ReasoningBank Intelligence 是一个面向 AI 智能体的自适应学习能力模块。它实现 ReasoningBank 的自适应学习系统，使智能体能够从经验中学习、识别模式并随时间优化策略，从而具备元认知能力与持续改进能力。
【用途】 用于为智能体引入“从经验中学习”的机制。它记录任务结果、学习模式并推荐更优策略，适合构建具有自我学习、自我改进特征的智能体。
【前提条件】 使用前需要满足：agentic-flow v1.5.11+；AgentDB v1.0.4+（用于持久化）；Node.js 18+。
【快速开始】
通过 agentic-flow/reasoningbank 导入 ReasoningBank，初始化时配置持久化、学习率与适配器（如 agentdb 用于存储）：
import { ReasoningBank } from 'agentic-flow/reasoningbank';
const rb = new ReasoningBank({ persist: true, learningRate: 0.1, adapter: 'agentdb' });
记录任务结果使用 rb.recordExperience，传入任务名称、方法、结果（成功与否、指标如发现缺陷数、耗时、误报数）以及上下文（如语言、复杂度）。获取最优策略使用 rb.recommendStrategy，传入任务名称与上下文。
【核心能力】
- 模式识别：可用
rb.learnPattern学习模式，定义模式名称、触发条件、动作与置信度；用rb.matchPatterns匹配当前情境。 - 策略优化：可用
rb.compareStrategies在多个候选策略间比较，并取评分最高的最优策略。 - 持续学习：可用
rb.enableAutoLearning开启自动学习，设置置信度阈值（仅从高置信结果学习）与更新频率（每若干次经验更新模型）。
【进阶用法】
元学习：使用 rb.metaLearn 学习“关于学习”的观察，包含置信度与适用条件（任务类型、条件）。
迁移学习：使用 rb.transferKnowledge 将知识从一个领域迁移到另一个领域，并指定相似度。
自适应智能体：可构建 AdaptiveAgent，执行任务时先获取最优策略，按策略执行后记录经验，从而持续改进。
【与 AgentDB 集成】
可用 rb.configure 配置存储类型为 agentdb，指定数据库路径并启用向量搜索。随后可用 rb.query 按类别、最小置信度与时间范围查询已学习的模式。
【性能指标】
可用 rb.getMetrics 获取总经验数、学习到的模式数、策略成功率与随时间改进情况等指标。
【最佳实践】 一致记录：记录所有任务结果，而不仅是成功结果；提供丰富上下文以提高模式匹配效果；设置阈值过滤低置信学习；定期审查学习到的模式质量；启用向量搜索以支持语义模式匹配。
【故障排查】 推荐效果差：确保训练数据充足（每种任务类型 100+ 次经验）；模式匹配慢：在 AgentDB 中启用向量索引；内存增长过大：为旧经验设置 TTL 或启用清理。
【适用场景】 需要自我学习与持续改进的智能体；需要根据上下文推荐最优策略的任务；需要从历史经验中识别模式并优化的场景；需要跨领域知识迁移的场景。
【限制】 资料未提供收费、价格、平台支持范围等信息，暂未提供。实际使用需满足前述版本与运行环境要求。