Tencent Cloud TeamAI wurde am 10. Oktober 2026 offiziell als Open Source veröffentlicht. Das bei Tencent intern genutzte Werkzeug für Team-KI-Zusammenarbeit legt Skills, Arbeitsregeln, Werkzeugkonfigurationen und Projektwissen in einem einzigen Git-Repository ab, wo sie wie Code geprüft, aktualisiert und versioniert und dann mit dem Agenten jedes Teammitglieds synchronisiert werden. Es arbeitet bereits mit 16 Agenten, darunter WorkBuddy, CodeBuddy, Claude Code, Codex und Cursor; das offizielle Repository liegt auf GitHub unter der Organisation Tencent als teamai-cli.
Warum Git statt einer weiteren Verwaltungskonsole
Das erste Problem von Teams mit Agenten ist selten die Modellqualität, sondern verstreute Konfiguration: Eine Person aktualisiert eine Regel, eine andere nutzt noch die alte Version, und ein nützlicher Skill liegt auf dem Rechner eines einzelnen Kollegen. TeamAI behandelt diese Bestände wie Code. Reicht ein Mitglied einen neuen Skill oder eine Regeländerung ein, erstellt das System automatisch einen Branch und eine Merge-Anfrage zur Teamprüfung; nach dem Zusammenführen holen Agenten mit Session-Start-Hooks das Update beim Beginn einer neuen Konversation automatisch ab. Administratoren können Modellkonfigurationen zudem zentral verteilen und Aufgaben mit internen Daten und Wissen nur freigegebene Modelldienste zuweisen.
Erfahrung wird zum durchsuchbaren Teamgut
Bemerkenswert ist auch der Umgang mit Fehlschlägen. Korrigiert ein Mitglied einen Agenten wiederholt oder schlagen Werkzeugaufrufe dauerhaft fehl, schlägt TeamAI am Sitzungsende vor, diese Erfahrung zu teilen; der Agent fasst Problem und Lösung in einem Dokument zusammen, das ins Team-Repository zurückgespeichert wird und beim nächsten ähnlichen Auftrag abrufbar ist. TeamAI ist außerdem in Tencent Clouds Agenten-Verwaltungsplattform ClawPro integriert, wo Administratoren Skills und MCP-Konfigurationen zentral verwalten und an verbundene Agenten verteilen.
Die internen Zahlen mit ihrem Rahmen lesen
Tencent Cloud hat einen internen Test veröffentlicht: In 13 Entwicklungsaufgaben schnitt ein günstigeres Modell mit Zugriff auf Teamwissen insgesamt 6,1 % besser ab als ein leistungsstärkeres Modell ohne dieses Wissen, bei 76 % niedrigeren Aufrufkosten. Dreizehn Aufgaben sind eine kleine, vom Anbieter berichtete Stichprobe, kein allgemeines Gesetz. Die Richtung ist dennoch konkret: Wird Teamwissen strukturiert gepflegt und zuverlässig verteilt, kann sich mehr Wissen stärker lohnen als ein teureres Modell. Für Teams, die bereits gemeinsam mit Coding-Agenten arbeiten, geht es bei TeamAI weniger darum, ob Agenten funktionieren, sondern ob gewonnene Erfahrung im Team bleibt.
