## 你装的"补全插件"，半年前已经不是补全插件了 先说一句能把人震住的话：**Augment Code 在 2026 年 3 月 31 日，把代码补全（Code Completions）和 Next Edit 建议对非企业版用户彻底下线了。** 官方原话是"Support for Code Completions was deprecated on March 31, 2026 for non-Enterprise plans（Indie / Standard / Max / Legacy）"。 国内绝大多数人对 Augment 的认知还停留在"又一个 Copilot 平替、装个插件按 Tab"。这就产生了一个巨大的**认知差 + 时间差**：你以为它在干 A，它其实早就把整个产品重心压到了 Agent + Context Engine 上。它现在是**把整座代码仓库的语义理解，做成一个可以插进任何 AI 编程工具的"大脑"**。 如果你手上是几万行、跨几十个仓库的老项目，Claude Code 和 Cursor 经常"记不住"全局上下文——那 Augment 的这八个冷门玩法，就是为你准备的。下面每一条都有具体操作、官方依据和适用场景，看完能直接上手。 --- ## 杀招一：Context Engine 当 MCP，塞进你正在用的 Claude Code / Cursor 这是全篇**最大的信息差**，必须放第一。 2026 年 2 月 6 日，Augment 把自家核心的 **Context Engine（上下文引擎）** 以独立 **MCP server** 形式开放出来（官方在 LinkedIn 发了正式公告，前面有上千名 beta 用户）。意思是：**你不需要换编辑器、不需要装 Augment 的 IDE 插件，只要给它配一个 MCP，就能让 Claude Code / Cursor / Zed / Codex CLI / GitHub Copilot / Gemini CLI / Roo Code / Kiro 等"借走"它对整座代码库的语义理解能力。** 官方明确列出的兼容客户端包括：Claude Code、Cursor、Zed、OpenAI Codex CLI、GitHub Copilot、OpenCode、Kilo Code、Kiro、AntiGravity、Gemini CLI、Roo Code、Droid。 它和普通"grep / 关键词匹配"的区别，官方原文写得很硬： - **语义理解（Semantic understanding）**——不是 grep，是一个"懂代码含义"的搜索引擎； - **关系感知（Relationship awareness）**——理解文件之间、服务之间、架构之间怎么连； - **不止代码**——连 commit 历史、代码模式、外部文档、工单都一起索引； - **智能裁剪**——只取真正相关的内容，并在不丢信息的前提下压缩上下文。 据测评它能处理 **40 万文件级**的代码库，SWE-bench 成绩约 70.6%（这个数字来自第三方 2026 评测，官方未直接背书，引用时心里有数即可）。 **成本怎么算？** 官方给的说法是：MCP 查询走 token 计价 = 模型供应商的公开 API 价 + 40% 服务费，**平均每条查询大约 $0.03–$0.06**。也就是一天问它几十次，几块钱人民币的事。 > 对中国用户的意义：你不用纠结"要不要从 Claude Code 迁到 Augment"——把 Augment 的 Context Engine 当成 Claude Code 的一个 MCP 工具挂上去，让它俩分工，Claude 负责推理写码，Augment 负责"全仓记忆"。 --- ## 杀招二：三种 Rule 类型，尤其那个会"自己判断要不要用"的 Auto Augment 的规则系统（`.augment/rules/` 目录下）支持三种类型，**90% 的人只会用 Always**： - **Always**：内容塞进每一条 prompt，常驻； - **Manual**：必须你在 Chat 里用 `@` 手动挂载才生效； - **Auto**：你给它一段"描述（description）"，Agent 会**根据当前任务自动判断要不要加载这条规则**。 Auto 是被严重低估的杀招。比如你写一条规则叫"支付模块异常处理规范"，description 写"当任务涉及 payment / billing / 退款逻辑时使用"，平时它不占 prompt，一旦你让它改支付代码，它自己冒出来。**等于给 AI 装了一个"条件反射式"的项目记忆**，既不污染上下文，又不会漏。 注意 CLI 侧的坑：Auggie CLI 用 snake_case 写法（`always_apply`、`agent_requested`），而且 **Manual 类型在 CLI 里会被直接跳过**（CLI 没有 `@` 挂载机制）。所以跨 IDE 和 CLI 协作时，别把关键规则设成 Manual。 --- ## 杀招三：分层规则——AGENTS.md / CLAUDE.md 会"沿目录树往上爬" 这是我最喜欢的一个设计，国内几乎没人讲。 除了 workspace 根目录的 `.augment/rules/`，Augment 还支持**分层规则**：你在任意子目录放 `AGENTS.md` 或 `CLAUDE.md`，当你编辑该目录下的文件时，Augment 会从当前目录**一路向上**收集所有父目录的规则文件，全部拼进上下文。 ``` my-project/ ├── AGENTS.md ← 常驻（workspace 根） ├── src/ │ ├── AGENTS.md ← 改 src/ 下文件时加载 │ └── components/ │ ├── AGENTS.md ← 改 components/ 下文件时加载 │ └── Button.tsx └── backend/ └── AGENTS.md ← backend 用另一套规范 ``` 当你改 `src/components/Button.tsx` 时，三个 `AGENTS.md` 全部生效。 **实战价值**：前端目录写 React / App Router 规范，后端目录写 Node / API 规范，支付模块写合规要求，互不干扰。每个团队守自己的目录。Hacker News 上那条 "This is the first I've heard of Augment Code" 的讨论里，吸引人的正是这种 context engine 式的工程化能力——它不是把规则一股脑塞给你，而是**按你正在碰的代码，精准地把相关规范递过来**。 > 注意：只有 `AGENTS.md` 和 `CLAUDE.md` 支持分层向上爬；`.augment/rules/` 只在 workspace 根目录读取，不会下钻。 --- ## 杀招四：User / Workspace 字符上限"套利"，按优先级排兵布阵 Augment 对规则有明确容量限制，**超了会被裁剪**——所以这不是"想写多少写多少"，而是要按优先级排： | 类型 | 位置 | 容量上限 | |------|------|----------| | User Guidelines | IDE 本地 | **24,576 字符** | | Workspace Guidelines + Rules | 仓库内 | **49,512 字符** | 裁剪的优先级顺序（被裁的是排后面的）：**Manual rules → Always + Auto rules → `.augment-guidelines`**。 也就是说，`.augment-guidelines` 这个文件**优先级最低，最容易被砍**。所以：**最重要的项目铁律，别写在 `.augment-guidelines` 里，应该放进 Always 类型的 Rule 文件**；次重要的进 Auto；最次要、最长的背景说明，才丢进 `.augment-guidelines`。 这是个反直觉的坑——很多人把核心规范塞进 `.augment-guidelines`，结果一旦内容变长，最先被裁掉的就是它。 --- ## 杀招五：Context Engine 双模式——Local 实时索引 vs Remote 跨仓库 Context Engine MCP 提供两种部署模式，**选错模式等于白花力气**： - **Local Server（本地）**：用 Auggie CLI 跑成一个 stdio 的 MCP server，**实时索引你的工作目录**，文件一改它就更新，不用手动同步。→ **适合：日常写码、改 bug、加功能。官方推荐主力开发用这个。** - **Remote Server（远程）**：走 HTTP 连 Augment 托管的引擎，配合 GitHub App，索引的是**选中仓库的默认分支**，push 到默认分支才更新。→ **适合：理解/接手老代码、跨仓库上下文、没有本地工作树的 CI 环境。** 一句话记住：**本地写码用 Local，读老仓库 / 跨库调研用 Remote。** 你要是在一台没把整个 monorepo clone 下来的机器上想让 AI 懂全局，Remote 就是唯一解。 --- ## 杀招六：@-mention 把外部文档喂进规则里 Augment 的 guidelines 不只能写代码规范，**还能贴外部文档链接**：Google Docs、Notion、Confluence 都行。你可以在 `.augment-guidelines` 或 Rule 里直接写： > "产品需求见 https://your-notion.link/prd-v3，所有接口设计以此为准。" 这样 Agent 在做需求时，会把这些链接作为权威上下文参考。配合 Auto 类型，等于把"产品文档→代码规范"的链路打通：一改 PRD，下次让 AI 写代码时它就知道最新口径。 对中国团队特别有用的一点：你还**可以让它固定用中文回复**（`Respond to questions in Chinese`），或固定技术栈版本（`Python 3.13.5`）。这些在多人协作、新人 onboard 时能省掉大量"为什么 AI 又用了老版本库"的扯皮。 --- ## 杀招七：Auggie CLI——终端原住民的零 IDE 入口 很多人不知道 Augment 有个**命令行工具 Auggie**，完全不装 IDE 插件也能用。它有交互式 TUI、非交互模式、会话管理（session management）、自定义命令系统，甚至能自己写 Code Review 命令。 对国内云服务器、远程开发盒、纯 SSH 场景的工程师，这是个隐藏入口：`auggie` 跑起来既是 CLI agent，也能直接当 MCP server（见杀招一、五）。规则文件用 snake_case frontmatter（`always_apply` / `agent_requested`）。 **一句话**：不想开 VSCode、想在 tmux 里直接让 AI 改代码的，Auggie CLI 是正解。 --- ## 杀招八：把 Augment 的"语义检索"和 grep 切开用 最后一个认知纠偏：Augment Context Engine **不是更快的 grep**，而是**语义检索**。它"懂" `calculateTotal` 和 `computeInvoiceSum` 是一类东西，而 grep 会漏掉后者。 所以正确用法是**分工**： - 你要找"所有调用支付接口的地方"——grep / 符号搜索更快； - 你要问"这个订单状态机在哪些服务里有类似的实现、改它会影响谁"——交给 Context Engine。 Claude Code / Cursor 挂上 Context Engine MCP 后，让模型自己判断"这次该 grep 还是该问 Augment"，往往比手动选更准。 --- ## 一张图看懂 Context Engine 怎么插进你的工具链 ```mermaid flowchart LR subgraph 你的代码库 A[40万文件代码库
commit历史/外部文档] end CE[Augment Context Engine
语义检索 + 关系感知] A -->|实时索引 Local
或 Remote 默认分支| CE subgraph 你正在用的 Agent CC[Claude Code] CU[Cursor] ZD[Zed] CO[Codex CLI] CP[GitHub Copilot] GC[Gemini CLI] end CE -->|MCP 协议
约$0.03-0.06/查询| CC CE -->|MCP| CU CE -->|MCP| ZD CE -->|MCP| CO CE -->|MCP| CP CE -->|MCP| GC CC & CU & ZD & CO & CP & GC -->|写回| A ``` ## 规则分层向上爬的工作机制 ```mermaid flowchart TD F[编辑 src/components/Button.tsx] --> W{沿目录树向上查找} W -->|当前目录| R3[components/AGENTS.md
React组件规范] W -->|父目录| R2[src/AGENTS.md
前端通用规范] W -->|根目录| R1[AGENTS.md
项目铁律-常驻] R1 & R2 & R3 --> M[全部拼入本次会话上下文] M --> OUT[AI 按层级规范写码] ``` --- ## 信息差总结：你以为的 vs 它实际能做的 | 维度 | 多数人的认知 | 真实情况（信息差） | |------|-------------|-------------------| | 产品定位 | Copilot 补全平替 | 补全已于 2026-03-31 对非企业版下线，现在主打 Agent + Context Engine | | 用法 | 必须装 Augment 插件 | Context Engine 可作 MCP，挂进 Claude Code / Cursor / Zed 等 | | 规则 | 只有 `.augment-guidelines` 一个文件 | 三类型 Rule（Always/Manual/Auto）+ AGENTS.md 分层 | | 上下文 | 像别的工具一样靠 prompt 拼窗口 | 40万文件级语义索引，自动检索裁剪 | | 部署 | 只能在 IDE 里用 | Auggie CLI 可纯终端跑，也能当 stdio MCP server | | 成本 | 企业级肯定贵 | MCP 查询平均 $0.03–0.06/条 | ## 行动指南：今晚就能做的五步 1. **先纠认知**：打开 [Augment Context Engine MCP 产品页](https://www.augmentcode.com/product/context-engine-mcp)，确认它和"补全插件"已是两个东西。 2. **挂 MCP 到 Claude Code**：按官方[配置页 app.augmentcode.com/mcp/configuration](https://app.augmentcode.com/mcp/configuration) 拿配置，参考 GitHub 上的 [context-engine-plugin](https://github.com/augmentcode/context-engine-plugin) 仓库的 Claude 目录，把它接进你现有的 Claude Code。先充个 5 美元 token 额度试水。 3. **建三条 Rule**：在 `.augment/rules/` 下放——一条 Always（项目铁律）、一条 Auto（按 description 自动触发的模块规范）、一条 Manual（长篇背景，用时再挂）。 4. **目录分层**：在 `frontend/` 和 `backend/` 各放一个 `AGENTS.md`，把不同栈的规范分开，验证"向上爬"效果。 5. **优先级自查**：把最重要的规则从 `.augment-guidelines`（最易被裁）挪到 Always Rule，避免长内容上线后被静默砍掉。 ## 参考来源 - [Augment 官方：Keyboard Shortcuts for VS Code（含 2026-03-31 补全下线声明）](https://docs.augmentcode.com/setup-augment/vscode-keyboard-shortcuts) - [Augment 官方：Rules & Guidelines for Agent and Chat](https://docs.augmentcode.com/setup-augment/guidelines) - [Augment 官方：Context Engine MCP overview](https://docs.augmentcode.com/context-services/mcp/overview) - [Augment GitHub：context-engine-plugin（各 Agent 接入示例）](https://github.com/augmentcode/context-engine-plugin) - [Hacker News：This is the first I've heard of Augment Code 讨论](https://news.ycombinator.com/item?id=44465245) --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 --- ### 1. 完成摘要（What was done） - **采集渠道**：内置 WebSearch / webReader 本月配额已耗尽（2026-07-18 重置），切换至 **ducksearch（DuckDuckGo）** 完成联网采集 - **信息源（≥3 种，均为实际抓取）**：Augment 官方文档 3 页（快捷键/规则/Context Engine MCP）、Augment 官方 GitHub 仓库、HN 讨论帖、LinkedIn 官方公告、DeepWiki（Auggie CLI） - **工具聚焦**：选定 **Augment Code**（本轮此前未覆盖，区别于已写的 Claude Code / Cursor / Cline / Copilot / Zed / Windsurf / Gemini CLI） - **产出**：完整 Markdown 文章一篇，含 8 个隐藏杀招、2 张 Mermaid 图、信息差对比表、行动指南、5 条可点击参考来源，正文超 2000 字 ### 2. 下一步计划（What's next） - 如需我把这篇文章做成 PPT / 口播短视频，可调用 `51xtx-ppt-writer` 或 `content-to-video` - 下一轮（Round 3）为**实战案例**方向，建议继续锁定"Augment Context Engine 挂 Claude Code"这条线索，做一个真实仓库的 ROI 拆解，可与本文形成系列 - 建议把 Augment 关键事实（补全下线日期、MCP 单价 $0.03–0.06、字符上限 24576/49512）沉淀进记忆，避免后续重复采集 ### 3. 注意事项 - **配额风险**：z.ai 内置 WebSearch 与 webReader 本月均已耗尽，未来几天联网采集需继续依赖 ducksearch / web-access skill - **数据出处**：SWE-bench 70.6%、40 万文件、$227M 融资等数字来自第三方 2026 评测，官方文档未直接背书，文中已注明"据测评"，引用时请保持此口径 - **时效性**：2026-03-31 补全下线、Context Engine MCP（2-06 发布）均为本文核心时效点，半年后可能再次变更，二次发布前建议复核官方 changelog > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。