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识别模式、优化策略并持续改进，支持元认知学习与知识迁移。
主要能力：
- 模式识别：用 learnPattern 学习模式（含 triggers、actions、confidence），再用 matchPatterns 匹配当前情境。
- 策略优化：用 compareStrategies 比较多种策略并给出评分，用 recommendStrategy 按任务类型与上下文推荐最优策略。
- 持续学习：enableAutoLearning 可设定置信度阈值与更新频率，自动从任务结果中学习。
- 元学习与迁移学习：metaLearn 记录关于学习的观察；transferKnowledge 将某领域知识迁移到相近领域。
- 集成 AgentDB：可配置持久化存储、启用向量搜索，并按类别、置信度、时间范围查询已学模式；getMetrics 可查看经验数、已学模式数、策略成功率等指标。
使用方式：需 agentic-flow v1.5.11+、AgentDB v1.0.4+（用于持久化）及 Node.js 18+。从 'agentic-flow/reasoningbank' 导入 ReasoningBank，初始化时可设 persist、learningRate、adapter（如 agentdb），随后用 recordExperience 记录任务结果，用 recommendStrategy 获取推荐策略，并可将策略执行结果再次回写形成闭环。
适用场景：需要自学习与策略迭代的智能体工作流，例如代码审查等任务的策略选择、模式驱动的决策优化等。
限制与注意事项：资料未提供价格、平台支持范围等事实。文档建议每种任务类型至少积累约 100 条经验以获得较好推荐；若模式匹配慢可启用 AgentDB 向量索引；若内存增长过大可设置旧经验 TTL 或启用清理。其余问题（如推荐质量差）文档给出的解决办法是补充足够训练数据。