ReasoningBank Intelligence

用途：为 AI 智能体提供 ReasoningBank 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，支持元认知与持续改进。\n\n主要能力：一、模式识别，可用 learnPattern 学习模式（含 triggers、actions、confidence），并用 matchPatterns 匹配当前情境。二、策略优化，用 compareStrategies 比较多种策略，用 recommendStrategy 获取最优策略。三、持续学习，用 enableAutoLearning 设置阈值与更新频率，仅从高置信度结果学习。四、高级用法，包括 metaLearn 元学习、transferKnowledge 跨域迁移知识，以及构建可自我改进的 AdaptiveAgent 类。五、与 AgentDB 集成做持久化，可配置存储类型、数据库路径与向量搜索，并用 query 按类别、最低置信度和时间范围查询已学模式。六、用 getMetrics 查看总经验数、已学模式数、策略成功率和改进情况。\n\n使用方式：先 import { ReasoningBank } from 'agentic-flow/reasoningbank'，再 new ReasoningBank 初始化，传入 persist、learningRate、adapter 等选项；用 recordExperience 记录任务结果，用 recommendStrategy 获取建议策略。\n\n适用场景：构建自学习智能体、代码审查、缺陷修复策略选择、批处理与数据转换等任务的经验累积。\n\n限制与前置条件：需要 agentic-flow v1.5.11+、AgentDB v1.0.4+（用于持久化）、Node.js 18+。资料提示若推荐效果差，需保证每种任务类型有 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 或启用剪枝。其余收费、平台与效果信息暂未提供。