用途：把 Drescher 的 schema mechanism（因果学习计算理论）落地为技能，用于让智能体从经验中发现可靠模式：在何种上下文 C 下执行动作 X，结果 R 往往随之出现。
主要能力：schema 以 Context → Action → Result 表示，并带 reliability；通过 Extended Context 做边缘归因，统计哪些条件与成功相关，从失败中识别前置条件；通过 Extended Results 发现副作用；用 Synthetic Item 假设不可直接观测的隐藏状态，以 schema 成败反推其开关；Composite Action 串联多步动作，用 Dijkstra 在 schema 图上寻找从当前状态到目标状态的最短路径。学习循环为 ACT、OBSERVE、ATTRIBUTE、SPIN OFF，对应 PLAY-LEARN-LIFT。
使用方式：以 YAML 描述 schema、extended_context、extended_results、synthetic_item 与 plan，结合 LLM 对语义、注释和因果机制的解读来建立、细化与解释发现。资料提到 pyleela.brain（Henry Minsky 的 Python 实现）包含 World、Item、Action、Schema、ExtendedContext、ExtendedResults、DijkstraPlanner 等类。原资料未给出具体安装命令与调用步骤，暂未提供。
适用场景：因果模型学习、依赖与前置条件发现、副作用记录、隐藏状态探测、目标导向的多步规划，以及技能知识的结构化沉淀。
限制：这里的 schema 不是 JSON Schema、OpenAPI、RELAX NG 或 XSD 等交换格式；确定性的 Lisp/Prolog/Python 实现在符号接地、自然语言上下文、解释、创造性泛化与处理新事物上受限，资料主张 LLM 可补足这些方面。具体性能与效果未见公开数据。