用途：通过 AgentDB 插件系统创建、训练和部署面向自主智能体的学习插件，使智能体能够通过经验积累自我改进。
主要能力：提供 9 种强化学习算法模板，包括 Decision Transformer（离线 RL，适合从历史数据或专家演示中学习）、Q-Learning（离策略值学习，适合离散动作空间）、SARSA（在策略值学习，偏保守，适合安全敏感任务）、Actor-Critic（带基线的策略梯度，适合连续动作），以及主动学习、对抗训练、课程学习、联邦学习和多任务学习。据资料称为 WASM 加速，训练可快 10-100 倍。
使用方式：需 Node.js 18+、AgentDB v1.0.7+（经 agentic-flow）。CLI 创建插件命令为 npx agentdb@latest create-plugin，可加 -t 指定模板、-n 命名、--dry-run 预览、-o 自定义目录；npx agentdb@latest list-templates 查看模板；list-plugins 列出已装插件；plugin-info 查看算法、配置与训练状态。API 侧可初始化适配器，插入 experience 类型模式存储状态、动作、奖励等，再调用 adapter.train 训练，并通过 retrieveWithReasoning 评估或推理。
适用场景：游戏与导航、资源分配、连续控制、多智能体协同、隐私敏感数据及需要多样化任务迁移的自主学习任务。
限制：资料建议具备强化学习基础；训练可能面临不收敛、过拟合或速度慢等问题，文档给出降低学习率、设置验证集、启用量化等方向；部分算法未给出完整配置或具体训练示例，相关细节暂未提供。