面向大型代码库的 AI 编程助手——这是 Augment Code 最主要的用途，也是本文讨论的前提。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • 补全（Completion）：在光标处预测下一段代码，速度快但上下文有限。
  • 编程智能体：能读写多个文件、运行命令并迭代修复的 AI，需要控制权限。
  • 上下文索引：把代码库建立索引，让 AI 回答时能引用相关文件。
  • 规则文件：放在仓库里的说明文件，告诉 AI 项目约定和禁止事项。
  • MCP：让编程工具连接外部数据和工具的协议。
  • 差异审阅：在接受 AI 修改前逐个查看 diff，是最重要的安全习惯。

和 Augment Code 相关的补充

  • 插件 / 扩展：Augment Code 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Cursor、Sourcegraph、Copilot。
  • 所属方向：编程与开发。

把概念用起来

小功能开发

输入：一个清晰的需求描述。

实现以下需求：【需求】。要求：先给出实现计划和要改动的文件列表，等我确认后再写代码；遵循现有代码风格；补充必要的测试。

交付前确认：先有计划再动手。

补充练习

代码审查

适用情况：手头有一个 Pull Request 的改动时。

审查这个改动，按「必须修改 / 建议修改 / 可以忽略」三级列出问题，每条附上文件和行号，重点关注安全、并发和错误处理。

验收标准：问题定位到行。

补单元测试

适用情况：手头有一个缺少测试的函数或模块时。

为【函数名】编写单元测试，覆盖正常输入、边界值和异常输入，使用项目现有的测试框架，不要修改被测代码。先列测试用例再写代码。

验收标准：测试能在本地通过。

写技术文档

适用情况：手头有一个模块的源码时。

根据源码为这个模块写 README：用途、安装、最小示例、配置项表格和常见问题。示例代码必须能直接运行。

交付前确认：示例代码可运行。

常见问题：AI 改动范围过大

要求先给计划和文件清单，限定只改指定文件。

常见问题：越改越乱

回滚到上一个可用提交，把需求拆小后重新开始。

常见问题：生成的代码引用了不存在的函数

让它先搜索代码库确认 API，再写实现；运行测试验证。

概念补充：差异审阅

在接受 AI 修改前逐个查看 diff，是最重要的安全习惯。

概念补充：补全（Completion）

在光标处预测下一段代码，速度快但上下文有限。

适合人群：研究生

研究生可以用 Augment 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。

适合人群：游戏开发者

游戏开发者可以用 Augment 处理原型与素材、NPC 对话与文案等工作。需要注意：关注生成素材的授权和平台对 AI 内容的披露要求。

适合人群：数据分析师

数据分析师可以用 Augment 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

注意事项

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

涉及个人信息、商业机密或受监管数据时，先确认 Augment Code 的数据处理条款，再决定能否使用。

延伸阅读