用途：为 AI 智能体提供基于 ReasoningBank 的自适应学习能力，使其能从经验中学习、识别模式并随时间优化策略，实现元认知与持续改进。
主要能力：记录任务经验（recordExperience）、推荐最优策略（recommendStrategy）、学习模式（learnPattern）与匹配当前情境（matchPatterns）、比较多种策略（compareStrategies）、开启自动学习（enableAutoLearning，可设置信度阈值与更新频率）、元学习（metaLearn）与跨领域迁移学习（transferKnowledge）。还可查询已学模式（query）、与 AgentDB 集成持久化并启用向量搜索，并通过 getMetrics 查看经验总数、学到的模式数、策略成功率与改进情况。
必要用法：导入 { ReasoningBank } from 'agentic-flow/reasoningbank'，初始化时可配置 persist、learningRate、adapter 等；记录经验需提供 task、approach、outcome（含 success、metrics）与 context；策略推荐需传任务类型与上下文。持久化可配置 storage 为 agentdb 并指定数据库路径与 enableVectorSearch。
适用场景：构建会自我改进的智能体，如代码审查、缺陷修复、批处理与数据处理等任务的策略优化，跨语言或跨任务的知识迁移。
限制与注意：需 agentic-flow v1.5.11+、AgentDB v1.0.4+（用于持久化）与 Node.js 18+；建议持续记录所有任务结果（不限于成功）、提供丰富上下文、设置置信度阈值过滤低质量学习、定期审查已学模式、启用向量搜索；推荐效果差时可积累更多经验（每类任务 100+）、匹配慢可启用向量索引、内存过大可设置 TTL 或启用裁剪。具体安装命令与更多配置细节资料未提供完整。