个使用提醒。它依赖团队有人懂 Git 评审流程，纯前端团队可能需要先补这课。代码知识图谱的 import 对大仓库耗时，建议夜间跑。团队记忆默认本地存储，但如果团队有强合规要求，需要自己再封装一层审计。
获取方式：GitHub 搜 Tencent/teamai-cli，npm 安装 teamai-cli。从 teamai-hub 的模板仓库开始上手更快。
腾讯这次开源的是团队 AI 治理的一种实现：配置统一、记忆沉淀、治理可见。这几件事正在从可选项变成团队级 AI 编码的基础设施。