用途：从 DAG（有向无环图）执行历史中提取可操作知识，帮助改进后续 DAG 性能。
主要能力：
- 模式提取：识别重复出现的执行模式，区分成功与失败配置，发现执行数据中的相关性，提取可复用模板。
- 反模式检测：识别导致失败的配置、低效图结构、常见错误和问题依赖。
- 建议生成：给出最优配置、并行执行机会、重试策略和技能选择建议。
- 知识积累：构建模式库，跟踪模式有效性，根据结果更新建议，并维护置信度分数。
可用模式类型：graph_structure（图拓扑）、skill_combination（技能组合）、execution_order（执行顺序）、parallelization（并行执行）、retry_strategy（重试策略）、resource_allocation（资源分配）、failure_recovery（故障恢复）。 反模式类型：circular_dependency_risk、bottleneck_structure、over_parallelization、under_parallelization、excessive_retries、resource_waste、fragile_dependency。
工作方式：输入执行数据集（包含执行记录、时间范围与可选过滤条件），通过 extractPatterns 等函数提取模式并按置信度阈值过滤；通过 detectAntiPatterns 检测反模式；再基于模式与反模式生成建议并按预期收益排序。
适用场景：分析 DAG 执行历史、优化 DAG 配置、识别执行瓶颈与资源浪费、改进重试与并行策略时使用。
限制：资料未给出安装命令、收费信息、具体平台要求或可直接运行的完整使用步骤；部分函数（如 crossPatternRecommendations）的实现在资料中未完整提供，缺失事实暂未提供。