腾讯开源 teamai-cli：用 Git 管理团队 AI 编程配置的命令行工具

1 阅读

teamai-cli 是什么

teamai-cli 是腾讯近期开源的一款命令行工具（CLI），采用 MIT 协议。它的核心目标很明确：帮开发团队把 AI 编程助手的配置管起来。现在一个团队里可能有人用 Cursor，有人用 Claude Code，还有人用 Codex 或其他工具，每个人的本地配置五花八门，编码规范、安全规则、自定义工具（MCP）都不统一。teamai-cli 就是为解决这个问题而生的。

它把团队共享的 skills（技能模板）、rules（编码规则）、MCP（Model Context Protocol 工具）、hooks（事件钩子）、环境变量等资源，全部放进一个 Git 仓库。团队成员通过熟悉的 Git 工作流——push、提 Merge Request（MR）、审核合并、pull——来分发和更新这些配置。每次你打开 AI 编程工具开始新会话时，本地会自动拉取最新配置，确保所有人用的是同一套“AI 大脑设定”。

更进一步，teamai-cli 还尝试把个人经验变成团队资产。它能检测 AI 会话中的“摩擦信号”，比如频繁打断、拒绝生成、反复重试等行为，自动触发经验总结流程，把踩过的坑整理成文档推回团队仓库。下次类似问题出现，AI 就能主动从团队知识库里召回相关经验。

主要功能详解

统一配置，一份多用

teamai-cli 的核心是“一份配置，多端生效”。管理员在 Git 仓库里维护一套 YAML 格式的配置文件，涵盖以下内容：

  • skills：预设的提示词模板或任务流程，比如“生成单元测试”或“重构这段代码”；
  • rules：团队编码规范，如命名约定、注释要求、禁止使用的 API 等；
  • mcp：声明式定义的 MCP 工具，比如调用内部 API、查询数据库或执行脚本；
  • hooks：在特定事件（如会话开始、工具调用前）触发的自定义脚本，可用于安全扫描或合规检查；
  • env：环境变量，用于控制不同环境下的行为差异。

这些配置写一次，就能自动转换成 Cursor、Claude Code、Codex 等 9 款以上 AI 工具各自所需的原生格式，省去重复维护的麻烦。

Git 原生分发，零学习成本

团队不需要学新流程。配置变更通过标准 Git 操作完成：

  1. 开发者修改仓库中的配置文件；
  2. 执行 teamai push，工具自动创建特性分支并提交 MR；
  3. 管理员或指定审核人在 GitHub/GitLab 上审批合并；
  4. 其他成员下次启动 AI 会话时，SessionStart 钩子自动运行 teamai pull，同步最新配置到本地各 AI 工具目录。

这种模式对开发者极其友好——你每天都在用 Git，现在只是多管了一类文件而已。

按角色和主题精细化订阅

不是所有配置都适合所有人。teamai-cli 支持通过 Roles（岗位角色）、Tags（主题标签）和 Sources（外部源）实现精细化分发。

例如，前端团队可以打上 frontend 标签，后端打 backend；安全团队发布的 hooks 只对 security-reviewer 角色生效；某个公共 skill 包可作为独立 source 被多个团队订阅。这样既能保证核心规范统一，又保留了必要的灵活性。

摩擦信号驱动的知识沉淀

这是 teamai-cli 很有想法的一点。它认为，AI 会话中的“不顺畅”往往是宝贵经验的来源。当系统检测到以下行为：

  • 用户多次打断 AI 生成；
  • AI 拒绝执行某类请求；
  • 同一任务反复重试；

就会在会话结束后提示用户：是否要将本次经验沉淀为团队知识？如果确认，工具会自动：

  • 去除敏感信息（如路径、账号、内部 URL）；
  • 提取问题背景、错误现象、解决步骤；
  • 生成结构化文档并推入团队仓库的 learnings/ 目录。

这个过程通过命令 /teamai-share-learnings 触发，也可以配置为自动执行。

任务前自动召回团队知识

光有知识库还不够，得让 AI 主动用起来。teamai-cli 提供 teamai recall enable 命令，部署一个轻量子代理。此后，每次 AI 接到新任务前，它会：

  1. 分析任务描述；
  2. 在团队知识库中搜索相关文档（使用 BM25 算法）；
  3. 结合代码库知识图谱进行重排序；
  4. 将最相关的几条经验作为上下文注入提示词。

如果任务与现有知识无关，系统会自动跳过召回，避免干扰。

构建跨仓库代码知识图谱

为了提升召回准确性，teamai-cli 会解析项目源码的 AST（抽象语法树），并结合启发式规则（如 import 路径、函数调用关系）构建结构化依赖图。这个图谱不仅包含单个仓库，还能跨多个关联仓库建立连接，帮助 AI 更准确理解代码上下文。

例如，当你让 AI 修改一个微服务接口，它不仅能知道当前服务的实现，还能关联到调用方的使用方式，从而避免破坏性变更。

团队数据看板与周报

管理者可以通过 teamai dashboard 启动一个 Web 看板，查看：

  • 团队整体 AI 使用频率；
  • 高频摩擦场景分布；
  • 知识沉淀数量与质量；
  • 各成员配置同步状态。

此外，teamai digest 命令可生成去隐私化的周报摘要，方便团队复盘。

如何开始使用

安装和接入流程设计得相当简洁：

  1. 全局安装 CLI：npm install -g teamai-cli；
  2. 创建共享仓库：在 GitHub 或 GitLab 上新建一个私有仓库，授予团队成员写权限；
  3. 管理员初始化：运行 teamai init <仓库地址>，完成 OAuth 登录、仓库绑定和初始配置生成；
  4. 成员接入项目：每个开发者在自己的项目目录下运行同样的 teamai init 命令，选择“项目级”或“用户级”安装；
  5. 编写和推送配置：在仓库中添加或修改配置文件后，用 teamai push 提交 MR；
  6. 启用高级功能：如需知识召回，运行 teamai recall enable；想看数据，用 teamai dashboard。

整个过程不需要修改现有开发环境，也不强制替换你正在用的 AI 工具。

与竞品 Ruler 的区别

目前社区已有类似工具如 Ruler，但 teamai-cli 的定位更广。Ruler 主要聚焦于“规则（rules）”的统一管理，用 Markdown 文件定义编码规范，通过 ruler apply 手动分发到各工具。

而 teamai-cli 不仅管 rules，还覆盖 skills、MCP、hooks、env、learnings 甚至代码图谱，是一个完整的“团队 AI 协作基础设施”。它的分发机制也更自动化——依托 Git MR 工作流和 SessionStart 钩子，实现配置的持续同步，而非依赖手动命令。

此外，teamai-cli 内置的知识沉淀、召回和分析能力，是 Ruler 当前不具备的。

典型应用场景

场景一：多工具团队的配置统一

一个 20 人的前端团队，有人喜欢 Cursor 的界面，有人习惯 Claude Code 的响应速度，还有人用开源的 CodeBuddy。过去，每次更新 ESLint 规则或添加新的调试 MCP 工具，都要分别指导每个人手动配置，容易遗漏。

现在，管理员只需在 teamai-cli 仓库更新 rules/eslint.yaml 和 mcp/debug-tools.yaml，提个 MR。合并后，所有成员下次打开 AI 工具时自动生效，确保“同一份规范、同一套工具”。

场景二：新人快速上手

新入职的工程师小李，第一天就要参与核心模块开发。过去他得花半天时间配置 AI 助手：导入团队 prompt、设置安全钩子、安装内部工具链。

现在，他只需在项目目录运行 teamai init，选择项目级安装。几分钟内，所有团队沉淀的最佳实践、编码模板、安全策略就自动加载完毕。他可以直接问：“帮我按团队规范生成这个 API 的单元测试”，而不用担心格式不符。

场景三：安全合规兜底

公司要求所有 AI 工具调用内部接口前必须经过安全扫描。过去靠邮件通知+自查，总有疏漏。

现在，安全团队在 hooks/hooks.yaml 中定义一个 PreToolUse 钩子，调用内部扫描服务。只要团队成员接入了 teamai-cli 仓库，这个钩子就会自动生效。即使有人本地删了配置，下次 pull 也会恢复，形成强制管控。

场景四：踩坑经验变团队资产

上周，小王调试一个 Kubernetes 部署问题，花了三小时才发现是 ConfigMap 权限配置错误。过程中他多次打断 AI、反复重试。会话结束后，teamai-cli 提示：“检测到高摩擦会话，是否沉淀经验？”

他确认后，系统自动生成一篇《K8s ConfigMap 权限常见陷阱》文档，推入团队仓库。本周，小张遇到类似问题，AI 在任务开始前就召回了这篇文档，直接给出解决方案，节省了大量排查时间。

场景五：跨团队技能复用

基础架构团队开发了一套高效的日志分析 MCP 工具，并将其发布为独立 Git 仓库。业务团队通过 teamai source add https://github.com/infra/log-mcp 订阅该源。

Loomy

之后，业务团队的 AI 助手就能直接调用这套工具，无需重复开发。当基础团队更新工具时，业务团队通过常规 pull 流程即可同步，实现组织级最佳实践的流动。

总结

teamai-cli 并不是一个炫技的 AI 玩具，而是针对当前团队 AI 协作痛点的务实工具。它没有试图取代现有的 AI 编程助手，而是站在它们之上，提供一层标准化的配置管理和知识流转机制。

通过 Git 这个开发者最熟悉的媒介，它把分散的个人配置变成了可版本控制、可审核、可复用的团队资产。同时，借助摩擦信号检测和自动召回，它让“经验传承”这件事变得轻量且可持续。

对于已经开始规模化使用 AI 编程工具的团队来说，teamai-cli 值得一试。项目已在 GitHub 开源，地址是 https://github.com/Tencent/teamai-cli。