用途：让智能体从执行历史中学习，通过捕获轨迹、提取可操作的洞察并调整行为，将执行模式沉淀为可复用知识，提升后续表现。
主要能力：
- 轨迹收集：记录任务描述、所用方法、调用的工具、加载的上下文、结果、失败与错误、可选时间指标、成功/失败状态；可手动记录或通过自动钩子集成。示例存储路径：.tmp/learning/traces/{timestamp}{agent}{task}.md。
- 洞察提取：通过模式识别把轨迹转化为结构化洞察，类别包括成功模式、失败模式、效率模式、协作模式、知识缺口；按频率和影响排序，存储于 .tmp/learning/insights/{category}.md。
- 行为适配：分三级——会话本地即时应用、智能体专属（更新智能体 .md 文件）、系统级（修改编排模式）；规则建议先从会话本地开始，经3次以上确认后再提升为持久适配，系统级需人工批准并保留原始行为注释。
- 知识库：目录含 traces、insights、adaptations、knowledge-base.md、metrics，汇总可执行知识。
使用方式：在智能体关键节点集成——编排器在合并结果后捕获协作模式；工作者完成任务或评审后捕获执行洞察；评审者发现反复问题时捕获质量模式；任务管理器在任务完成后捕获拆解洞察。可配合脚本：python scripts/analyze_traces.py --traces .tmp/learning/traces/；python scripts/apply_adaptation.py --agent worker --adaptation "Always run lsp_diagnostics"，支持 --level session|agent|system。
适用场景：复杂任务完成、反复失败或低效、发现更优方法、多智能体协同、性能指标退化。
限制：资料未提供该技能的具体收费、价格、平台支持范围与效果保证；系统级适配需人工审批，低置信或高风险适配应记录并等待。