用途：为 AI 智能体提供自适应学习能力，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：模式识别（从数据学习模式并匹配当前情境）；策略优化（比较多种策略并推荐最优方案）；持续学习（按置信度阈值和更新频率自动学习）；元学习与迁移学习（跨任务类型和领域复用知识）；自适应智能体（执行任务时获取策略、执行并回写经验）；与 AgentDB 集成实现持久化、向量搜索和模式查询；提供性能指标追踪学习效果。
使用方式：从 agentic-flow/reasoningbank 导入 ReasoningBank，初始化时配置 persist、learningRate 和 adapter（如 agentdb）。通过 recordExperience 记录任务结果，recommendStrategy 获取最优策略，learnPattern 学习模式，matchPatterns 匹配模式，compareStrategies 比较策略，enableAutoLearning 开启自动学习。可配置 AgentDB 存储、启用向量搜索，并用 query 按类别、置信度和时间范围查询已学模式。
适用场景：构建需要自我改进的智能体，如代码审查、缺陷修复、批处理与数据转换等任务中的策略选择与优化。
限制：需满足依赖版本要求；建议每类任务至少 100 条经验以获得较好推荐；模式匹配慢时可启用向量索引；内存增长可通过 TTL 或剪枝控制。具体收费、平台与效果资料暂未提供。