别再各搞一套：2026 统一管理 Skills、MCP 与知识的工具全景

同时开着 Claude Code、Codex、WorkBuddy 写代码，已经是我 2026 年的常态。一个尴尬的现实是各个软件的Skills、Rules、MCP需要手工同步，在这个AI时代感觉手工做这件事情很烦人。
因此特别盘点一下把 Skills / Rules / MCP（以及含技能管理的知识底座）统一管起来的工具——面向两类人：带团队的工程 Leader，和多软件并用的个人开发者。

一、被管理的四类资产速览

在盘点工具前，先快速对齐"被管对象"的 2026 现状，便于理解后面工具各自解决哪一层：

Skills（能力包）：Anthropic 2025 年推出现已开放标准，skills.sh 这类市场已有 9 万+；但"在哪装、给谁装、怎么同步"长期没人管。
Rules（规则/系统提示）：CLAUDE.md（Claude Code）、AGENTS.md（Codex 发起、Linux Foundation 托管）、.cursor/rules/*.mdc（Cursor）……格式混战但收敛信号明显，跨工具统一靠"翻译层"。
MCP（工具连接层）：已是事实标准，Glama / Smithery / mcp.so / 官方 registry 四分天下；但注册表良莠不齐——官方注册表抽样 41% 零认证。
知识 / 记忆：Mem0、Zep-Graphiti、Letta、Cognee 五条路线各自为政，最"难治理"的是事实过期（invalidation over time）。

资产已经繁荣，治理基本空白。 下面盘点的工具，就是来填这个空白的。

说明：纯知识库 / 记忆类产品（AnythingLLM、Mem0、Zep、Letta、Cognee 等）之前已经盘点过智能体记忆的赛道地图，这里就不展开了，它们解决的是"记忆本身怎么做"，而非"跨软件统一管技能/配置"。唯一保留的知识类工具是 TencentDB-Agent-Memory，因为它同时带"可插拔 Skill 体系 + Skill 进化 + 团队记忆共享"，属于"含技能管理的知识底座"。

二、核心盘点一：跨智能体配置同步工具

这一组是本文重点——它们把一个团队/个人的 Skills、Rules、MCP，从"散落在各个软件的配置文件"，收敛到"一个地方定义、多处同步"。下面三个都是开源、且 GitHub Star 已过千的方案。

1. teamai-cli（腾讯，MIT）

1.00

腾讯 2026 年 9 月开源的 teamai-cli，定位是团队的"AI 资产 harness"。它的核心思路很朴素：共享一个 Git 仓库作为唯一真相源，把 skills、rules、agents、hooks、MCP、env 分发到 Claude Code / Codex / Cursor / CodeBuddy / WorkBuddy / OpenCode / OpenClaw / Hermes 等 10+ 款智能体软件的原生目录。

仓库里的目录结构是固定的，所有变更都能被 review：

skills/<namespace>/<skill>/SKILL.md：团队共享的 Skill；
rules/*.md：通用规则；
agents/*.yaml：预定义 Agent 配置；
hooks/hooks.yaml：在 SessionStart / Stop 等时机触发动作；
mcp/mcp.yaml：一次声明，转成各工具支持的 MCP 配置格式；
docs/：项目级文档，默认不全部加载；
env/：共享环境开关，不存密钥；
culture.md：团队使命和工作原则，会注入到每个 Agent 的 CLAUDE.md / AGENTS.md；
teamai.yaml：团队级 npm 包或 Claude Code 插件清单。

1.00

上图是 teamai-cli 的三层架构。最底层 Team Execution 负责把规范铺下去；中间 Team Context 负责让 Agent 理解团队已有知识；最上层 Team Improvement 再从日常执行中回收经验。三层各自独立，又连成一条闭环。

工作流也走 Git 的常规套路：成员在本地调好一条 Skill 后执行 teamai push，工具自动开分支、建 Merge Request；Reviewer 在 MR 里审过后合并；其他人下次打开 Agent 会话时，SessionStart hook 会自动 teamai pull，新 Skill 已经就位。所有 git 操作都在隔离的 worktree 里完成，不会污染工作区。

1.00

这个流程把"改一条规则"和"改一行代码"放在同一个治理级别里。坏处是稍微重了一点，好处是Agent 配置的错误 blast radius 通常比代码还大，值得过一遍 MR。

多 Agent 支持方面，Claude Code、Codex、Cursor、CodeBuddy、Qoder 是"全绿"覆盖；OpenCode、OpenClaw、Hermes、WorkBuddy、DeepSeek Harness、ZCode 是部分覆盖。具体到你团队用的那款，最好先看它 README 里的 coverage 矩阵。

除了"分发"，teamai-cli 还在做两块 beta 能力：

Team Context：recall、shared learnings、codebase graph、team wiki，让 Agent 开机就知道项目上下文；
Team Improvement：收集会话中的摩擦信号（interrupt、toolReject、correction 等），生成 usage stats 和 digest，帮助把反复出现的 workaround 沉淀成新 Skill。

这套方案适合 5 人以上、每天都跑 Agent 的团队。它的短板也很明显：依赖团队已有 Git 协作与 Code Review 习惯；新机要 teamai init；mcp.yaml 里的占位符解析后会明文写进本地配置文件，所以 .gitignore 和密钥管理必须同步跟上。

2. cc-switch（farion1231，MIT）

1.00

cc-switch 是一个用 Tauri 写的跨平台桌面 App，目前在 GitHub 上已经拿到 133k Star。它把 Claude Code、Codex、OpenCode、OpenClaw、Grok Build、Hermes Agent 等 CLI 的模型 + API + 代理 + MCP + Skills 全部收进一个面板，点一下就能同步。

它解决的个人痛点非常具体：你同时用好几个 CLI，每个都要单独配 model、API key、MCP、Skills，改一次就要改好几个地方。cc-switch 的做法是，先把这些配置抽象成"Provider"和"Profile"，然后在面板里统一管理：

Provider 管理：一个界面切换 OpenAI、Anthropic、Google、Moonshot、DeepSeek、MiniMax、智谱等模型供应商，每个 Provider 可以单独设 base URL、API Key、默认模型；
统一 MCP 管理：配置一次 MCP Server，自动同步到 Claude Code / Codex / OpenClaw 等多个 CLI，不用在每个工具里重复填 command 和 args；
Skills 一键装卸：自动扫描 GitHub 热门 Skills，批量安装或软链到对应 CLI 的技能目录；
配置备份 / 云同步：支持 Dropbox、OneDrive、iCloud、WebDAV，换机器也能保持一致；
跨平台：Windows、macOS、Linux 都支持，安装包走 GitHub Release。
cc-switch 的官方定位是"All-in-One assistant for Claude Code, Codex, OpenCode, OpenClaw"，官网在 ccswitch.io。它最适合个人或多软件并用的小队，"无感切换 + 一处配置全局生效"是它的强项。短板是团队级治理能力偏弱：没有 MR 审批流，也没有按角色/项目的权限隔离。如果你需要"团队共享 Skill 必须经过 review"，它不如 teamai-cli。

3. chezmoi（twpayne，MIT）

1.00

chezmoi 是一款老牌 dotfiles 管理器，GitHub 21.6k Star，MIT 协议。它本来是用来同步 ~/.bashrc、~/.vimrc 这些配置文件的，思路完全可以平移到 Agent 配置：把 ~/.claude、~/.codex、~/.gemini 等目录也收进一个 dotfiles 仓库。

它的优势在于成熟、轻量、零额外服务：

Git + Go 模板：同一份 CLAUDE.md 可以用模板渲染成不同格式，Codex 的 AGENTS.md 可以指向同一份源文件；
加密：API Key、MCP 密钥用 age 或 GPG 加密，绝不明文进仓库；
多机同步：新机器执行 chezmoi init <repo> 再 chezmoi apply，所有 Agent 配置一键到位；
条件渲染：按 OS、主机名、用户名等条件注入不同配置，例如公司机器和个人机器用不同的 MCP Server。

具体做法上，你可以在 dotfiles 仓库里放一个 dot_claude/CLAUDE.md.tmpl，chezmoi 会根据模板变量渲染成本地 ~/.claude/CLAUDE.md；MCP 的 settings.json 也可以走模板 + 加密敏感字段。比如下面这种结构就能同时管 Claude Code 和 Cursor 的规则：

dotfiles/
├── dot_claude/
│   ├── CLAUDE.md.tmpl
│   └── settings.json.tmpl
├── dot_cursor/
│   └── rules/
│       └── 00-base.mdc.tmpl
└── .chezmoi.toml.tmpl

对于不想自建服务、也不想信任第三方 SaaS 的个人开发者，这是最省心的路线。

短板是 MCP 格式转换要自己写模板；没有 teamai-cli 那种"MR 审批 + 自动 pull"的团队流。它更适合个人，或者 2-3 人的小团队。

选型矩阵（跨智能体配置同步）

工具	形态	跨软件覆盖	团队 / 个人	开源协议	关键短板
teamai-cli	Git 原生 CLI	10+ agent	团队强、个人可用	MIT	依赖 Git 协作习惯；新机需 init
cc-switch	桌面 App	6 个 CLI	个人强	MIT	偏个人；团队治理弱
chezmoi	dotfile 管理器	任意（`~/.claude` 等）	个人/小队	MIT	无 MCP 自动转换，需自写模板

还有一批 CLI（如 std-ai/stdagent 覆盖 22 工具、agentsync、gaal、agsync）概念不错，但 GitHub Star 尚在千以下或项目早期，本文聚焦稍微成熟一点的方案，不纳入主盘点。

三、核心盘点二：MCP 统一管理与网关

配置同步解决的是"客户端怎么统一"，而 MCP 还有另一层问题：Server 越来越多，每个客户端都要知道每个 Server 的地址和凭证。这时候需要的是"网关 / 控制面"——一个端点挡在前面，后面是 N 个 MCP Server。

1. Nacos（阿里，Apache-2.0）

1.00

Nacos 是国内微服务注册配置中心的龙头，2026 年大举切入 AI 领域。它在 Agent 治理这块做了三件事：

支持 MCP Registry 官方协议：传统 Spring / REST 服务可以零改造成 MCP Server，并动态注册到 Nacos；
首个支持 A2A 协议的注册中心：Agent 把自己的 AgentCard 注册上去，其他 Agent 填个地址就能编排；
动态配置 + 凭证加密存储/推送：Server 地址、工具元数据、访问凭证可以统一托管，变更后自动下发到客户端。 Nacos 的企业级特性（多租户、命名空间、权限控制、配置灰度）可以直接套在 MCP 治理上。如果你的团队本来就跑在 Java / Spring Cloud 技术栈上，用它统一管理 MCP 和 AI 资产的边际成本最低。

2. mcp-context-forge（IBM，Apache-2.0）

1.00

IBM 开源的 mcp-context-forge 是一个联邦型 AI 网关。它不止接 MCP，还把 A2A、REST、gRPC 统一到一个控制面里。

它的核心能力是：

虚拟 MCP：把一个普通 REST 或 gRPC 服务自动抽象成 MCP Server，不用重写服务；
统一端点：所有客户端连同一个入口，后面挂什么协议对它透明；
Admin UI：可视化注册 Server、分配工具、看调用链路；
可观测 + 安全：内置 OpenTelemetry 追踪，支持 JWT / OAuth / RBAC；
K8s 原生：提供 Helm charts，适合直接部署到现有集群。

举个例子：你内部有一个用了十年的 REST 权限服务，原本不可能为了接 Claude Code 重写一遍。mcp-context-forge 可以把它包装成一个虚拟 MCP Server，暴露 check_permission 这类工具给 Agent 调用，而服务端代码完全不用动。如果你的环境里 MCP 只是其中一部分，还挂着大量 legacy 服务，这种"一个网关管所有协议"的思路会很省事。

3. MCPJungle（MPL-2.0）

1.00

MCPJungle 是一个用 Go 写的单端点 MCP 网关，目前 1.3k Star。它的设计非常直接：

1.00

单端点接入：所有客户端连同一个 URL，后端 N 个 MCP Server 的地址由网关维护；
工具分组（Tool Grouping）：可以给某台客户端只暴露工具子集，是最便宜的"防 Agent 过度武装"手段；
企业访问控制：OAuth 认证、按角色授权；
Prometheus 指标：调用次数、延迟、错误率一目了然；
Dashboard UI：内置 Web 面板管理 Server 和工具。

1.00

上图是它的 Web 面板，能看到当前注册了哪些 Server、每个 Server 暴露多少工具、是否启用。如果你想要"一个网关、不要一个平台"的轻量基础设施，MCPJungle 是合适的选择。

MCP 网关的共性价值：单端点接入、统一鉴权、调用审计、杜绝凭证散落。官方注册表 41% 零认证的现实下，个人/团队在 client 与 server 之间加一层网关，几乎是必选项。

四、核心盘点三：含 skills 管理的知识 / 记忆底座

纯记忆产品不展开，这里只留一个同时带 Skill 体系的知识底座，作为"知识类治理"的代表样本。

TencentDB-Agent-Memory（腾讯，MIT）

1.00

TencentDB-Agent-Memory 是腾讯云开源的 Agent 记忆系统，GitHub 26.6k Star。它解决的是一个更底层的问题：Agent 会话结束后，经验怎么留下来、怎么共享、怎么装配给下一个 Agent。

更重要的是，它把知识组织成四类标准资产：

Chat Memory：对话记忆，保留偏好和交互史；
Skill：从成功对话提取的可复用工作流，带版本、触发边界、验证规则；
LLM-Wiki：结构化文档 + 链接图，受 Karpathy LLM knowledge base 思路启发；
CodeGraph：代码符号、调用关系、影响路径索引。

这四类资产统一注册在 Memory Hub 里治理。下图是 Chat_Memory 页面，左侧按记忆块导航，右侧能看到 L0 原文、L1 原子、L2 场景、L3 核心记忆的层次关系：

1.00

Skill 页面则把提炼出来的工作流当作资产来管理，包含版本、owner、触发条件和 body：

1.00

Hub 提供团队 / Agent / 角色管理，可见性分四档：private（仅 owner 可读）、team（团队可读）、restricted（精确到用户/角色/Agent 的 ACL）、agent（团队内定向装配）。默认新记忆私有，共享需要显式操作。

接入方式也很轻：把 Agent 的 base URL 指向它的 Proxy 即可，不需要插件、hook 或 MCP Server。目前已适配 Claude Code、Codex、CodeBuddy、WorkBuddy、Hermes、OpenClaw 等。本地部署默认 SQLite + 本地文件，Pro 版上腾讯云做备份、回档、治理增强。

这个项目把"记忆"从功能升级成了资产：不仅要回答"能不能找到"，还要回答"归谁、哪一版有效、谁能看、该装配给谁"。如果你的团队想让多个 Agent 继承同一份经验，它几乎是当前唯一把"治理"做这么重的选择。

五、安全管理红线

统一管理的副作用，是把"散落的隐患"收拢成一个面，反而更该重视安全：

Skill：Snyk「ToxicSkills」审计——测试社区 Skill 中 36% 含 prompt injection，恶意 Skill 里 91% 是注入。装前必审 SKILL.md 与 scripts/。
MCP：零认证 Server（官方注册表 41%）、明文密钥（teamai-cli 自己提醒占位符解析后明文写进配置，务必加 .gitignore）；过网关统一加鉴权。
知识：RAG / 记忆按角色权限隔离，防敏感知识被越权检索泄露。
统一层副作用：部分工具带 dashboard 统计"干预次数 / token"，引进前要和团队谈清楚——别让它悄悄变成绩效考核面。

六、案例视角：个人跨多软件的最小可行方案

回到开头那个场景——一个人同时用 Claude Code + Codex + OpenCode。我的建议是"两件套"：

cc-switch 当统一的"面板"：管模型、MCP、Skills，点一下同步到各 CLI，换软件不用重配；
chezmoi 当"底层真源"：把 CLAUDE.md / AGENTS.md / settings.json 收进一个 Git 加密 dotfiles 仓，新机器 chezmoi init + apply 一键到位，MCP 密钥只加密存储、绝不明文。

这两者不冲突：cc-switch 解决"运行时一处配置、多软件生效"，chezmoi 解决"跨机器、跨时间的一致性"。组合下来，个人跨多个软件不再"各搞一套"。

七、结语

AGENTS.md（规则）、MCP（工具）、Skills（能力）正在成为跨工具的公开标准。真正缺的，是把三者（以及知识/记忆）统到一处的那一层。

今天这条路上已有几种姿态：teamai-cli 走Git 原生团队路线、cc-switch 走个人桌面路线、Nacos / mcp-context-forge / MCPJungle 走MCP 网关路线、chezmoi 走零成本 dotfiles 路线。选哪条，看你是团队还是个人、愿不愿意为统一付出协作或信任成本。

但方向是确定的：当每个人都开着五六个 Agent，谁先把 Skills、MCP 和知识管明白，谁就先把"团队经验"变成了可复利的公司资产。

本文盘点聚焦 Star 过千的开源/开放方案；std-ai、agentsync、gaal、agsync、mcp-gateway-registry（<1k Star）等早期项目未纳入主表。文中 GitHub 仓库截图取自 2026-09-14，星数为当时实时数据。

别再各搞一套：2026 统一管理 Skills、MCP 与知识的工具全景 ​

一、被管理的四类资产速览 ​

二、核心盘点一：跨智能体配置同步工具 ​

1. teamai-cli（腾讯，MIT） ​

2. cc-switch（farion1231，MIT） ​

3. chezmoi（twpayne，MIT） ​

三、核心盘点二：MCP 统一管理与网关 ​

1. Nacos（阿里，Apache-2.0） ​

2. mcp-context-forge（IBM，Apache-2.0） ​

3. MCPJungle（MPL-2.0） ​

四、核心盘点三：含 skills 管理的知识 / 记忆底座 ​

TencentDB-Agent-Memory（腾讯，MIT） ​

五、安全管理红线 ​

六、案例视角：个人跨多软件的最小可行方案 ​

七、结语 ​

别再各搞一套：2026 统一管理 Skills、MCP 与知识的工具全景

一、被管理的四类资产速览

二、核心盘点一：跨智能体配置同步工具

1. teamai-cli（腾讯，MIT）

2. cc-switch（farion1231，MIT）

3. chezmoi（twpayne，MIT）

三、核心盘点二：MCP 统一管理与网关

1. Nacos（阿里，Apache-2.0）

2. mcp-context-forge（IBM，Apache-2.0）

3. MCPJungle（MPL-2.0）

四、核心盘点三：含 skills 管理的知识 / 记忆底座

TencentDB-Agent-Memory（腾讯，MIT）

五、安全管理红线

六、案例视角：个人跨多软件的最小可行方案

七、结语