Tencent опубликовал в открытом коде teamai-cli — CLI-инструмент, который хранит командные skills, rules, настройки MCP, hooks и окружение ИИ-агентов в одном git-репозитории и раздаёт их через teamai init в 11 популярных агентов: от Claude Code и Codex до Cursor и Hermes. Любые правки конфигурации проходят ревью через merge request, как обычный код. Стабильная версия 0.23.1 доступна в npm под лицензией MIT с 9 сентября 2026 года.

image
image
image

Что произошло

Инструмент распространяется как npm-пакет: стабильная ветка 0.23.1 вышла 9 сентября 2026 года, а 11 сентября в репозитории уже идёт активная бета 0.24.0-beta.8. Команда teamai init подключает общий репозиторий к проекту и раздаёт конфигурацию одиннадцати агентам: Claude Code, Codex, Cursor, CodeBuddy, WorkBuddy, OpenCode, Qoder, OpenClaw, Hermes, DeepSeek Harness и ZCode; у последних четырёх поддержка неполная — например, у Hermes нет rules, hooks и MCP. Правки идут по классическому код-ревью: пуш открывает merge request, и после мерджа все участники получают изменения автоматически; повторный пуш той же правки обновляет уже открытый MR. Хук SessionStart запускает teamai pull при старте каждой сессии, а Stop-хук в конце сессии оценивает её по метрике friction — перебивали ли модель, отклоняли ли вызовы инструментов и сколько раз агент повторял падающие команды. Репозиторий работает с шестью git-хостами: GitHub, GitLab, GitCode, CNB, TGit и любым приватным git.

Контекст

Инструмент отвечает на фрагментацию, которая уже возникает в командах, где несколько разработчиков одновременно работают с разными агентами: настройки приходится вручную копировать между машинами в виде dot-файлов .claude, .codex и .cursor. Teamai-cli стандартизирует этот процесс: конфигурация становится версионируемым артефактом с ревью вместо набора локальных файлов. Помимо синхронизации в комплекте есть база знаний teamai recall — поиск на BM25 с graph-boost поверх графа кодовой базы, который строит WASM-парсер tree-sitter для TypeScript, JavaScript, Python и Go, а для остальных языков используется запасной механизм на регулярках. Готовые стартовые наборы с skills, rules и review-агентами публикует организация teamai-hub. О темпе принятия говорит статистика репозитория: к 11 сентября 2026 года 4143 звезды, 266 форков и около 560 новых звёзд в день — это метрики принятия, а не качества.

Почему это важно для индустрии

Для индустрии появляется вендор-независимый git-слой для AI-кодинг-агентов: базовая задача синхронизации конфигов коммодитизируется, а ценность смещается уровнем выше — к наблюдаемости и управлению агентами команды. MIT-лицензия и поддержка шести git-хостов позволяют внедрять паттерн за пределами экосистемы Tencent, а метрика friction задаёт каркас для целого класса продуктов телеметрии сессий. Если темп принятия сохранится, через полгода хранение конфигурации агентов в git с MR-ревью может стать ожидаемым стандартом для смешанных команд, матрица поддержки агентов станет полнее, но на рынке вероятны и конкурирующие git-слои — новая фрагментация, которую инструмент как раз пытается устранить. В горизонте двух лет слой либо консолидируется и станет нормой team AI-воркфлоу наравне с CI, либо умрёт как паттерн; вслед за ним может оформиться категория «конфигурация агентов как код», а валидированная метрика friction — превратиться в стандартную телеметрию сессий.

Почему это важно для пользователей

Пилот в существующем проекте занимает около десяти минут: нужен Node.js 20 или новее, затем npm install -g teamai-cli и teamai init . Single-repo режим работает без отдельного командного репозитория, а --scope user позволяет попробовать инструмент соло. Шаблоны организации teamai-hub дают готовые skills, rules и review-агентов, так что стартовый набор не нужно писать с нуля. Сразу после подключения дашборд и недельный дайджест показывают, как команда расходует токены, какие сессии успешны и где часты вмешательства человека, — это даёт быстрый выигрыш командам, которые уже работают с агентами.

Что пока неизвестно / ограничения

Проект находится в стадии 0.x: стабильная ветка 0.23.1 соседствует с активной бетой 0.24.0-beta.8, поэтому для производственного использования нужны предохранители от breaking-изменений, а публичных данных о времени teamai pull, латентности и масштабе нет. Поддержка четырёх агентов из одиннадцати (OpenClaw, Hermes, DeepSeek Harness и ZCode) неполная. Метрика friction — эвристический прокси-сигнал без ground truth и человеческой разметки: корреляция с объективным успехом задачи не показана, и до валидации строить на ней выводы о качестве сессий нельзя. Точность и полнота поиска teamai recall не раскрываются, а для языков за пределами TypeScript, JavaScript, Python и Go поиск работает через запасной механизм на регулярках. Наконец, статистика звёзд измеряет принятие, а не качество: заголовок обзора Mango Developer упоминает 29 тысяч звёзд, тогда как снапшот к 11 сентября — 4143, и это расхождение стоит проверять непосредственно по репозиторию.

Источники

Автор

Look at AI, редакция