Reflexio 是一个 AI 智能体学习平台（AI agent learning platform），核心目标是把用户纠正、失败路径和成功结果转化为智能体可复用的行为改变，让智能体随时间改进自身行为、不再重复犯错。
用途与定位：Reflexio 强调自己“不是又一个记忆层”。传统记忆工具存储用户说过什么，你仍需翻阅日志找问题；记忆是否帮上忙、如何撤销都无法判断。Reflexio 关注的是“智能体下次应该如何表现不同”，把纠正内容与其触发条件一起捕获，形成可读的规则，进入你可控的队列。
主要能力：
- 自改进循环（Self-improvement loop）：持续学习，而非一次性学习。官方示例中，3 月“退款允许 30 天内”被停用，6 月“退款窗口现为 14 天”生效。
- 自调整学习（Self-tuning learnings）：每条学习成果会依据其产生的证据进行调优。
- 评估与影响（Evaluation & impact）：可判断学习是否真正起到了帮助。
- 审核与控制（Review & control）：每条学习成果均可审计，处于你的控制之下；支持批准、待定、拒绝三种状态，被拒绝的会退出检索。
运行机制：一个循环——你的智能体发布发生的情况，Reflexio 提取应做的不同之处，下一次运行再读回这些内容，全程不重新训练模型。
集成方式：可用轻量 SDK 包装现有 LLM 调用，无需重写智能体。官方提供了可移植 skill，也支持通过 Python、REST 或 CLI 接通同一套“检索—发布”循环；可向 Codex、Claude Code 或 Cursor 提供提示，从智能体应用仓库运行技能，它会检查现有生命周期、实现 Reflexio 循环并验证改动路径。具体安装命令与代码示例原文未提供。
特性：AI 驱动的助手、学习与评估、持久上下文、简单集成、可执行信号（自动从纠正中提取触发条件与反馈）、不断演化的智能（学习行为随时间合并、冲突得到解决）、精准上下文注入（仅在推理时刻注入相关信号，以降低 token 成本）。
部署与数据控制：从全托管到完全自托管均可运行，而智能体调用的 API 始终不变。全托管模式下无需运维，服务由官方运行，组织获得独立隔离 schema；自带模型凭据模式下使用你自己的 OpenAI、Anthropic、DeepSeek、Qwen、xAI 或自定义端点凭据；也可协商模型合约或制定流量可见性策略；自托管（BYOC）模式可在你自己的云账户内单租户运行、对接你拥有的数据库，由你的团队部署和运营，学习数据存放在你拥有的 Supabase 项目或 Postgres 实例中，适合受监管环境或有硬性账户边界要求的场景。该模式仅上报使用次数，绝不上报内容。
限制与未提供信息：具体价格、收费方式原文未提供；完整安装命令、代码示例、支持的模型清单细节、可用的平台/框架完整列表原文均未提供，需以官方文档为准。
