引言
"AI Agent 的能力不该困在每个人自己的对话历史里，它应该变成团队的共同资产。"
这是"一天一个开源项目"系列的第 223 篇 。今天的项目是 TeamAI-CLI。
当团队里每个人都在用 Claude Code、Cursor、Codex 写代码时，一个隐藏的问题正在发生：每个人都在独立"训练"自己的 AI。张三花了半天时间摸索出一套让 Claude Code 正确理解项目架构的 Prompt 技巧，李四遇到同样的坑却毫不知情，还要重新踩一遍。团队里散落的 Skills、Rules、CLAUDE.md 配置各自为战，没有统一的分发和同步机制。
TeamAI-CLI 要解决的正是这个问题。它不是又一个 AI 编程助手------项目文档明确把 Claude Code、Codex、Cursor 这些工具列为它的"兼容对象"，而不是竞品。它是一层元管理系统，架在你已经在用的 AI 工具之上，负责把技能、规则、知识库在团队成员之间同步分发，并把个人在使用 AI 过程中沉淀的经验变成团队共享资产。
4.8k Stars，MIT 协议，TypeScript 开发。
你将学到什么
- TeamAI-CLI 的三层产品架构：Team Execution / Team Context / Team Improvement
- push → MR → 审核合并 → SessionStart hook 自动同步的分发流程
- 基于"摩擦信号"（friction）驱动的经验自动沉淀机制
- 代码库知识图谱（tree-sitter AST + 正则启发式）的构建方式
- 它与 Claude Code、Codex 等工具的关系：不是替代，是"团队层"
前置知识
- 使用过 Claude Code、Cursor 或 Codex 等 AI 编码工具
- 了解 Git 工作流（branch、Merge Request）
- 可选：了解 MCP（Model Context Protocol）的基本概念
项目背景
项目简介
TeamAI 的官方定位是"团队如何使用 AI、学习 AI、持续用 AI 改进自己的共享基础"（the shared foundation for how your team works, learns, and improves with AI）。核心理念用一句话概括：把个人的 AI 使用能力转化为团队共享能力，跨 Agent、跨机器、跨团队成员。
团队与项目信息
- 所属组织：Tencent（腾讯）
- 协议：MIT License
- 主要语言：TypeScript
- 分发方式 ：npm 全局安装（
teamai-cli）
项目数据
- ⭐ GitHub Stars：4,800+
- 🍴 Forks：340+
- 👀 Watchers：17
- 📄 协议：MIT
- 🔧 Open Issues：33，Open PR：14（活跃维护中）
主要功能
解决什么问题
css
没有 TeamAI 的团队现状：
张三的 Claude Code 配了一套完美的项目规则 ← 只存在张三本地
李四踩了三天坑才搞懂如何让 AI 正确理解代码架构 ← 经验没有传递
王五的 CLAUDE.md 和团队规范早就过时了 ← 没人同步更新
↑ 每个人的 AI 能力互相孤立，团队整体能力没有复利
TeamAI 的做法：
统一的团队资源仓库（Skills/Rules/Docs/Agents/Hooks/MCP）
↓ teamai push（分享）→ MR 审核 → 合并
↓ SessionStart hook 自动触发 teamai pull（同步）
所有团队成员的本地 AI 工具自动拿到最新的团队规范
↑ 个人经验 → 团队资产，AI 能力可以像代码一样版本管理、审核、分发使用场景
-
技术负责人统一团队 AI 工具规范
- 把项目特定的编码规范、架构约束写成 Skills/Rules，一次配置全团队同步
-
新成员快速融入现有 AI 协作体系
- 加入团队仓库后，本地 AI 工具自动拉取最新的技能库和上下文，无需从零摸索
-
团队成员分享个人总结的经验
- 用
teamai contribute把一次调试 AI 踩坑的经验一键分享给全团队
- 用
-
代码库知识沉淀供 AI 检索
- 通过知识图谱功能，让 AI 在处理编码任务前能自动检索到相关的代码背景和历史决策
-
团队 AI 使用情况可视化
- 通过 dashboard 和 digest 命令了解团队整体的 AI 使用趋势和活跃度
快速开始
方式一：对话式安装（让 AI 帮你装）
直接把这句话贴给 Claude Code 或其他支持 Skills 的 Agent：
text
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.方式二：命令行手动安装
bash
# 管理员：创建团队共享仓库
npm install -g teamai-cli
teamai init https://github.com/yourorg/yourrepo
# 团队成员：加入现有团队
cd /path/to/my-project
teamai init https://github.com/yourorg/yourrepo
# 或用户级安装（跨项目生效）
teamai init https://github.com/yourorg/yourrepo --scope user核心特性
1. 三层产品架构
| 层级 | 定位 | 核心能力 |
|---|---|---|
| Team Execution | "让每个 Agent 按团队方式工作" | Skills/Rules/Agents/Hooks/MCP/Env 的 init/pull/push 同步 |
| Team Context（beta） | "让每个 Agent 理解团队" | 知识回溯 recall、经验学习 learnings、代码库知识图谱、团队 Wiki |
| Team Improvement（beta） | "让每次执行都反哺团队" | 摩擦信号驱动的经验分享、会话记录、周报摘要、使用看板 |
2. Git 化的分发流程
markdown
teamai push → 创建 branch + MR → reviewer 审核合并
↓
SessionStart hook 自动触发 teamai pull → 同步到本地 AI 工具支持 GitHub、GitLab、GitCode、CNB、TGit 及私有 Git 服务，本质是把 AI 协作规范纳入正常的 Code Review 流程。
3. 常用命令一览
| 命令 | 功能 |
|---|---|
teamai init |
初始化：OAuth 登录、关联仓库、注册成员、注入 hook |
teamai pull / push |
拉取/推送团队资源 |
teamai status |
显示本地与团队仓库的差异 |
teamai contribute |
把会话经验分享到团队仓库 |
teamai recall <query> |
搜索团队知识库（BM25 + 知识图谱增强） |
teamai codebase --extract/--deep-enrich/--reconcile |
代码库知识图谱操作 |
teamai digest / dashboard |
团队使用数据统计与可视化 |
teamai doctor |
诊断配置问题 |
4. 广泛的 Agent 兼容矩阵
TeamAI-CLI 明确宣称兼容包括 Claude Code、Codex、Cursor、GitHub Copilot CLI、CodeBuddy、OpenCode、Kiro 等十余种 AI 编码工具，每种工具支持的能力项（skills/rules/docs/env/hooks/mcp）在文档中有详细的兼容表格。
深入剖析
"摩擦信号"驱动的经验沉淀机制
TeamAI-CLI 最有意思的设计是 Team Improvement 层的触发逻辑：它不要求用户主动记录经验，而是监测会话中的摩擦信号来判断"这里发生了值得记录的事情"。
arduino
摩擦信号的例子：
"用户打断了 AI 两次"
"AI 连续 8 次重试同一个失败的工具调用"
↓
系统识别到异常摩擦
↓
提示用户："这次调试过程似乎有值得分享的经验，要贡献给团队吗？"这个设计比"要求员工定期写周报总结经验"聪明得多------大多数有价值的踩坑经验发生在解决问题的过程中，事后回忆往往会丢失细节。用交互摩擦作为信号触发捕获，能在经验最新鲜的时刻完成沉淀。
代码库知识图谱：双轨提取策略
Team Context 层的代码库知识图谱构建用了双轨策略：
AST Track（精确但成本高）
用 tree-sitter WASM 解析器解析代码
↓ 精确提取函数、类、依赖关系
↓ 适合核心模块的深度解析
Heuristic Track（快速但粗粒度）
用正则启发式扫描代码
↓ 快速覆盖大范围文件
↓ 适合外围代码的快速索引
两轨结果 → 写入 teamwiki/ 目录 → 供 recall 命令 BM25 检索增强这种双轨设计的取舍很实际：对整个大型代码库做 tree-sitter 级别的精确 AST 解析成本很高，而纯正则匹配又会丢失语义关系。把两者结合，核心模块精确解析、外围代码快速覆盖，是一个务实的折中方案。
它和 Claude Code、Codex 是什么关系
这是理解 TeamAI-CLI 最容易搞混的一点，需要明确澄清：
css
错误理解：TeamAI-CLI 是 Claude Code 的竞品，一个新的 AI 编程 CLI 工具
正确理解：TeamAI-CLI 架在 Claude Code/Codex/Cursor 之上，
是团队级的资源分发和知识管理层
类比：
Claude Code / Codex / Cursor ≈ 每个人电脑上的 IDE
TeamAI-CLI ≈ 团队的 Git 仓库 + Code Review 流程
(但对象是 Skills/Rules/知识，不是代码)它通过向已安装的 AI 工具注入 hook（比如 SessionStart hook）和共享配置文件（CLAUDE.md、Skills 目录等）来工作，本身不提供推理能力，而是编排"谁该用什么规则、什么时候同步"这件事。
与同类团队协作工具的对比
| 维度 | 手动维护 CLAUDE.md | Cursor Rules（本地） | TeamAI-CLI |
|---|---|---|---|
| 跨 Agent 兼容 | 依赖各工具自己实现 | 仅 Cursor | ✅ 十余种工具 |
| 团队同步机制 | 手动复制粘贴/口头传达 | ❌ 无 | ✅ Git push/pull + MR 审核 |
| 经验自动沉淀 | ❌ | ❌ | ✅ 摩擦信号驱动 |
| 代码知识图谱 | ❌ | ❌ | ✅ AST + 启发式双轨 |
| 使用数据可视化 | ❌ | ❌ | ✅ dashboard/digest |
| 版本管理与审核 | 手动 | 本地文件，无审核 | ✅ 走标准 Git 流程 |
TeamAI-CLI 的差异化在于把"AI 协作规范"当作一等公民纳入软件工程的标准流程（版本控制、Code Review），而不是让每个人自己维护本地配置文件。
项目地址与资源
官方资源
- 🌟 GitHub ：github.com/Tencent/tea...
- 📦 npm 包 ：
teamai-cli - 📄 协议：MIT License
- 🐛 Issues ：GitHub Issues
相关资源
- tree-sitter --- TeamAI-CLI 代码知识图谱 AST Track 所用的解析器框架
- Model Context Protocol --- TeamAI-CLI 兼容矩阵中涉及的 MCP 资源分发标准
- Claude Code --- TeamAI-CLI 主要适配的 AI 编码 Agent 之一
总结与展望
核心要点回顾
- 不是 AI 编程助手，是团队级中间层：架在 Claude Code/Codex/Cursor 等工具之上，负责规范同步而非代码生成
- 三层架构层层递进：Team Execution 管分发，Team Context 管理解，Team Improvement 管进化
- Git 化的分发流程：push → MR 审核 → 合并 → hook 自动同步，AI 协作规范走标准软件工程流程
- 摩擦信号驱动经验捕获：不依赖人工总结，靠交互异常自动触发经验沉淀
- 十余种 Agent 兼容：不绑定单一 AI 工具生态，覆盖 Claude Code、Codex、Cursor 等主流选择
适合谁
- 技术团队负责人：想统一团队的 AI 协作规范，而不是让每个人各自摸索
- 中大型工程团队：多个成员使用不同 AI 工具，需要一个中立的规范同步层
- 重视知识管理的团队：想把踩坑经验和代码知识系统化沉淀，而不是随人员流动而流失
- 已经在用 Claude Code/Cursor 等工具的团队：不想切换工具，只想让现有工具用得更聪明、更一致
一句话评价
TeamAI-CLI 想解决的不是"AI 怎么写代码"，而是"团队里每个人的 AI 经验怎么变成大家的经验"------这可能是比单纯堆砌更强模型更值得关注的方向。
欢迎访问 PrimeSkills ------ 一个精心策划的 AI Agent 与技能市场，所有内容均经过真实企业级工作流验证。没有噱头，只有真正有效的东西。
更多实用知识和有趣产品，欢迎访问我的个人主页