Build Adaptive ReasoningBank Agents Skill 技能

AI Agent每次执行任务后，结果往往直接丢弃。下次遇到相似任务时，Agent无法复用之前的经验，仍会重复相同的试错过程。ReasoningBankIntelligence Skill为Claude、Codex和Claude Code引入了一套结构化的经验记录与学习框架，让Agent真正具备跨任务的知识积累能力。

Skill基于ReasoningBank与AgentDB构建，包含五个核心能力模块。

第一，持久化存储初始化。展示如何用AgentDB（支持SQLite等本地数据库）为ReasoningBank配置持久化层。安装后Agent的每次任务执行记录都会自动存入数据库，即使重启也不会丢失历史经验。

第二，结构化经验记录。每一次任务执行都被记录为包含任务类型、采取的策略、执行结果、量化指标和上下文关键字段的经验条目。字段设计经过优化，既保证足够的分析粒度，又避免过度采集导致存储膨胀。

第三，模式学习与匹配。Skill提供完整的工作流演示如何从历史经验中提取重复出现的模式。当新任务到达时，Agent可以查询ReasoningBank找到相似历史，借鉴之前的最佳策略，而不是从零开始推理。

第四，元学习与迁移学习。Skill不仅支持单Agent内部的模式积累，还演示了如何在不同任务域之间迁移学习成果——比如代码审查Agent学到的模式可以部分迁移到文档审查Agent，加速新领域的适应过程。

第五，学习指标追踪。Skill内置查询接口，可以随时查看经验库规模、模式置信度分布、策略改进趋势等关键指标，帮助开发者判断当前学习系统的健康状态。

典型应用场景包括：代码审查Agent记录每次审查的通过/驳回原因，随着经验积累逐渐提升审查建议的准确率；重复性自动化工作流通过记录每次执行耗时和成功率，自动识别效率瓶颈；以及在新项目冷启动时，通过迁移相似项目的历史经验快速建立基准策略。

Skill为纯文档类工具，不含可执行脚本，需Node.js环境并引入agentic-flow和AgentDB依赖，MIT许可证。