用途：为 AI 智能体提供自适应学习能力，使其能从任务经验中学习、识别模式并随时间优化策略，实现持续改进与元认知。
主要能力：记录任务结果与上下文；推荐最优策略；学习并匹配模式（含触发条件与动作、置信度）；比较多种策略并给出评分排序；开启自动学习（可设置信度阈值与更新频率）；元学习、跨领域知识迁移；与 AgentDB 集成实现持久化与向量检索；查询已学模式；查看学习效果指标（经验总数、已学模式数、策略成功率、改进趋势）。
使用方式：需 agentic-flow v1.5.11+、AgentDB v1.0.4+（用于持久化）、Node.js 18+。通过 import { ReasoningBank } from 'agentic-flow/reasoningbank'; 初始化，可配置 persist、learningRate、adapter: 'agentdb'。核心调用包括 recordExperience、recommendStrategy、learnPattern、matchPatterns、compareStrategies、enableAutoLearning、metaLearn、transferKnowledge、configure、query、getMetrics。
适用场景：构建可自我改进的智能体，用于代码审查、缺陷修复等任务的策略选择与优化，以及批量处理、数据转换等可迁移场景。
限制与建议：资料未提供收费、价格与平台信息。建议一致记录所有任务结果（不只成功案例）、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。若推荐效果差，需确保每种任务类型有 100+ 经验；模式匹配慢可启用 AgentDB 向量索引；内存增长可设置旧经验 TTL 或启用修剪。