用途：为通用语言模型补充其缺乏的领域专业知识（如 Google Ads 优化、医疗编码、金融合规），在任务执行时按需注入最相关的知识模式，避免微调的高成本、慢速度与模型锁定，也避免系统提示膨胀稀释注意力。
主要能力：基于检索增强生成（RAG）范式，但检索的是带置信度与适用条件的结构化行动模式，而非原始文档。每个模式包含触发条件、建议、证据与置信度分数。流程为：查询分析器提取关键词，TF-IDF 评分器对知识库中所有模式打分，超过阈值的模式排序后选取 top-K 注入智能体上下文，执行后通过引用追踪将建议关联回具体模式，提供可审计性。
使用方式：定义 KnowledgePattern 结构（id、category、trigger、recommendation、evidence、confidence、terms 等），用 TFIDFEngine 计算 IDF 并评分检索，再通过 inject_knowledge 组装为带 <domain_knowledge> 标签的上下文块注入提示。示例中知识库为 gads-knowledge.js，含 1000+ 条 Google Ads 优化模式。
适用场景：需要通用模型不具备的领域专长；已有整理好的模式、规则或最佳实践知识库；不同查询需要不同知识子集；希望无需重新训练即可更新智能体专长；建议需基于可验证来源。
限制与注意：注入模式数量应限制在 top-K（建议 5-10 条），过多会稀释注意力；模式应保持原子化；需持续更新知识库并定期复核置信度；建议要求引用模式 ID 以形成审计轨迹；平台兼容性表中 Claude Code、Cursor、Codex、Gemini CLI 均支持动态注入、TF-IDF 评分、模式检索与引用追踪，知识更新方式因平台而异（文件重载、技能重载或重启）。具体收费、价格与效果数据暂未提供。