در تیم‌های نرم‌افزاری امروز هر برنامه‌نویس ابزار هوش مصنوعی خودش را دارد. یکی با Claude Code کار می‌کند، دیگری با Cursor یا Codex. هر کس هم دستورها، قانون‌ها و «مهارت»های خودش را برای این ابزارها ساخته است. نتیجه این است که تجربهٔ خوب یک نفر به بقیهٔ تیم نمی‌رسد.
تنسنت کلاد حالا برای همین مشکل ابزاری متن‌باز به نام TeamAI را معرفی کرده است. ایدهٔ اصلی ساده است: همان کاری که Git با کد می‌کند، با تنظیمات ایجنت‌های هوش مصنوعی هم بکند.
TeamAI چه چیزی را در Git نگه می‌دارد؟
طبق توضیح مخزن رسمی پروژه در گیت‌هاب، TeamAI مهارت‌ها (Skills)، قانون‌ها (Rules)، مستندات، متغیرهای محیطی، تنظیمات سرورهای MCP، هوک‌ها و پروفایل مدل‌ها را در یک مخزن Git مشترک نگه می‌دارد. هر عضو تیم این منابع را روی ابزار هوش مصنوعی خودش دریافت می‌کند.
چرخهٔ کار سه مرحله دارد. عضو تیم تغییرش را با دستور teamai push می‌فرستد و ابزار یک Merge Request باز می‌کند. بعد از بررسی و ادغام، دستور teamai pull نسخهٔ تازه را روی سیستم بقیه می‌نشاند. این دریافت در شروع هر جلسهٔ کاری خودکار انجام می‌شود و لازم نیست کسی دستی همگام‌سازی کند.
مستندات پروژه تأکید می‌کند که مقدار رمزها و کلیدها نباید در این مخزن قرار بگیرد. فقط نام آن‌ها در فایل جداگانه‌ای ثبت می‌شود.
با کدام ابزارهای هوش مصنوعی کار می‌کند؟
به گزارش China AI Wire، تنسنت کلاد می‌گوید TeamAI فعلاً از ۱۶ ایجنت برنامه‌نویسی پشتیبانی می‌کند. در این فهرست ابزارهای خود تنسنت مثل WorkBuddy و CodeBuddy کنار Claude Code، Codex، Cursor و GitHub Copilot CLI قرار دارند.
جدول فعلی README پروژه کمی جلوتر است و ۱۹ ردیف دارد، چون نسخه‌های چینی Qoder و Trae را جدا شمرده است. همهٔ قابلیت‌ها هم روی همهٔ ابزارها یکسان نیست. برای نمونه، توزیع پروفایل مدل در جدول برای Cursor و GitHub Copilot CLI علامت نخورده است.
شما در تیمتان از کدام ایجنت برنامه‌نویسی استفاده می‌کنید؟ در بخش نظرات بنویسید.
ادعای کاهش ۷۶ درصدی هزینه
جذاب‌ترین عدد این خبر از آزمایش داخلی تنسنت کلاد می‌آید. طبق همین گزارش، در ۱۳ کار توسعهٔ نرم‌افزار، وقتی مدل‌های ارزان‌تر به دانش مشترک تیم دسترسی داشتند، هزینهٔ فراخوانی مدل ۷۶ درصد کم شد و امتیاز کیفیت کلی ۶٫۱ درصد بالا رفت.
این عدد را باید با احتیاط خواند. آزمایش را خود تنسنت انجام داده، نمونه فقط ۱۳ کار بوده و جزئیات روش آن در منابعی که دیدیم منتشر نشده است. یعنی این یک ادعای شرکتی است، نه نتیجهٔ یک آزمون مستقل.
تنسنت همچنین TeamAI را به ClawPro، سکوی مدیریت ایجنت‌های خودش، وصل کرده است.
متن‌باز، اما نه کاملاً تازه
نشان MIT در README پروژه دیده می‌شود و نصب آن با npm انجام می‌شود. خود مخزن هم تازه نیست. طبق داده‌های گیت‌هاب، مخزن Tencent/teamai-cli از ۷ اردیبهشت ۱۴۰۵ ساخته شده و تا امروز بیش از پنج هزار ستاره گرفته است. خبر امروز بیشتر معرفی رسمی و گسترده‌تر آن از سوی تنسنت کلاد است.
برای برنامه‌نویس ایرانی، خود ابزار مانعی ندارد. TeamAI روی هر میزبان Git کار می‌کند، از گیت‌هاب و گیت‌لب تا یک سرور Git خصوصی مثل Gitea. البته ایجنت‌هایی که با آن هماهنگ می‌شوند، هر کدام شرایط دسترسی و اشتراک خودشان را دارند.
به نظر شما مهارت‌ها و قانون‌های ایجنت هوش مصنوعی هم باید مثل کد بازبینی شوند، یا این کار فقط سرعت تیم را کم می‌کند؟
نظرات کاربران