Augment 老手才知道的用法

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。

这些技巧适合已经会基本操作、想进一步提效的用户。

8 条进阶用法

长材料分段处理，每段完成后再要一份汇总。
先要大纲或计划，再要全文，复杂任务分两到三步完成。
要求输出「不确定清单」，把需要人工核实的地方单独列出。
给一个你满意的样例，让它模仿结构而不是复制内容。
同一任务准备 5 份测试材料，改设置后统一复测。
把「补全（Completion）」等关键设置弄清楚再调参。
把固定的背景和规则保存为预设或模板，避免每次重复输入。
记录每次的输入、设置和结果，形成自己的经验库。

示例：分步完成的写法

代码审查

准备材料：一个 Pull Request 的改动。

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。

检查点：问题定位到行。

延伸练习

修复报错

适用情况：手头有一段报错堆栈和相关代码时。

这是报错信息和相关代码。请先解释报错原因，给出最小修改方案，并说明为什么这个修改不会影响其他调用方。

验收标准：修改范围足够小。

写技术文档

准备材料：一个模块的源码。

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。

检查点：示例代码可运行。

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。

验收标准：先有计划再动手。

常见问题：测试全绿但功能不对

人工补充关键用例，检查测试是否真正断言了结果。

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。

概念补充：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。

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。

适合人群：科研人员

科研人员可以用 Augment 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

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。

适合人群：咨询顾问

咨询顾问可以用 Augment 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

写在最后

本文基于 Augment Code 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

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。