10 月 10 日，腾讯云把一款自己内部用了很久的工具开源了：TeamAI，GitHub 仓库 Tencent/teamai-cli，MIT 协议，当天就冲上了 GitHub Trending。它解决的不是「AI 不够聪明」的问题，而是团队里更常见的另一种浪费——甲在 Claude Code 里调好的 Skill，乙在 Codex 里用不上；丙踩过的坑整理成文档，丁下周接着踩一遍。
我从它开源当天就把 CLI 装起来跑了一圈，本文记录安装、命令结构和两个真实踩坑，最后说说它适合谁、不适合谁。
TeamAI 到底是什么
一句话：用 Git 管理团队的 AI 资产。
它把团队日常用到的四类东西统一塞进一个 Git 仓库——Skill（技能包）、Rules（工作规范）、MCP 工具配置、子 Agent 编排，再加上项目知识文档。成员提交新的 Skill 时走的就是你熟悉的分支 + Pull Request 流程，评审合并后，支持「会话启动 Hook」的 Agent 会在每次新对话开始时自动拉取最新配置。用官方的说法，这叫「一人配置，全员复用」。
适配面是它最实在的部分：WorkBuddy、CodeBuddy、Claude Code、Codex、Cursor 等共 16 种 Agent。这意味着团队里不需要统一工具链——你用 Cursor、我用 Claude Code，各自接到同一个仓库上就行。按官方给出的数据，在一项覆盖 13 个典型研发任务的测试中，接入 TeamAI 后低算力模型的整体评分提升 6.1%，模型调用开销下降 76%——后一个数字的逻辑是团队把反复纠正、失败调用的经验沉淀成文档，Agent 下次直接检索参考，省掉重复试错。这组数据来自官方自测，我没有条件复现，仅供参考。
思路本身并不新鲜，新鲜的是把三样东西拼在了一起：Git 当存储和评审层（所以天然有版本历史和权限控制）、16 种 Agent 做分发终端、经验沉淀做成自动化机制（检测到反复纠正或工具调用失败时，会话结束会提示你把处理过程归档入库）。
实测：从安装到命令盘点的三步
我的环境：macOS + Node.js 22.22.2。npm 安装很快，69 个依赖 8 秒装完，npm 页面显示包名为 teamai-cli，当前版本 0.27.0：
npm install -g teamai-cli
teamai --version # 0.27.0
teamai --help--help 给出的命令结构值得整体看一遍，因为它基本就是整个工作流的骨架：
init 初始化（配置 Git provider、克隆仓库、注册成员）
push 把本地资源推送到团队仓库
pull 拉取团队资源并注入本地 AI 工具
status 查看本地与团队仓库的差异
list 列出资源（skills|rules|docs|env|agents|hooks|mcp）
skill 检查 Skill 详情（含本机已装的 Agent Skill 目录扫描）
doctor 诊断配置问题
roles 管理团队角色与资源命名空间
projects 多项目资源分发
uninstall 移除本机所有 teamai 管理的资源与 Hook设计上有个细节我挺认可：remove、uninstall 这类破坏性命令都留了 --dry-run 预览模式，先看会发生什么再动手。这对一个会往你各个 Agent 目录里写文件的工具来说，是必要的克制。
真正上手也是从一条自然语言指令开始，README 的建议是把这句话直接发给你的 AI 工具：
Install the teamai skill: https://github.com/Tencent/teamai-cli/tree/main/skills/teamai , load the teamai skill, then set up TeamAI for my team from scratch.也就是说日常操作不是背命令，而是在 Agent 对话里说「/teamai 帮我从零搭建 TeamAI」「/teamai 把我的 xxx skill 分享给团队」。CLI 只是兜底的显式入口。
踩坑实录：两处不成熟的地方
第一次跑就撞上了。安装完直接执行 teamai list skills（忘了先 init），它没有给你友好的提示，而是抛了一整屏未捕获的异常栈：
NotInitializedError: teamai is not initialized. Run `teamai init` first.
at throwMissingOrInvalid (dist/index.js:8990)
...
Node.js v22.22.2错误信息本身是对的，但一个面向普通用户的 CLI 在未初始化这个必然高频的场景上直接甩堆栈，体验只能说还差一层壳。同样情况下 teamai doctor 的表现就好得多——明确列出「未初始化」并给出下一步该跑哪条命令。所以我的建议是：装完先跑 doctor，别先跑 list。
第二个坑：--dry-run 对 init 不生效。我试了 teamai init --dry-run，它如实回复「teamai init has no –dry-run preview, nothing was run」——诚实，但说明预览模式没有覆盖最该预览的初始化命令，因为 init 会克隆仓库、往项目里写配置。初始化阶段建议找个空目录或测试项目先走一遍。
它适合谁、不适合谁
先说不适合的：单人单机用户。TeamAI 的全部价值都在「团队共享」上，你一个人用，等于给自己套了一层 Git 仓库的维护成本，Skill 直接放在本地 Agent 目录里就够了。同样，如果你的团队还卡在「要不要用 AI 编程工具」这一步，先解决使用问题再谈资产管理。
适合的是这几类：
- 5 人以上的研发团队，成员分散在多种 Agent 工具上，规范和 Skill 各管各的，靠群里发文件同步；
- 有代码评审文化的团队——TeamAI 的 PR 评审流程对这类团队零学习成本，Skill 变更可以像代码一样被 Review；
- 外包或多项目并行团队，
roles和projects的命名空间隔离正好对应「这个项目的规范不能泄漏到那个项目」的需求。
放到最近这条线上看更有意思。之前我写过Agent Reach 实测：给 AI Agent 装上联网能力和bigarrow：让 Agent 在屏幕上画箭头，都是给单个 Agent 补单点能力；Claude Code Mods 是改写单个工具的行为。TeamAI 补的是这条线上一直缺的一环：能力有了之后，怎么在一群人和一堆工具之间分发和沉淀。腾讯云内部「广泛落地」的说法无法独立核实，但一个工具先在自己公司用顺了再开源，比为了开源而开源的PPT 项目靠谱得多。
上手路径建议
如果你想在团队里试，我的建议分三步：先在你自己的机器上 npm install -g teamai-cli 跑通 doctor 和 init，用一个私有空仓库验证 push/pull 闭环；然后把团队最通用的那一条工作规范（比如代码风格、Commit 规范）做成第一个 Rule 推上去，让两三个同事接入，跑一周看 Hook 自动拉取是否真的无感；确认没问题再迁移存量 Skill，并开启经验沉淀机制。别一上来就全量铺开——Hook 会改每个成员的 Agent 启动行为，出了问题影响面是全队的。
一个团队的 AI 用得好不好，从来不是看某个人把提示词写得多漂亮，而是看第三个人入职那天，他能在多大程度上直接继承前两个人的经验。TeamAI 把这件事从「靠自觉」变成了「靠流程」，这是它比大多数 Agent 周边工具更值得认真看一眼的地方。