Augment Code 发布 Cosmos 反馈分派专家：双工程师团队如何自动化处理 6 倍产品反馈
背景：成功带来的新瓶颈
Augment Code 的双工程师团队在构建自动化工作流和 Advisor 体验方面取得了显著成功，覆盖了 GitHub、GitLab、Slack、Jira 等多个平台。然而，随着客户群和功能的扩展，反馈量呈指数级增长。
在最近两周内，团队处理了 60 条 产品反馈线程（平均每周 30 条，此前仅为每周 5 条）。这些反馈来源广泛，包括市场部转达的外部客户意见、内部员工试用新功能的发现，以及生产环境中的 Bug。
反馈类型分布如下：
- 预发布反馈 (Pre-release feedback): 68.34%（内部发现的新功能问题）
- 其他产品反馈: 8.33%
- 功能请求 (Feature request): 8.33%
- 平台支持: 8.33%
- 生产 Bug: 6.67%
尽管其中 50% 的问题在报告后很快得到修复，但调查、复现、查找责任人、创建工单及编写代码的繁琐流程，竟占用了团队 90% 的时间。这导致长期路线图几乎停滞，团队陷入了“越成功，支持负担越重”的困境。
核心突破：构建 Feedback Triager Agent
面对重复性高且需要大量上下文重构的工作，Augment Code 决定不盲目扩招，而是利用 Cosmos 构建了一个名为 Feedback Triager 的专家 Agent。
核心机制：人机协作的新范式
该 Agent 的核心设计理念是：人类保留产品判断和优先级排序，Agent 处理重复的调查和执行工作。
Feedback Triager 能够追踪 Slack 报告的全生命周期，具体流程如下：
- 摄入 (Intake): Agent 读取报告及上下文，确认信息完整性。若缺少关键事实，它只会提出一个聚焦的澄清问题。
- 调查 (Investigation): 这是 Agent 的核心能力。它利用代码库、文档、日志、指标和现有工单进行根因分析 (RCA)。它区分“运行时证据”（发生了什么）和“静态证据”（为什么发生），并将结论标记为“已确认”、“暂定”或“证据不足”，绝不将推测当作事实。
- 行动 (Action): 根据调查结果自动执行：
- 解释: 针对非 Bug 类问题，直接在 Slack 中解释决策。
- 路由: 将问题转交给正确的团队，并附带 RCA 证据。
- 关联: 若已有工单，则链接或丰富现有记录。
- 修复: 若修复方案清晰，自动触发 PR Author Agent 进行代码实现。
- 立项: 若问题模糊，则在 Linear 中创建 backlog 问题，纳入整体规划。
实际应用价值
1. 极致的上下文保持能力
Feedback Triager 为每个报告启动一个长运行会话，能够整合回复、修正和新证据，无需像传统对话那样重复重建上下文。这使得 Agent 在处理复杂技术问题时具备极高的准确性。
2. 灵活的定制化与证据纪律
每个团队可以根据自身情况定制分类、路由和沟通规则。更重要的是，Agent 具备独立的证据验证能力，当证据指向不同的原因或严重性时，它会明确指出，而非盲目顺从报告者的诊断。
3. 释放工程师生产力
通过将繁琐的“上下文重构”和“执行”工作自动化，工程师得以从支持队列中解脱出来，专注于架构设计和产品战略。这种模式证明了在缺乏大量人力投入的情况下，AI Agent 也能支撑数倍于常规的工作负载。
"人类保留产品判断和优先级排序；Agent 处理重复的调查和围绕这些决策的执行工作。" —— Augment Code 团队
通过引入 Feedback Triager，Augment Code 成功将团队规模保持在两人，却实现了响应速度的 6 倍提升，彻底解决了路线图停滞的问题。
