用途：为智能体提供基于经验的自适应学习能力，让智能体记录执行轨迹、判断结果成败、蒸馏记忆并随时间改进决策，底层使用 AgentDB 向量数据库。
主要能力：轨迹追踪（记录动作序列与结果指标）、结果判定（依据相似成功模式判断轨迹是否成功）、记忆蒸馏（将相似经验合并为高层模式）、经验检索与推理。AgentDB 提供四个推理模块：PatternMatcher（相似模式匹配，支持 MMR 多样性）、ContextSynthesizer（多记忆合成上下文）、MemoryOptimizer（自动合并与剪枝）、ExperienceCurator（按置信度与质量过滤）。支持分层记忆（具体实现、模式、原则）与跨领域迁移学习。
使用方式：需 Node.js 18+ 与 AgentDB v1.0.7+（通过 agentic-flow）。CLI 初始化：npx agentdb@latest init ./.agentdb/reasoningbank.db --dimension 1536；启动 MCP 服务：npx agentdb@latest mcp，并可用 claude mcp add agentdb npx agentdb@latest mcp 接入 Claude Code。旧库迁移：npx agentdb@latest migrate --source .swarm/memory.db，用 npx agentdb@latest stats 验证。API 侧通过 createAgentDBAdapter 与 computeEmbedding 初始化，调用 insertPattern 写入经验，retrieveWithReasoning 检索并启用 useMMR、synthesizeContext、optimizeMemory 等选项。旧版 retrieveMemories、judgeTrajectory、distillMemories 接口保持兼容。
适用场景：需要从历史经验中学习并复用成功模式的智能体系统，如代码优化、调试、测试、数据库优化等领域的经验积累与决策改进。
限制：资料未提供收费、价格与平台支持信息；性能数字为资料宣称值，实际效果暂未提供独立验证；需要理解向量嵌入与强化学习概念（可选）。