用途：这是一个可自我优化的智能体技能，基于 SONA（自优化神经架构）在每次任务执行中持续学习，并通过 LoRA 微调、EWC++ 持续学习与模式优化提升输出质量。
主要能力：自适应学习（从每次任务执行中学习，质量最多提升 +55%，借助 EWC++ 避免灾难性遗忘）；模式发现（检索 k=3 个相似模式，按资料称可达 761 decisions/sec，并将学到的策略应用到新任务，逐步构建模式库）；LoRA 微调（参数减少 99%，训练速度提升 10-100 倍，内存占用小）；LLM 路由（自动选择模型，质量感知路由，节省约 60% 成本）。
使用方式：资料提供 pre-task 与 post-task 钩子。任务前初始化轨迹：npx claude-flow@alpha hooks pre-task --description "$TASK"；任务后记录结果：npx claude-flow@alpha hooks post-task --task-id "$ID" --success true。技能通过 $agent-sona-learning-optimizer 调起。相关包为 @ruvector/sona@0.1.1，集成指南见 docs/RUVECTOR_SONA_INTEGRATION.md。
性能与分域提升：据 vibecast test-ruvector-sona 基准，吞吐量目标 2211 ops/sec，Micro-LoRA 每向量 0.447ms，40 层总开销 18.07ms。质量提升按领域为：代码 +5.0%、创意 +4.3%、推理 +3.6%、对话 +2.1%、数学 +1.2%。
适用场景：适合需要跨任务持续积累经验、按领域逐步提升质量且希望控制模型调用成本的智能体工作流，如编程、创意、推理与对话任务。
限制：资料未提供价格、平台支持、具体安装步骤与完整应用示例；各项性能数字均为基准或目标值，实际效果可能不同；使用前需确认 claude-flow 与 @ruvector/sona 的可用性。