用途：为智能体提供基于经验的强化式学习能力，通过 AgentDB 向量数据库存储与检索历史经验、轨迹和模式，使智能体随时间改进决策。
主要能力：轨迹跟踪（记录动作序列与结果指标）；结果判定（依据与成功模式的相似度评估轨迹）；记忆蒸馏（将相似经验合并为高层模式）；以及 PatternMatcher、ContextSynthesizer、MemoryOptimizer、ExperienceCurator 四个推理模块，分别用于相似模式匹配、上下文合成、记忆自动整合剪枝和质量过滤。支持分层记忆（具体实现/模式/原则）与跨域迁移学习。
前提条件：Node.js 18+，AgentDB v1.0.7+（通过 agentic-flow 获取），对强化学习概念有了解为可选。
使用方式：用 CLI 初始化数据库：npx agentdb@latest init ./.agentdb/reasoningbank.db --dimension 1536；启动 MCP 服务并接入 Claude Code：npx agentdb@latest mcp 与 claude mcp add agentdb npx agentdb@latest mcp。也可用 API：从 agentic-flow/reasoningbank 导入 createAgentDBAdapter 与 computeEmbedding，创建适配器时可开启 enableLearning、enableReasoning 和 cacheSize，随后调用 insertPattern 写入经验，调用 retrieveWithReasoning 检索记忆并启用 useMMR、synthesizeContext、optimizeMemory 等选项。旧版接口 retrieveMemories、judgeTrajectory、distillMemories 保持兼容。数据管理可用 export、import、stats、migrate 等子命令。
适用场景：智能体经验积累、代码与数据库优化经验复用、测试与调试知识沉淀、跨域知识迁移等需要长期记忆与决策改进的任务。
限制：需 Node.js 18+ 与 AgentDB v1.0.7+；官方给出的性能数字（150 倍、500 倍、<1ms 等）为项目自述，实际效果取决于环境；具体收费与许可条件暂未提供。