用途：agent-o-rama 属于认知代理系统（Cognitive Surrogate Systems）的第 4 层，负责学习与模式提取。它在交互序列上训练学习代理，从原始交互数据中发现行为模式，产出与 cognitive-surrogate 技能兼容的模型。
主要能力：提供 train-interaction-predictor（按历史预测下一次交互）、extract-temporal-patterns（发现基于时间的行为模式，如高峰时段、响应时间、发帖频率）、extract-topic-patterns（分析主题分布、主题转移马尔可夫链、主题熵与聚类）、skill-discovery（从行为模式中识别潜在技能）、derive-patterns-via-unworld（通过派生链生成模式，号称比传统训练快 100 倍且确定性）、verify-equivalence-via-bisimulation（用互模拟证明时间训练与派生模式行为等价）、validate-held-out（在留出集上交叉验证，目标下一主题预测准确率大于 80%）。
使用方式：通过 Python 导入 agent_o_rama 中的 InteractionPredictor、UnworldPatternDeriver 等类进行训练与派生；数据存储使用 DuckDB，包含 interaction_sequences 与 learned_patterns 表；配置可写在 agent-o-rama.yaml 中，涵盖训练、模式与可复现性参数；示例工作流使用 just 命令，如 just agent-train interactions.duckdb --epochs 100、just agent-discover-skills --min-freq 5、just agent-validate --test-split 0.2、just agent-export patterns.json。
适用场景：需要从交互日志中提取时间、主题、网络与技能模式，并供下游认知代理消费的场景。
限制：资料未提供安装命令、依赖版本、收费与平台信息；部分能力（如派生生成、互模拟验证）依赖 Langevin/Unworld 集成与 GF(3) 校验，实际可用性暂未提供说明。