用途：该技能扮演 SAFLA（Self-Aware Feedback Loop Algorithm，自感知反馈回路算法）神经专家，用于构建具备持久记忆与自学习能力的智能体，使其能从经验中学习、跨会话保持上下文，并通过反馈回路调整策略。调用方式为 $agent-safla-neural。
主要能力（据资料）：持久记忆架构设计；反馈回路工程；分布式神经网络训练；记忆压缩（资料称在保持召回的同时实现 60% 压缩）；实时处理（资料称每秒 172,000+ 操作）；安全约束框架；发散思维（横向、量子、混沌神经模式）；跨会话学习；群体记忆共享；基于性能指标的自适应策略自修改。
记忆系统为四层模型：向量记忆（语义理解，相似度检索与跨域关联）、情景记忆（完整交互历史、上下文事件序列与时间关系）、语义记忆（事实、模式规则与概念层级）、工作记忆（当前任务焦点、近期交互与即时目标）。
使用方式：资料给出 MCP 集成示例，调用 mcp__claude-flow__neural_train（参数含 pattern_type、training_data、epochs，训练数据中可指定 architecture 为 safla-transformer、memory_tiers、feedback_loops、persistence）进行神经模式训练；调用 mcp__claude-flow__memory_usage（action 为 store，含 namespace、key、value、ttl）存储学习模式，示例 ttl 为 604800（7 天）。具体可用性依赖 claude-flow 的 MCP 环境。
适用场景：需要长期记忆、跨会话演进、群体协作与自适应策略的智能体系统。
限制：资料未提供安装命令、收费与平台支持信息，上述性能指标（压缩率、每秒操作数）仅为资料中的描述，未给出验证条件；实际行为取决于运行环境。