RuView ReasoningBank Learner 详解RETRIEVE–JUDGE–DISTILL–CONSOLIDATE 四阶段经验学习管线实战指南【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView本文基于仓库中的 reasoningbank-learner.md 展开系统讲解 RuView 项目 V3 智能体体系中的 ReasoningBank Learner推理库学习者它如何通过轨迹跟踪、成败裁决、模式蒸馏与 EWC 记忆巩固四个阶段让 Agent 从历史经验中持续学习。读完后你将掌握claude-flowv3alpha智能钩子命令的完整用法、reasoningbank命名空间下模式存储的 JSON 结构、以及配套的 HNSW 检索与 MCP 工具集成方式。一、Agent 定位与元数据定义ReasoningBank Learner 是.claude/agents/v3/目录下 V3 智能体群swarm中的专职角色其完整定义位于 reasoningbank-learner.md。文件以 YAML front matter 声明了该 Agent 的身份与职责边界name: reasoningbank-learner type: specialist color: #9C27B0 version: 3.0.0 description: V3 ReasoningBank integration specialist for trajectory tracking, verdict judgment, pattern distillation, and experience replay using HNSW-indexed memory capabilities: - trajectory_tracking - verdict_judgment - pattern_distillation - experience_replay - hnsw_pattern_search - ewc_consolidation - lora_adaptation - attention_optimization priority: high adr_references: - ADR-008: Neural Learning Integration几个关键字段的含义type: specialist表明它不是协调者或编排器而是可被上层调度器按需派发的专项能力单元capabilities列出八项能力恰好覆盖轨迹跟踪 → 裁决 → 蒸馏 → 巩固管线的每一环外加 HNSW 检索、EWC 巩固、LoRA 适配与注意力优化priority: high高优先级意味着在学习回路触发时优先于低优先级 Agent 获得调度adr_references: ADR-008从源码结构看该 Agent 的神经网络学习集成设计对应仓库 ADR 体系中的神经学习集成决策注意此编号是 claude-flow V3 体系内部的 ADR 引用与仓库 docs/adr/ 下 RuView 自身产品架构 ADR 分属不同文档体系。前后置钩子pre/post hooksfront matter 中hooks字段声明了该 Agent 被激活前与执行后自动运行的 Shell 脚本这是整个学习闭环自动化的入口hooks: pre: | echo ReasoningBank Learner initializing intelligence system # Initialize trajectory tracking SESSION_IDrb-$(date %s) npx claude-flowv3alpha hooks intelligence trajectory-start --session-id $SESSION_ID --agent-type reasoningbank-learner --task $TASK # Search for similar patterns mcp__claude-flow__memory_search --patternpattern:* --namespacereasoningbank --limit10 post: | echo ✅ Learning cycle complete # End trajectory with verdict npx claude-flowv3alpha hooks intelligence trajectory-end --session-id $SESSION_ID --verdict ${VERDICT:-success} # Store learned pattern mcp__claude-flow__memory_usage --actionstore --namespacereasoningbank --keypattern:$(date %s) --value$PATTERN_SUMMARY从这段钩子可以读出自动闭环的三个要点会话标识SESSION_ID以rb-前缀加 Unix 时间戳生成如rb-1756987654贯穿整个生命周期后续trajectory-step/trajectory-end都靠它定位轨迹激活即检索pre 钩子在任务开始前就调用memory_search查询reasoningbank命名空间中所有pattern:*键取 10 条最相似历史模式作为先验上下文——先检索再执行退出即沉淀post 钩子用${VERDICT:-success}未显式给出裁决时默认 success结束轨迹并把PATTERN_SUMMARY以pattern:时间戳键存回记忆库。二、四阶段智能管线总览文档给出的核心架构图原样继承如下┌─────────────────────────────────────────────────────────────────────┐ │ REASONINGBANK PIPELINE │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ RETRIEVE │───▶│ JUDGE │───▶│ DISTILL │───▶│CONSOLIDATE│ │ │ │ │ │ │ │ │ │ │ │ │ │ HNSW │ │ Verdicts │ │ LoRA │ │ EWC │ │ │ │ 150x │ │ Success/ │ │ Extract │ │ Prevent │ │ │ │ faster │ │ Failure │ │ Learnings│ │ Forget │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ │ │ │ ▼ ▼ ▼ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ PATTERN MEMORY │ │ │ │ AgentDB HNSW Index SQLite Persistence │ │ │ └─────────────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────┘管线底层的模式记忆PATTERN MEMORY由三层构成AgentDB 向量库负责语义检索HNSW 索引提供近邻加速SQLite 提供结构化持久化。这一向量 图索引 关系存储的混合后端设计在同目录的 memory-specialist.md 中被进一步展开见 Hybrid Memory Backend 章节SQLite 存结构化关系、AgentDB 存向量嵌入、HNSW 存图索引并给出rrf_k: 60的 RRF 融合权重等实现细节。三、阶段一 RETRIEVEHNSW 模式检索RETRIEEVE 阶段的目标是在新任务开始前快速找到语义相近的历史模式。文档给出的目标性能是150x–12,500x 加速。对应命令# Search patterns via HNSW mcp__claude-flow__memory_search --pattern$TASK --namespacereasoningbank --limit10 # Get pattern statistics npx claude-flowv3alpha hooks intelligence pattern-stats --query $TASK --k 10 --namespace reasoningbank两条命令的分工memory_search是 MCP 工具走 HNSW 向量近邻搜索--pattern传入当前任务描述--limit控制返回的候选数pattern-stats是 CLI 钩子命令针对查询返回模式统计如该领域的命中分布、奖励区间帮助判断这类任务历史上有多少可参考经验。关于 150x 加速的实现依据仓库中 reasoningbank-agentdb/SKILL.md 给出了量化描述Pattern Search: 150x faster (100µs vs 15ms)即 AgentDB 后端将单次模式检索从 15ms 量级压到 100µs 量级。而 memory-specialist.md 提供了 HNSW 的典型参数配置可帮助理解检索速度与召回精度的权衡this.defaultParams { M: 16, // 每层最大连接数 efConstruction: 200, // 建图搜索深度 efSearch: 100, // 查询搜索深度越大越准 maxElements: 1000000, quantization: int8 // 4x 内存压缩 };其中M与efSearch是精度/速度的核心旋钮高吞吐场景可降为M: 12, efSearch: 50高精度场景升到M: 32, efSearch: 200。ReasoningBank 的reasoningbank命名空间正是这类配置的作用对象。四、阶段二 JUDGE成败裁决JUDGE 阶段为轨迹trajectory打上成功/失败裁决并把数值奖励reward固化下来作为后续蒸馏的筛选依据# Record trajectory step with outcome npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id $SESSION_ID \ --operation code-generation \ --outcome success \ --metadata {files_changed: 3, tests_passed: true} # End trajectory with final verdict npx claude-flowv3alpha hooks intelligence trajectory-end \ --session-id $SESSION_ID \ --verdict success \ --reward 0.95命令语义要点trajectory-step记录轨迹中单步操作--operation是动作名如code-generation、write-test--outcome是success/failure--metadata传 JSON 附加度量本例记录改动文件数与测试是否通过trajectory-end收尾时给出--verdictsuccess/failure与--reward0.0–1.0 区间reward 越高代表该轨迹越值得被蒸馏复用。0.95 这类高分通常对应测试全过 改动面收敛的高质量完成。五、阶段三 DISTILL模式蒸馏DISTILL 阶段从裁决过的高分轨迹中提取可迁移经验以键值形式写入记忆库并可用pattern-search按奖励下限捞取可蒸馏模式# Store successful pattern mcp__claude-flow__memory_usage --actionstore \ --namespacereasoningbank \ --keypattern:auth-implementation \ --value{task:implement auth,approach:JWT with refresh,outcome:success,reward:0.95} # Search for patterns to distill npx claude-flowv3alpha hooks intelligence pattern-search \ --query authentication \ --min-reward 0.8 \ --namespace reasoningbank两条命令展示了 DISTILL 的两个动作写入memory_usage --actionstore把一条结构化经验存到reasoningbank命名空间键为pattern:auth-implementation这类领域:具体策略语义键值是包含task/approach/outcome/reward四要素的 JSON——这正是该 Agent 的模式最小单元捞取pattern-search --min-reward 0.8只做高奖励过滤保证进入蒸馏候选集的都是被验证过的高质量模式低质量经验留在轨迹层不参与泛化。六、阶段四 CONSOLIDATEEWC 记忆巩固CONSOLIDATE 阶段防止灾难性遗忘catastrophic forgetting——新经验挤掉旧经验的经典问题# Consolidate patterns (prevents forgetting old learnings) npx claude-flowv3alpha neural consolidate --namespace reasoningbank # Check consolidation status npx claude-flowv3alpha hooks intelligence stats --namespace reasoningbankneural consolidate对指定命名空间执行巩固把语义相近的模式聚类合并、给低质量条目降权而不是简单删除hooks intelligence stats用于核对巩固后的命名空间状态模式数、质量分布等构成巩固 → 验证的闭环。EWC 的算法思想Fisher 信息矩阵衡量参数重要性、lambda正则化强度控制遗忘惩罚在 memory-specialist.md 的 EWC for Preventing Catastrophic Forgetting 一节有完整伪实现其中this.lambda 5000正则强度与this.gamma 0.9在线 EWC 衰减因子是核心超参。仓库中的真实巩固实现pattern-consolidator.sh文档描述的是目标管线而仓库.claude/helpers/下存在真实落地的巩固 worker——pattern-consolidator.sh。它对 SQLite 模式库.claude-flow/learning/patterns.db执行四类 SQL 维护可视为 CONSOLIDATE 阶段的参考实现# 1. 去重同一 (strategy, domain) 只保留一行 DELETE FROM short_term_patterns WHERE rowid NOT IN ( SELECT MIN(rowid) FROM short_term_patterns GROUP BY strategy, domain ); # 2. 剪枝7 天前创建且 quality 0.3 的模式直接删除 DELETE FROM short_term_patterns WHERE quality 0.3 AND created_at datetime(now, -7 days); # 3. 晋升quality 0.8 的短期模式提升到 long_term_patterns INSERT OR IGNORE INTO long_term_patterns (strategy, domain, quality, source) SELECT strategy, domain, quality, consolidated FROM short_term_patterns WHERE quality 0.8; # 4. 衰减1 天未更新的模式 quality 乘以 0.95 UPDATE short_term_patterns SET quality quality * 0.95 WHERE updated_at datetime(now, -1 day);从这段源码可以看到巩固策略的具体阈值晋升线quality 0.8、剪枝线quality 0.3且龄期超 7 天、未使用衰减系数 0.95/天以及 worker 自身的 15 分钟节流should_run()检查.consolidator-last-run时间戳。短/长期两级模式表short_term_patterns/long_term_patterns与文档经验回放experience replay能力相对应。辅助佐证intelligence.cjs仓库中 intelligence.cjs约 928 行文件头注释标明 Intelligence Layer (ADR-050)实现了把记忆接入钩子系统的另一条路径它维护.claude-flow/data/下的auto-memory-store.json、graph-state.json含节点、边与 PageRank 分数、ranked-context.json等数据文件用三元组分词 Jaccard 相似度做文本匹配并用阻尼系数 0.85 的幂迭代 PageRank 对记忆条目排序。可以推断ReasoningBank 管线的 RETRIEVE 阶段在该运行时环境下除 HNSW 向量近邻外还有这条基于词面相似度的图排序检索作为互补路径。七、完整轨迹跟踪示例文档给出的端到端轨迹跟踪样例一个实现用户认证任务完整保留如下它演示了start → step × N → end的标准调用序列# Start tracking npx claude-flowv3alpha hooks intelligence trajectory-start \ --session-id task-123 \ --agent-type coder \ --task Implement user authentication # Track each step npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation write-test \ --outcome success npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation implement-feature \ --outcome success npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation run-tests \ --outcome success # End with verdict npx claude-flowv3alpha hooks intelligence trajectory-end \ --session-id task-123 \ --verdict success \ --reward 0.92这个例子还说明了多 Agent 共享机制--agent-type coder表明轨迹不限于 reasoningbank-learner 自身任何被跟踪的 Agentcoder、reviewer 等产出的轨迹都汇入同一记忆库由 Learner 统一蒸馏——这就是 front matter 中experience_replay能力的落地形态。八、Pattern 数据结构每条蒸馏出的模式遵循如下 TypeScript 接口原样继承自文档interface Pattern { id: string; task: string; approach: string; steps: TrajectoryStep[]; outcome: success | failure; reward: number; // 0.0 - 1.0 metadata: { agent_type: string; duration_ms: number; files_changed: number; tests_passed: boolean; }; embedding: number[]; // For HNSW search created_at: Date; }字段与管线的对应关系字段来源阶段说明steps轨迹跟踪由若干trajectory-step累积而成outcome/rewardJUDGE裁决结果与 0–1 奖励分metadata轨迹 metadata执行耗时、改动文件数、测试状态等embeddingDISTILL任务描述的向量表示供 HNSW 近邻检索id/created_at存储层与 SQLite 持久化对应参照 reasoningbank-agentdb/SKILL.md 中insertPattern的created_at/last_used字段九、MCP 工具集成文档列出了四个 MCP 工具及其分工ToolPurposememory_searchHNSW pattern retrievalmemory_usageStore/retrieve patternsneural_trainTrain on new patternsneural_patternsAnalyze pattern distribution前两个在 pre/post 钩子中直接出现memory_search做先验检索、memory_usage --actionstore做经验落库后两个属于训练侧工具neural_train用新模式增量训练neural_patterns分析模式分布以发现偏科或空洞领域。十、Hooks 集成把每一步操作变成轨迹点文档还给出了与 V3 hooks 系统的集成配置让文件写入类工具调用自动转化为trajectory-step{ PostToolUse: [{ matcher: ^(Write|Edit|Task)$, hooks: [{ type: command, command: npx claude-flowv3alpha hooks intelligence trajectory-step --operation $TOOL_NAME --outcome $TOOL_SUCCESS }] }] }这段配置的语义工具名匹配Write、Edit、Task的正则在每次使用后触发把工具名$TOOL_NAME与成功标志$TOOL_SUCCESS作为单步轨迹上报。从源码结构看这使Agent 做了什么无需各 Agent 自觉记录而是由钩子层统一采集——轨迹完整性由基础设施保证而非依赖约定。十一、性能指标目标文档最后给出了四阶段的延迟目标MetricTargetPattern retrieval5ms (HNSW)Verdict assignment1msDistillation100msConsolidation500ms结合 reasoningbank-agentdb/SKILL.md 的补充数据批量插入 100 条模式约 2ms、含检索与判定的轨迹裁决 5ms、100 条模式蒸馏 50ms可以推断该管线的整体设计目标是毫秒级在线学习回路任务执行过程中即可完成检索 → 记录 → 判定巩固consolidation作为较轻量的周期性后台任务运行如 pattern-consolidator.sh 的 15 分钟节流。十二、小结ReasoningBank Learner 把Agent 从经验中学习拆解为四个可独立调用的阶段每一阶段都有对应的claude-flowv3alpha命令或 MCP 工具配合 pre/post 钩子形成无人值守的学习闭环RETRIEVEHNSW 检索历史模式memory_search/pattern-statsJUDGEtrajectory-step记录单步trajectory-end打裁决与奖励DISTILL高奖励模式以pattern:*键存入reasoningbank命名空间memory_usage/pattern-search --min-reward;CONSOLIDATEneural consolidate执行 EWC 式巩固防止遗忘hooks intelligence stats核对结果。仓库内的 pattern-consolidator.sh质量阈值 0.8 晋升 / 0.3 剪枝 / 0.95 日衰减、intelligence.cjsPageRank 记忆排序层以及 reasoningbank-intelligence/SKILL.mdrecordExperience/recommendStrategy/transferKnowledge等 API 形态提供了这套管线的工程佐证可供进一步深入阅读。【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 RuView ReasoningBank Learner 详解：RETRIEVE–JUDGE–DISTILL–CONSOLIDATE 四阶段经验学习管线实战指南
RuView ReasoningBank Learner 详解RETRIEVE–JUDGE–DISTILL–CONSOLIDATE 四阶段经验学习管线实战指南【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView本文基于仓库中的 reasoningbank-learner.md 展开系统讲解 RuView 项目 V3 智能体体系中的 ReasoningBank Learner推理库学习者它如何通过轨迹跟踪、成败裁决、模式蒸馏与 EWC 记忆巩固四个阶段让 Agent 从历史经验中持续学习。读完后你将掌握claude-flowv3alpha智能钩子命令的完整用法、reasoningbank命名空间下模式存储的 JSON 结构、以及配套的 HNSW 检索与 MCP 工具集成方式。一、Agent 定位与元数据定义ReasoningBank Learner 是.claude/agents/v3/目录下 V3 智能体群swarm中的专职角色其完整定义位于 reasoningbank-learner.md。文件以 YAML front matter 声明了该 Agent 的身份与职责边界name: reasoningbank-learner type: specialist color: #9C27B0 version: 3.0.0 description: V3 ReasoningBank integration specialist for trajectory tracking, verdict judgment, pattern distillation, and experience replay using HNSW-indexed memory capabilities: - trajectory_tracking - verdict_judgment - pattern_distillation - experience_replay - hnsw_pattern_search - ewc_consolidation - lora_adaptation - attention_optimization priority: high adr_references: - ADR-008: Neural Learning Integration几个关键字段的含义type: specialist表明它不是协调者或编排器而是可被上层调度器按需派发的专项能力单元capabilities列出八项能力恰好覆盖轨迹跟踪 → 裁决 → 蒸馏 → 巩固管线的每一环外加 HNSW 检索、EWC 巩固、LoRA 适配与注意力优化priority: high高优先级意味着在学习回路触发时优先于低优先级 Agent 获得调度adr_references: ADR-008从源码结构看该 Agent 的神经网络学习集成设计对应仓库 ADR 体系中的神经学习集成决策注意此编号是 claude-flow V3 体系内部的 ADR 引用与仓库 docs/adr/ 下 RuView 自身产品架构 ADR 分属不同文档体系。前后置钩子pre/post hooksfront matter 中hooks字段声明了该 Agent 被激活前与执行后自动运行的 Shell 脚本这是整个学习闭环自动化的入口hooks: pre: | echo ReasoningBank Learner initializing intelligence system # Initialize trajectory tracking SESSION_IDrb-$(date %s) npx claude-flowv3alpha hooks intelligence trajectory-start --session-id $SESSION_ID --agent-type reasoningbank-learner --task $TASK # Search for similar patterns mcp__claude-flow__memory_search --patternpattern:* --namespacereasoningbank --limit10 post: | echo ✅ Learning cycle complete # End trajectory with verdict npx claude-flowv3alpha hooks intelligence trajectory-end --session-id $SESSION_ID --verdict ${VERDICT:-success} # Store learned pattern mcp__claude-flow__memory_usage --actionstore --namespacereasoningbank --keypattern:$(date %s) --value$PATTERN_SUMMARY从这段钩子可以读出自动闭环的三个要点会话标识SESSION_ID以rb-前缀加 Unix 时间戳生成如rb-1756987654贯穿整个生命周期后续trajectory-step/trajectory-end都靠它定位轨迹激活即检索pre 钩子在任务开始前就调用memory_search查询reasoningbank命名空间中所有pattern:*键取 10 条最相似历史模式作为先验上下文——先检索再执行退出即沉淀post 钩子用${VERDICT:-success}未显式给出裁决时默认 success结束轨迹并把PATTERN_SUMMARY以pattern:时间戳键存回记忆库。二、四阶段智能管线总览文档给出的核心架构图原样继承如下┌─────────────────────────────────────────────────────────────────────┐ │ REASONINGBANK PIPELINE │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ RETRIEVE │───▶│ JUDGE │───▶│ DISTILL │───▶│CONSOLIDATE│ │ │ │ │ │ │ │ │ │ │ │ │ │ HNSW │ │ Verdicts │ │ LoRA │ │ EWC │ │ │ │ 150x │ │ Success/ │ │ Extract │ │ Prevent │ │ │ │ faster │ │ Failure │ │ Learnings│ │ Forget │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ │ │ │ ▼ ▼ ▼ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ PATTERN MEMORY │ │ │ │ AgentDB HNSW Index SQLite Persistence │ │ │ └─────────────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────┘管线底层的模式记忆PATTERN MEMORY由三层构成AgentDB 向量库负责语义检索HNSW 索引提供近邻加速SQLite 提供结构化持久化。这一向量 图索引 关系存储的混合后端设计在同目录的 memory-specialist.md 中被进一步展开见 Hybrid Memory Backend 章节SQLite 存结构化关系、AgentDB 存向量嵌入、HNSW 存图索引并给出rrf_k: 60的 RRF 融合权重等实现细节。三、阶段一 RETRIEVEHNSW 模式检索RETRIEEVE 阶段的目标是在新任务开始前快速找到语义相近的历史模式。文档给出的目标性能是150x–12,500x 加速。对应命令# Search patterns via HNSW mcp__claude-flow__memory_search --pattern$TASK --namespacereasoningbank --limit10 # Get pattern statistics npx claude-flowv3alpha hooks intelligence pattern-stats --query $TASK --k 10 --namespace reasoningbank两条命令的分工memory_search是 MCP 工具走 HNSW 向量近邻搜索--pattern传入当前任务描述--limit控制返回的候选数pattern-stats是 CLI 钩子命令针对查询返回模式统计如该领域的命中分布、奖励区间帮助判断这类任务历史上有多少可参考经验。关于 150x 加速的实现依据仓库中 reasoningbank-agentdb/SKILL.md 给出了量化描述Pattern Search: 150x faster (100µs vs 15ms)即 AgentDB 后端将单次模式检索从 15ms 量级压到 100µs 量级。而 memory-specialist.md 提供了 HNSW 的典型参数配置可帮助理解检索速度与召回精度的权衡this.defaultParams { M: 16, // 每层最大连接数 efConstruction: 200, // 建图搜索深度 efSearch: 100, // 查询搜索深度越大越准 maxElements: 1000000, quantization: int8 // 4x 内存压缩 };其中M与efSearch是精度/速度的核心旋钮高吞吐场景可降为M: 12, efSearch: 50高精度场景升到M: 32, efSearch: 200。ReasoningBank 的reasoningbank命名空间正是这类配置的作用对象。四、阶段二 JUDGE成败裁决JUDGE 阶段为轨迹trajectory打上成功/失败裁决并把数值奖励reward固化下来作为后续蒸馏的筛选依据# Record trajectory step with outcome npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id $SESSION_ID \ --operation code-generation \ --outcome success \ --metadata {files_changed: 3, tests_passed: true} # End trajectory with final verdict npx claude-flowv3alpha hooks intelligence trajectory-end \ --session-id $SESSION_ID \ --verdict success \ --reward 0.95命令语义要点trajectory-step记录轨迹中单步操作--operation是动作名如code-generation、write-test--outcome是success/failure--metadata传 JSON 附加度量本例记录改动文件数与测试是否通过trajectory-end收尾时给出--verdictsuccess/failure与--reward0.0–1.0 区间reward 越高代表该轨迹越值得被蒸馏复用。0.95 这类高分通常对应测试全过 改动面收敛的高质量完成。五、阶段三 DISTILL模式蒸馏DISTILL 阶段从裁决过的高分轨迹中提取可迁移经验以键值形式写入记忆库并可用pattern-search按奖励下限捞取可蒸馏模式# Store successful pattern mcp__claude-flow__memory_usage --actionstore \ --namespacereasoningbank \ --keypattern:auth-implementation \ --value{task:implement auth,approach:JWT with refresh,outcome:success,reward:0.95} # Search for patterns to distill npx claude-flowv3alpha hooks intelligence pattern-search \ --query authentication \ --min-reward 0.8 \ --namespace reasoningbank两条命令展示了 DISTILL 的两个动作写入memory_usage --actionstore把一条结构化经验存到reasoningbank命名空间键为pattern:auth-implementation这类领域:具体策略语义键值是包含task/approach/outcome/reward四要素的 JSON——这正是该 Agent 的模式最小单元捞取pattern-search --min-reward 0.8只做高奖励过滤保证进入蒸馏候选集的都是被验证过的高质量模式低质量经验留在轨迹层不参与泛化。六、阶段四 CONSOLIDATEEWC 记忆巩固CONSOLIDATE 阶段防止灾难性遗忘catastrophic forgetting——新经验挤掉旧经验的经典问题# Consolidate patterns (prevents forgetting old learnings) npx claude-flowv3alpha neural consolidate --namespace reasoningbank # Check consolidation status npx claude-flowv3alpha hooks intelligence stats --namespace reasoningbankneural consolidate对指定命名空间执行巩固把语义相近的模式聚类合并、给低质量条目降权而不是简单删除hooks intelligence stats用于核对巩固后的命名空间状态模式数、质量分布等构成巩固 → 验证的闭环。EWC 的算法思想Fisher 信息矩阵衡量参数重要性、lambda正则化强度控制遗忘惩罚在 memory-specialist.md 的 EWC for Preventing Catastrophic Forgetting 一节有完整伪实现其中this.lambda 5000正则强度与this.gamma 0.9在线 EWC 衰减因子是核心超参。仓库中的真实巩固实现pattern-consolidator.sh文档描述的是目标管线而仓库.claude/helpers/下存在真实落地的巩固 worker——pattern-consolidator.sh。它对 SQLite 模式库.claude-flow/learning/patterns.db执行四类 SQL 维护可视为 CONSOLIDATE 阶段的参考实现# 1. 去重同一 (strategy, domain) 只保留一行 DELETE FROM short_term_patterns WHERE rowid NOT IN ( SELECT MIN(rowid) FROM short_term_patterns GROUP BY strategy, domain ); # 2. 剪枝7 天前创建且 quality 0.3 的模式直接删除 DELETE FROM short_term_patterns WHERE quality 0.3 AND created_at datetime(now, -7 days); # 3. 晋升quality 0.8 的短期模式提升到 long_term_patterns INSERT OR IGNORE INTO long_term_patterns (strategy, domain, quality, source) SELECT strategy, domain, quality, consolidated FROM short_term_patterns WHERE quality 0.8; # 4. 衰减1 天未更新的模式 quality 乘以 0.95 UPDATE short_term_patterns SET quality quality * 0.95 WHERE updated_at datetime(now, -1 day);从这段源码可以看到巩固策略的具体阈值晋升线quality 0.8、剪枝线quality 0.3且龄期超 7 天、未使用衰减系数 0.95/天以及 worker 自身的 15 分钟节流should_run()检查.consolidator-last-run时间戳。短/长期两级模式表short_term_patterns/long_term_patterns与文档经验回放experience replay能力相对应。辅助佐证intelligence.cjs仓库中 intelligence.cjs约 928 行文件头注释标明 Intelligence Layer (ADR-050)实现了把记忆接入钩子系统的另一条路径它维护.claude-flow/data/下的auto-memory-store.json、graph-state.json含节点、边与 PageRank 分数、ranked-context.json等数据文件用三元组分词 Jaccard 相似度做文本匹配并用阻尼系数 0.85 的幂迭代 PageRank 对记忆条目排序。可以推断ReasoningBank 管线的 RETRIEVE 阶段在该运行时环境下除 HNSW 向量近邻外还有这条基于词面相似度的图排序检索作为互补路径。七、完整轨迹跟踪示例文档给出的端到端轨迹跟踪样例一个实现用户认证任务完整保留如下它演示了start → step × N → end的标准调用序列# Start tracking npx claude-flowv3alpha hooks intelligence trajectory-start \ --session-id task-123 \ --agent-type coder \ --task Implement user authentication # Track each step npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation write-test \ --outcome success npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation implement-feature \ --outcome success npx claude-flowv3alpha hooks intelligence trajectory-step \ --session-id task-123 \ --operation run-tests \ --outcome success # End with verdict npx claude-flowv3alpha hooks intelligence trajectory-end \ --session-id task-123 \ --verdict success \ --reward 0.92这个例子还说明了多 Agent 共享机制--agent-type coder表明轨迹不限于 reasoningbank-learner 自身任何被跟踪的 Agentcoder、reviewer 等产出的轨迹都汇入同一记忆库由 Learner 统一蒸馏——这就是 front matter 中experience_replay能力的落地形态。八、Pattern 数据结构每条蒸馏出的模式遵循如下 TypeScript 接口原样继承自文档interface Pattern { id: string; task: string; approach: string; steps: TrajectoryStep[]; outcome: success | failure; reward: number; // 0.0 - 1.0 metadata: { agent_type: string; duration_ms: number; files_changed: number; tests_passed: boolean; }; embedding: number[]; // For HNSW search created_at: Date; }字段与管线的对应关系字段来源阶段说明steps轨迹跟踪由若干trajectory-step累积而成outcome/rewardJUDGE裁决结果与 0–1 奖励分metadata轨迹 metadata执行耗时、改动文件数、测试状态等embeddingDISTILL任务描述的向量表示供 HNSW 近邻检索id/created_at存储层与 SQLite 持久化对应参照 reasoningbank-agentdb/SKILL.md 中insertPattern的created_at/last_used字段九、MCP 工具集成文档列出了四个 MCP 工具及其分工ToolPurposememory_searchHNSW pattern retrievalmemory_usageStore/retrieve patternsneural_trainTrain on new patternsneural_patternsAnalyze pattern distribution前两个在 pre/post 钩子中直接出现memory_search做先验检索、memory_usage --actionstore做经验落库后两个属于训练侧工具neural_train用新模式增量训练neural_patterns分析模式分布以发现偏科或空洞领域。十、Hooks 集成把每一步操作变成轨迹点文档还给出了与 V3 hooks 系统的集成配置让文件写入类工具调用自动转化为trajectory-step{ PostToolUse: [{ matcher: ^(Write|Edit|Task)$, hooks: [{ type: command, command: npx claude-flowv3alpha hooks intelligence trajectory-step --operation $TOOL_NAME --outcome $TOOL_SUCCESS }] }] }这段配置的语义工具名匹配Write、Edit、Task的正则在每次使用后触发把工具名$TOOL_NAME与成功标志$TOOL_SUCCESS作为单步轨迹上报。从源码结构看这使Agent 做了什么无需各 Agent 自觉记录而是由钩子层统一采集——轨迹完整性由基础设施保证而非依赖约定。十一、性能指标目标文档最后给出了四阶段的延迟目标MetricTargetPattern retrieval5ms (HNSW)Verdict assignment1msDistillation100msConsolidation500ms结合 reasoningbank-agentdb/SKILL.md 的补充数据批量插入 100 条模式约 2ms、含检索与判定的轨迹裁决 5ms、100 条模式蒸馏 50ms可以推断该管线的整体设计目标是毫秒级在线学习回路任务执行过程中即可完成检索 → 记录 → 判定巩固consolidation作为较轻量的周期性后台任务运行如 pattern-consolidator.sh 的 15 分钟节流。十二、小结ReasoningBank Learner 把Agent 从经验中学习拆解为四个可独立调用的阶段每一阶段都有对应的claude-flowv3alpha命令或 MCP 工具配合 pre/post 钩子形成无人值守的学习闭环RETRIEVEHNSW 检索历史模式memory_search/pattern-statsJUDGEtrajectory-step记录单步trajectory-end打裁决与奖励DISTILL高奖励模式以pattern:*键存入reasoningbank命名空间memory_usage/pattern-search --min-reward;CONSOLIDATEneural consolidate执行 EWC 式巩固防止遗忘hooks intelligence stats核对结果。仓库内的 pattern-consolidator.sh质量阈值 0.8 晋升 / 0.3 剪枝 / 0.95 日衰减、intelligence.cjsPageRank 记忆排序层以及 reasoningbank-intelligence/SKILL.mdrecordExperience/recommendStrategy/transferKnowledge等 API 形态提供了这套管线的工程佐证可供进一步深入阅读。【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考