ruflo ReasoningBank 智能记忆为 Agent 构建模式识别与策略自优化的自适应学习系统【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本指南以仓库内 ReasoningBank Intelligence 技能文档.claude/skills/reasoningbank-intelligence/SKILL.md为骨架系统讲解如何在 ruflo 的智能体工作流中落地 ReasoningBank 自适应学习记录任务经验、识别行为模式、持续优化执行策略并讲解 AgentDB 向量存储集成与元学习meta-learning进阶用法。读完本文你将能独立构建一个“越用越聪明”的自学习 Agent——从一次成功/失败的执行中沉淀经验并在后续同类任务中自动选取最优策略。一、技能定位与适用场景ReasoningBank Intelligence 的核心思想是给 AI Agent 增加一块“经验银行”Agent 每次执行任务产生的轨迹trajectory与结果outcome被记录、评判、蒸馏成可复用的模式pattern与策略strategy后续遇到相似任务时先查经验再动手从而实现从经验中学习把一次性的任务执行转化为可积累的知识资产模式识别在大量执行数据中识别什么情况下做什么最有效策略随时间优化同一类任务可同时维护多种候选策略用真实结果打分排序元认知与持续改进Agent 具备反思自己如何学习的能力。在 ruflo 的实际架构中该技能的前身面向agentic-flow生态编写而仓库内的核心落地实现位于 v3/claude-flow/neural/src/reasoning-bank.ts。其文件头注释给出了与技能文档一一对应的四步学习流水线详见第五节同时claude-flow/neural包还负责将SONAManager、ReasoningBank、PatternLearner组合成完整的NeuralLearningSystem供 CLI 智能层编排使用见 v3/claude-flow/neural/README.md。前置条件按技能文档声明使用该能力需要依赖版本要求作用agentic-flow对应仓库内claude-flow/neural等模块v1.5.11提供 ReasoningBank 核心 APIAgentDBv1.0.4经验与模式的持久化存储Node.js18运行环境二、快速开始最小可运行的 ReasoningBank技能文档给出的最小示例完整覆盖了“初始化 → 记录经验 → 推荐策略”三个核心动作import { ReasoningBank } from agentic-flow/reasoningbank; // 初始化 ReasoningBank const rb new ReasoningBank({ persist: true, // 开启持久化重启后经验不丢失 learningRate: 0.1, // 学习率新经验对模式更新的影响权重 adapter: agentdb // 使用 AgentDB 作为存储后端 }); // 记录一次任务结果 await rb.recordExperience({ task: code_review, // 任务类型策略分组的关键维度 approach: static_analysis_first, // 本次采用的具体策略/方法 outcome: { success: true, metrics: { // 可量化的结果指标用于后续策略打分 bugs_found: 5, time_taken: 120, false_positives: 1 } }, context: { // 上下文越丰富模式匹配越精准 language: typescript, complexity: medium } }); // 为同类任务推荐最优策略 const strategy await rb.recommendStrategy(code_review, { language: typescript, complexity: high });这里的核心数据结构值得留意task是经验的索引键approach是待评估的候选策略名outcome.metrics是策略打分的客观依据context则是模式匹配时的过滤条件。把它们都记录完整后续的recommendStrategy才能返回当前场景下历史成功率最高的策略而不是笼统的全域最优解。三、三大核心能力详解3.1 模式识别Pattern Recognition模式识别解决同类问题再次出现时能否被认出来// 从数据中学习一条模式 await rb.learnPattern({ pattern: api_errors_increase_after_deploy, // 模式的可读名称 triggers: [deployment, traffic_spike], // 触发该模式的前置信号 actions: [rollback, scale_up], // 建议动作 confidence: 0.85 // 置信度 }); // 用当前情境去匹配已知模式 const matches await rb.matchPatterns(currentSituation);模式是一条带置信度的信号 → 动作关联。confidence决定了该模式是否会进入自动学习或参与策略推荐的考虑范围结合 3.3 的阈值机制低置信度学习会被过滤。3.2 策略优化Strategy Optimization同一类任务往往有多种解法策略优化负责用数据说话// 对比同一任务上的多个候选策略 const comparison await rb.compareStrategies(bug_fixing, [ tdd_approach, // 测试驱动 debug_first, // 直接调试 reproduce_then_fix // 先复现再修复 ]); // 取历史表现最好的策略 const best comparison.strategies[0]; console.log(Best: ${best.name} (score: ${best.score}));compareStrategies会回溯该任务类型下每次recordExperience的记录按成功率/指标对每个候选策略打分排序。得分来源正是日常积累的执行结果——这正是连续记录而非只记成功案例为何被列为最佳实践第一条的原因。3.3 持续学习Continuous Learning// 对所有任务开启自动学习 await rb.enableAutoLearning({ threshold: 0.7, // 只从高置信度的结果中学习 updateFrequency: 100 // 每积累 100 次经验更新一次模型 });threshold是一条质量控制线置信度低于 0.7 的经验默认不参与学习防止噪声污染updateFrequency则控制批式更新的节奏避免每次记录都触发全量重算。四、进阶用法4.1 元学习Meta-Learning学习如何学习元学习让 Agent 把跨任务的经验提炼为更高阶的认知——例如对于相互独立的任务并行执行更快这类方法论级别的知识await rb.metaLearn({ observation: parallel_execution_faster_for_independent_tasks, confidence: 0.95, applicability: { // 声明该认知的适用范围 task_types: [batch_processing, data_transformation], conditions: [tasks_independent, io_bound] } });与普通模式不同元知识带applicability适用范围声明仅在任务类型与场景条件都满足时才被套用。4.2 迁移学习Transfer Learning跨领域复用知识// 把一个领域的经验迁移到相似领域 await rb.transferKnowledge({ from: code_review_javascript, to: code_review_typescript, similarity: 0.8 // 源/目标领域相似度低于阈值时迁移会自动降权 });这允许 Agent 在冷启动新领域时先借用高相似度领域的成熟经验再随真实记录增加逐步替换为本地经验。4.3 自适应 Agent把上述能力封装成一个闭环技能文档给出一个完整的自改进 Agent范式它把查策略 → 执行 → 记录结果串成一个持续优化回路class AdaptiveAgent { async execute(task: Task) { // 1. 先查最优策略 const strategy await rb.recommendStrategy(task.type, task.context); // 2. 按策略执行 const result await this.executeWithStrategy(task, strategy); // 3. 把结果写回经验库供下次推荐使用 await rb.recordExperience({ task: task.type, approach: strategy.name, outcome: result, context: task.context }); return result; } }这是 ReasoningBank 最具价值的落地形态不需要任何人工标注Agent 每执行一次任务就在自动变强。五、源码级剖析四步学习流水线与默认配置技能文档所描述的能力在仓库中对应 v3/claude-flow/neural/src/reasoning-bank.ts 的实现。该文件头部注释将整套学习流水线明确划分为四步RETRIEVE检索——基于 AgentDB 的 HNSW 向量索引做 top-k 记忆注入并通过 MMRMaximal Marginal Relevanceλ 因子 0.7在相关与多样之间取得平衡JUDGE评判——以 LLM-as-judge 方式对轨迹成败打分产出TrajectoryVerdictDISTILL蒸馏——把被判定为高价值的轨迹提炼成可复用的DistilledMemory/PatternCONSOLIDATE巩固——去重、检测相互矛盾的记忆、并按年龄淘汰过期模式。5.1 可调配置项源自ReasoningBankConfig源码中ReasoningBankConfig与DEFAULT_CONFIG给出了全部可调参数及默认值技能文档中的learningRate、threshold等心智模型在这里都有对应的具体实现参数配置项默认值含义maxTrajectories5000最多保存的轨迹条数超出后按策略淘汰distillationThreshold0.6轨迹可被蒸馏为模式的最低质量分retrievalK3每次检索返回的相似记忆条数mmrLambda0.7MMR 多样性系数0–1越高越偏向多样maxPatternAgeDays30模式最大存活天数超龄即淘汰dedupThreshold0.95记忆去重相似度阈值enableContradictionDetectiontrue是否检测相互矛盾的模式dbPathundefined持久化数据库路径vectorDimension768向量维度AgentDB 建库时需一致namespacereasoning-bankAgentDB 存储命名空间enableAgentDBtrue是否启用 AgentDB 向量存储对照技能文档.claude/skills/reasoningbank-intelligence/SKILL.md即可发现distillationThreshold正是enableAutoLearning({ threshold: 0.7 })里 threshold 的底层落点mmrLambda对应向量检索要多样性的最佳实践。调试时这些默认值都是第一手参考。5.2 在 NeuralLearningSystem 中的组装方式根据 v3/claude-flow/neural/README.mdReasoningBank不是孤立模块它由createNeuralLearningSystem(...)与SONAManager、PatternLearner一起组装成高层入口调用方只需按 beginTask → recordStep → completeTask → retrieveMemories 的顺序驱动即可import { createNeuralLearningSystem } from claude-flow/neural; const sys createNeuralLearningSystem(balanced); await sys.initialize(); // 跟踪一次任务 const id sys.beginTask(Refactor auth middleware, code); // 记录执行步骤embedding 用 Float32Array 表示 sys.recordStep(id, analyzed-imports, 0.8, embedding1); sys.recordStep(id, extracted-helpers, 0.9, embedding2); // 完成任务——自动触发蒸馏与模式提取 await sys.completeTask(id, 0.85); // 为下一个相似任务检索记忆与模式 const memories await sys.retrieveMemories(queryEmbedding, 3); const patterns await sys.findPatterns(queryEmbedding, 3);相关类型Trajectory、TrajectoryStep、TrajectoryVerdict、DistilledMemory、Pattern、PatternEvolution统一定义在 v3/claude-flow/neural/src/types.ts而向 AgentDB 存储后端适配的胶水层在 v3/claude-flow/neural/src/reasoningbank-adapter.ts。仓库还提供了覆盖模式学习与持久化的测试用例可作为行为契约参考patterns.test.ts 与 persistence.test.ts。此外controller-registry.ts 中也出现了对 ReasoningBank 的引用说明其在记忆控制器层面同样被接线使用。5.3 性能设计目标reasoning-bank.ts头部注释给出了该模块的性能设计目标注意这是设计目标而非已发布基准检索 10ms借助 AgentDB HNSW宣称相对暴力检索快约 150 倍、单步学习 10ms、记忆巩固 100ms。仓库配套的 plugin/skills/reasoningbank-agentdb/SKILL.md 则描述了基于 AgentDB 的增强版 ReasoningBank包含轨迹追踪、裁定判定、记忆蒸馏与四个推理模块PatternMatcher / ContextSynthesizer / MemoryOptimizer / ExperienceCurator以及一套npx agentdblatestCLI 操作与迁移命令。六、与 AgentDB 集成持久化与语义查询ReasoningBank 的持久化与按语义查模式都依赖 AgentDB// 把 ReasoningBank 数据落到 AgentDB await rb.configure({ storage: { type: agentdb, options: { database: ./reasoning-bank.db, enableVectorSearch: true // 开启向量语义检索 } } }); // 查询已学到的模式按类别、置信度、时间范围过滤 const patterns await rb.query({ category: optimization, minConfidence: 0.8, timeRange: { last: 30d } });关键点enableVectorSearch: true后模式匹配从字符串精确匹配升级为 embedding 语义匹配这正是最佳实践中Use vector search: Enable semantic pattern matching的落点。若使用agentic-flow命名空间下的增强版 API也可通过createAgentDBAdapter直接指定dbPath、学习插件开关与模式缓存大小详见 plugin/skills/reasoningbank-agentdb/SKILL.md。七、用指标度量学习效果const metrics await rb.getMetrics(); console.log( Total Experiences: ${metrics.totalExperiences} // 累计经验数 Patterns Learned: ${metrics.patternsLearned} // 已学模式数 Strategy Success Rate: ${metrics.strategySuccessRate} // 策略成功率 Improvement Over Time: ${metrics.improvement} // 随时间改进幅度 );建议把上述指标接入 Agent 的运行看板把strategySuccessRate随周/月的变化作为学习系统是否真正生效的核心观测对象。仓库内的 controller-registry.test.ts 与 benchmark.test.ts 展示了此类系统在控制器层做基准验证与回归保护的典型做法。八、最佳实践清单连续记录而不只记成功失败样本与成功样本同样重要它们决定compareStrategies打分的可信度提供丰富上下文context字段越细语言、复杂度、规模、场景matchPatterns/recommendStrategy的命中越准设置置信度阈值用enableAutoLearning({ threshold: 0.7 })之类机制过滤低置信度学习避免噪声污染模式库定期审计已学模式周期性检查模式库质量剔除过时或相互矛盾的条目源码默认开启enableContradictionDetection启用向量语义匹配打开 AgentDB 的enableVectorSearch让模式匹配摆脱字面量限制。九、故障排查Troubleshooting现象排查方向与解法推荐质量差Poor recommendations训练数据不足。技能文档给出的经验值是每个任务类型至少积累 100 条经验可先compareStrategies人工核验各策略分数是否与直觉一致模式匹配慢Slow pattern matching在 AgentDB 中启用向量索引enableVectorSearch: true使检索走 HNSW 而非暴力扫描记忆体持续膨胀Memory growing large为旧经验设置 TTL 或启用修剪对应源码中的maxPatternAgeDays与maxTrajectories增强版可调用rb.optimize()或开启optimizeMemory让 MemoryOptimizer 自动合并相似模式并剪除低质量条目若使用的是增强版 AgentDB 后端模式匹配慢还可尝试在retrieveWithReasoning中同时开启useMMR: true与synthesizeContext: true前者提升结果多样性、后者融合多条记忆生成更高质量的上下文见 plugin/skills/reasoningbank-agentdb/SKILL.md。十、深入学习路径围绕 ReasoningBank 能力本仓库中按以下路径继续深入本技能原文档.claude/skills/reasoningbank-intelligence/SKILL.md同技能插件化副本plugin/skills/reasoningbank-intelligence/SKILL.mdAgentDB 增强版技能轨迹追踪/裁定/蒸馏/四个推理模块/CLI 操作plugin/skills/reasoningbank-agentdb/SKILL.md核心实现与默认配置v3/claude-flow/neural/src/reasoning-bank.tsAgentDB 适配层v3/claude-flow/neural/src/reasoningbank-adapter.ts模式学习器与类型定义pattern-learner.ts、types.ts组装与使用指南v3/claude-flow/neural/README.md测试契约patterns.test.ts、persistence.test.ts记忆控制器层面的接线controller-registry.ts从技能文档到源码实现ReasoningBank 的完整链路清晰可循经验记录驱动策略打分模式蒸馏支撑跨任务复用元学习与迁移学习扩展知识边界AgentDB 保证记忆的可持久与可检索。照着第五节的可调参数表调优再套用第四节的自适应 Agent 闭环即可在 ruflo 中构建出可持续自我改进的智能体工作流。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ruflo ReasoningBank 智能记忆：为 Agent 构建模式识别与策略自优化的自适应学习系统
ruflo ReasoningBank 智能记忆为 Agent 构建模式识别与策略自优化的自适应学习系统【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本指南以仓库内 ReasoningBank Intelligence 技能文档.claude/skills/reasoningbank-intelligence/SKILL.md为骨架系统讲解如何在 ruflo 的智能体工作流中落地 ReasoningBank 自适应学习记录任务经验、识别行为模式、持续优化执行策略并讲解 AgentDB 向量存储集成与元学习meta-learning进阶用法。读完本文你将能独立构建一个“越用越聪明”的自学习 Agent——从一次成功/失败的执行中沉淀经验并在后续同类任务中自动选取最优策略。一、技能定位与适用场景ReasoningBank Intelligence 的核心思想是给 AI Agent 增加一块“经验银行”Agent 每次执行任务产生的轨迹trajectory与结果outcome被记录、评判、蒸馏成可复用的模式pattern与策略strategy后续遇到相似任务时先查经验再动手从而实现从经验中学习把一次性的任务执行转化为可积累的知识资产模式识别在大量执行数据中识别什么情况下做什么最有效策略随时间优化同一类任务可同时维护多种候选策略用真实结果打分排序元认知与持续改进Agent 具备反思自己如何学习的能力。在 ruflo 的实际架构中该技能的前身面向agentic-flow生态编写而仓库内的核心落地实现位于 v3/claude-flow/neural/src/reasoning-bank.ts。其文件头注释给出了与技能文档一一对应的四步学习流水线详见第五节同时claude-flow/neural包还负责将SONAManager、ReasoningBank、PatternLearner组合成完整的NeuralLearningSystem供 CLI 智能层编排使用见 v3/claude-flow/neural/README.md。前置条件按技能文档声明使用该能力需要依赖版本要求作用agentic-flow对应仓库内claude-flow/neural等模块v1.5.11提供 ReasoningBank 核心 APIAgentDBv1.0.4经验与模式的持久化存储Node.js18运行环境二、快速开始最小可运行的 ReasoningBank技能文档给出的最小示例完整覆盖了“初始化 → 记录经验 → 推荐策略”三个核心动作import { ReasoningBank } from agentic-flow/reasoningbank; // 初始化 ReasoningBank const rb new ReasoningBank({ persist: true, // 开启持久化重启后经验不丢失 learningRate: 0.1, // 学习率新经验对模式更新的影响权重 adapter: agentdb // 使用 AgentDB 作为存储后端 }); // 记录一次任务结果 await rb.recordExperience({ task: code_review, // 任务类型策略分组的关键维度 approach: static_analysis_first, // 本次采用的具体策略/方法 outcome: { success: true, metrics: { // 可量化的结果指标用于后续策略打分 bugs_found: 5, time_taken: 120, false_positives: 1 } }, context: { // 上下文越丰富模式匹配越精准 language: typescript, complexity: medium } }); // 为同类任务推荐最优策略 const strategy await rb.recommendStrategy(code_review, { language: typescript, complexity: high });这里的核心数据结构值得留意task是经验的索引键approach是待评估的候选策略名outcome.metrics是策略打分的客观依据context则是模式匹配时的过滤条件。把它们都记录完整后续的recommendStrategy才能返回当前场景下历史成功率最高的策略而不是笼统的全域最优解。三、三大核心能力详解3.1 模式识别Pattern Recognition模式识别解决同类问题再次出现时能否被认出来// 从数据中学习一条模式 await rb.learnPattern({ pattern: api_errors_increase_after_deploy, // 模式的可读名称 triggers: [deployment, traffic_spike], // 触发该模式的前置信号 actions: [rollback, scale_up], // 建议动作 confidence: 0.85 // 置信度 }); // 用当前情境去匹配已知模式 const matches await rb.matchPatterns(currentSituation);模式是一条带置信度的信号 → 动作关联。confidence决定了该模式是否会进入自动学习或参与策略推荐的考虑范围结合 3.3 的阈值机制低置信度学习会被过滤。3.2 策略优化Strategy Optimization同一类任务往往有多种解法策略优化负责用数据说话// 对比同一任务上的多个候选策略 const comparison await rb.compareStrategies(bug_fixing, [ tdd_approach, // 测试驱动 debug_first, // 直接调试 reproduce_then_fix // 先复现再修复 ]); // 取历史表现最好的策略 const best comparison.strategies[0]; console.log(Best: ${best.name} (score: ${best.score}));compareStrategies会回溯该任务类型下每次recordExperience的记录按成功率/指标对每个候选策略打分排序。得分来源正是日常积累的执行结果——这正是连续记录而非只记成功案例为何被列为最佳实践第一条的原因。3.3 持续学习Continuous Learning// 对所有任务开启自动学习 await rb.enableAutoLearning({ threshold: 0.7, // 只从高置信度的结果中学习 updateFrequency: 100 // 每积累 100 次经验更新一次模型 });threshold是一条质量控制线置信度低于 0.7 的经验默认不参与学习防止噪声污染updateFrequency则控制批式更新的节奏避免每次记录都触发全量重算。四、进阶用法4.1 元学习Meta-Learning学习如何学习元学习让 Agent 把跨任务的经验提炼为更高阶的认知——例如对于相互独立的任务并行执行更快这类方法论级别的知识await rb.metaLearn({ observation: parallel_execution_faster_for_independent_tasks, confidence: 0.95, applicability: { // 声明该认知的适用范围 task_types: [batch_processing, data_transformation], conditions: [tasks_independent, io_bound] } });与普通模式不同元知识带applicability适用范围声明仅在任务类型与场景条件都满足时才被套用。4.2 迁移学习Transfer Learning跨领域复用知识// 把一个领域的经验迁移到相似领域 await rb.transferKnowledge({ from: code_review_javascript, to: code_review_typescript, similarity: 0.8 // 源/目标领域相似度低于阈值时迁移会自动降权 });这允许 Agent 在冷启动新领域时先借用高相似度领域的成熟经验再随真实记录增加逐步替换为本地经验。4.3 自适应 Agent把上述能力封装成一个闭环技能文档给出一个完整的自改进 Agent范式它把查策略 → 执行 → 记录结果串成一个持续优化回路class AdaptiveAgent { async execute(task: Task) { // 1. 先查最优策略 const strategy await rb.recommendStrategy(task.type, task.context); // 2. 按策略执行 const result await this.executeWithStrategy(task, strategy); // 3. 把结果写回经验库供下次推荐使用 await rb.recordExperience({ task: task.type, approach: strategy.name, outcome: result, context: task.context }); return result; } }这是 ReasoningBank 最具价值的落地形态不需要任何人工标注Agent 每执行一次任务就在自动变强。五、源码级剖析四步学习流水线与默认配置技能文档所描述的能力在仓库中对应 v3/claude-flow/neural/src/reasoning-bank.ts 的实现。该文件头部注释将整套学习流水线明确划分为四步RETRIEVE检索——基于 AgentDB 的 HNSW 向量索引做 top-k 记忆注入并通过 MMRMaximal Marginal Relevanceλ 因子 0.7在相关与多样之间取得平衡JUDGE评判——以 LLM-as-judge 方式对轨迹成败打分产出TrajectoryVerdictDISTILL蒸馏——把被判定为高价值的轨迹提炼成可复用的DistilledMemory/PatternCONSOLIDATE巩固——去重、检测相互矛盾的记忆、并按年龄淘汰过期模式。5.1 可调配置项源自ReasoningBankConfig源码中ReasoningBankConfig与DEFAULT_CONFIG给出了全部可调参数及默认值技能文档中的learningRate、threshold等心智模型在这里都有对应的具体实现参数配置项默认值含义maxTrajectories5000最多保存的轨迹条数超出后按策略淘汰distillationThreshold0.6轨迹可被蒸馏为模式的最低质量分retrievalK3每次检索返回的相似记忆条数mmrLambda0.7MMR 多样性系数0–1越高越偏向多样maxPatternAgeDays30模式最大存活天数超龄即淘汰dedupThreshold0.95记忆去重相似度阈值enableContradictionDetectiontrue是否检测相互矛盾的模式dbPathundefined持久化数据库路径vectorDimension768向量维度AgentDB 建库时需一致namespacereasoning-bankAgentDB 存储命名空间enableAgentDBtrue是否启用 AgentDB 向量存储对照技能文档.claude/skills/reasoningbank-intelligence/SKILL.md即可发现distillationThreshold正是enableAutoLearning({ threshold: 0.7 })里 threshold 的底层落点mmrLambda对应向量检索要多样性的最佳实践。调试时这些默认值都是第一手参考。5.2 在 NeuralLearningSystem 中的组装方式根据 v3/claude-flow/neural/README.mdReasoningBank不是孤立模块它由createNeuralLearningSystem(...)与SONAManager、PatternLearner一起组装成高层入口调用方只需按 beginTask → recordStep → completeTask → retrieveMemories 的顺序驱动即可import { createNeuralLearningSystem } from claude-flow/neural; const sys createNeuralLearningSystem(balanced); await sys.initialize(); // 跟踪一次任务 const id sys.beginTask(Refactor auth middleware, code); // 记录执行步骤embedding 用 Float32Array 表示 sys.recordStep(id, analyzed-imports, 0.8, embedding1); sys.recordStep(id, extracted-helpers, 0.9, embedding2); // 完成任务——自动触发蒸馏与模式提取 await sys.completeTask(id, 0.85); // 为下一个相似任务检索记忆与模式 const memories await sys.retrieveMemories(queryEmbedding, 3); const patterns await sys.findPatterns(queryEmbedding, 3);相关类型Trajectory、TrajectoryStep、TrajectoryVerdict、DistilledMemory、Pattern、PatternEvolution统一定义在 v3/claude-flow/neural/src/types.ts而向 AgentDB 存储后端适配的胶水层在 v3/claude-flow/neural/src/reasoningbank-adapter.ts。仓库还提供了覆盖模式学习与持久化的测试用例可作为行为契约参考patterns.test.ts 与 persistence.test.ts。此外controller-registry.ts 中也出现了对 ReasoningBank 的引用说明其在记忆控制器层面同样被接线使用。5.3 性能设计目标reasoning-bank.ts头部注释给出了该模块的性能设计目标注意这是设计目标而非已发布基准检索 10ms借助 AgentDB HNSW宣称相对暴力检索快约 150 倍、单步学习 10ms、记忆巩固 100ms。仓库配套的 plugin/skills/reasoningbank-agentdb/SKILL.md 则描述了基于 AgentDB 的增强版 ReasoningBank包含轨迹追踪、裁定判定、记忆蒸馏与四个推理模块PatternMatcher / ContextSynthesizer / MemoryOptimizer / ExperienceCurator以及一套npx agentdblatestCLI 操作与迁移命令。六、与 AgentDB 集成持久化与语义查询ReasoningBank 的持久化与按语义查模式都依赖 AgentDB// 把 ReasoningBank 数据落到 AgentDB await rb.configure({ storage: { type: agentdb, options: { database: ./reasoning-bank.db, enableVectorSearch: true // 开启向量语义检索 } } }); // 查询已学到的模式按类别、置信度、时间范围过滤 const patterns await rb.query({ category: optimization, minConfidence: 0.8, timeRange: { last: 30d } });关键点enableVectorSearch: true后模式匹配从字符串精确匹配升级为 embedding 语义匹配这正是最佳实践中Use vector search: Enable semantic pattern matching的落点。若使用agentic-flow命名空间下的增强版 API也可通过createAgentDBAdapter直接指定dbPath、学习插件开关与模式缓存大小详见 plugin/skills/reasoningbank-agentdb/SKILL.md。七、用指标度量学习效果const metrics await rb.getMetrics(); console.log( Total Experiences: ${metrics.totalExperiences} // 累计经验数 Patterns Learned: ${metrics.patternsLearned} // 已学模式数 Strategy Success Rate: ${metrics.strategySuccessRate} // 策略成功率 Improvement Over Time: ${metrics.improvement} // 随时间改进幅度 );建议把上述指标接入 Agent 的运行看板把strategySuccessRate随周/月的变化作为学习系统是否真正生效的核心观测对象。仓库内的 controller-registry.test.ts 与 benchmark.test.ts 展示了此类系统在控制器层做基准验证与回归保护的典型做法。八、最佳实践清单连续记录而不只记成功失败样本与成功样本同样重要它们决定compareStrategies打分的可信度提供丰富上下文context字段越细语言、复杂度、规模、场景matchPatterns/recommendStrategy的命中越准设置置信度阈值用enableAutoLearning({ threshold: 0.7 })之类机制过滤低置信度学习避免噪声污染模式库定期审计已学模式周期性检查模式库质量剔除过时或相互矛盾的条目源码默认开启enableContradictionDetection启用向量语义匹配打开 AgentDB 的enableVectorSearch让模式匹配摆脱字面量限制。九、故障排查Troubleshooting现象排查方向与解法推荐质量差Poor recommendations训练数据不足。技能文档给出的经验值是每个任务类型至少积累 100 条经验可先compareStrategies人工核验各策略分数是否与直觉一致模式匹配慢Slow pattern matching在 AgentDB 中启用向量索引enableVectorSearch: true使检索走 HNSW 而非暴力扫描记忆体持续膨胀Memory growing large为旧经验设置 TTL 或启用修剪对应源码中的maxPatternAgeDays与maxTrajectories增强版可调用rb.optimize()或开启optimizeMemory让 MemoryOptimizer 自动合并相似模式并剪除低质量条目若使用的是增强版 AgentDB 后端模式匹配慢还可尝试在retrieveWithReasoning中同时开启useMMR: true与synthesizeContext: true前者提升结果多样性、后者融合多条记忆生成更高质量的上下文见 plugin/skills/reasoningbank-agentdb/SKILL.md。十、深入学习路径围绕 ReasoningBank 能力本仓库中按以下路径继续深入本技能原文档.claude/skills/reasoningbank-intelligence/SKILL.md同技能插件化副本plugin/skills/reasoningbank-intelligence/SKILL.mdAgentDB 增强版技能轨迹追踪/裁定/蒸馏/四个推理模块/CLI 操作plugin/skills/reasoningbank-agentdb/SKILL.md核心实现与默认配置v3/claude-flow/neural/src/reasoning-bank.tsAgentDB 适配层v3/claude-flow/neural/src/reasoningbank-adapter.ts模式学习器与类型定义pattern-learner.ts、types.ts组装与使用指南v3/claude-flow/neural/README.md测试契约patterns.test.ts、persistence.test.ts记忆控制器层面的接线controller-registry.ts从技能文档到源码实现ReasoningBank 的完整链路清晰可循经验记录驱动策略打分模式蒸馏支撑跨任务复用元学习与迁移学习扩展知识边界AgentDB 保证记忆的可持久与可检索。照着第五节的可调参数表调优再套用第四节的自适应 Agent 闭环即可在 ruflo 中构建出可持续自我改进的智能体工作流。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考