AgentDB Learning 是一个强化学习插件技能，面向需要让自主智能体通过经验持续改进的开发者。它依托 AgentDB 的插件系统，提供创建、训练和部署学习插件的完整路径。
【主要能力】 资料列出 9 种算法：Decision Transformer（离线强化学习，适合从日志经验学习与模仿学习，无需在线交互）、Q-Learning（基于值、离策略，适合离散动作空间）、SARSA（基于值、同策略，更保守，适合安全敏感任务）、Actor-Critic（带值基线的策略梯度，适合连续动作与复杂动作空间），以及 Active Learning（基于查询、降低标注成本）、Adversarial Training（提升鲁棒性与对抗防御）、Curriculum Learning（渐进难度、加速收敛）、Federated Learning（分布式、隐私保护）、Multi-Task Learning（迁移与知识共享）。资料称通过 WASM 加速神经推理，训练速度可提升 10-100 倍。
【使用方式】 前提为 Node.js 18+、AgentDB v1.0.7+（通过 agentic-flow 获取），建议具备基础强化学习知识。CLI 方面，可用交互式向导创建插件：npx agentdb@latest create-plugin；也可指定模板与名称：npx agentdb@latest create-plugin -t decision-transformer -n my-agent；支持 --dry-run 预览和 -o 指定输出目录。可用 list-templates 查看模板、list-plugins 列出已安装插件、plugin-info 查看插件算法、配置与训练状态。API 方面，通过 import { createAgentDBAdapter } from 'agentic-flow/reasoningbank' 初始化适配器（可开启 enableLearning、enableReasoning 并设置 cacheSize），再以 insertPattern 写入状态、动作、奖励、下一状态等经验数据，调用 adapter.train 传入 epochs、batchSize、learningRate、validationSplit 等参数训练，并用 retrieveWithReasoning 检索相似经验做评估与推理。资料还介绍了经验回放、优先经验回放、多智能体训练、批量训练、增量训练及与推理智能体结合的做法。
【适用场景】 可用于从历史数据学习、模仿专家示范、离散决策（网格世界、棋盘游戏、导航、资源分配）、连续控制（机器人、仿真）、安全关键决策、隐私敏感的多智能体分布式训练、任务族迁移与元学习等。
【限制】 需满足 Node.js 18+ 与 AgentDB v1.0.7+ 版本要求；训练可能遇到不收敛、过拟合或速度慢等问题，资料给出的应对包括降低学习率、使用验证集划分、开启内存优化与量化等。关于收费、价格与平台支持范围，资料未提供，暂未说明。