将人类的认知记忆分类语义记忆、情景记忆、程序性知识与大语言模型LLM的架构和工程技术进行映射是一个极其精妙且深刻的类比。在认知心理学中这些记忆组成了人类的整个智能系统而在现代大模型工程尤其是在 2026 年的 Agent 和 RAG 架构共识中它们分别对应着 LLM 的不同技术组件和数据流动方式。我们可以通过下面这个多维度的映射矩阵来看透 AI 是如何模拟人类记忆系统的️ 人类记忆分类与 LLM 的核心映射------------------------------------------------------- | 大语言模型记忆系统 | ------------------------------------------------------- | | [语义记忆 Semantic] [情景记忆 Episodic] [程序记忆 Procedural] • 预训练参数模型 • 向量数据库 (RAG) • 指令/对齐微调 (SFT/RLHF) • 通用事实与常识 • 短期/长期对话上下文 • Agent 工具调用与 Prompt 流程 | | -------------------------------------------------------1. 语义记忆 (Semantic Memory) $\rightarrow$ LLM 的预训练参数 (Pre-trained Parameters)人类的语义记忆指我们对外部世界的通用事实、常识、概念和语言规则的记忆。它脱离了特定的时间、地点和个人经历例如知道“巴黎是法国的首都”、“水的分子式是 $H_2O$”但你不需要记住你是哪年哪月在哪学会这个知识的。LLM 的对应组件预训练阶段被编码进模型全局权重Weights的隐式知识库。工程表现大模型在海量语料上做“下一词预测”后数以亿计的参数矩阵自发形成的关于这个世界的条件概率分布。当你直接问 AI 一个常识性问题它不需要查阅任何外部文档就能直接脱口而出这就是在提取它的“语义记忆”。2. 情景记忆 (Episodic Memory) $\rightarrow$ 动态上下文 (Context Window) 与 向量数据库 (RAG)人类的情景记忆指关于个人经历、特定事件、时间、地点以及当时场景的记忆例如记住“你昨天早餐吃了什么”、“上个礼拜跟某位客户开会聊了哪些具体细节”。它是高度有时效性、空间性和动态更新的。LLM 的对应组件长文本上下文窗口Context Window以及外挂的检索增强生成RAG/Vector DB。工程表现短期情景记忆存在于当前的 Prompt 会话中。AI 能记住你在前五轮对话里说过的私房话、传给它的具体报错截图这些信息随着会话结束而清空。长期情景记忆当 Agent 智能体将过去的聊天记录、用户的个人偏好快照、或者企业的实时交易日志Log切片存储到向量数据库中。在推理时通过 Embedding 相似度检索把这些“特定经历”重新塞进 Context 里提供给模型。3. 程序性记忆 (Procedural Memory) $\rightarrow$ 微调 (SFT/DPO) 与 Agent 工作流 (Workflows)人类的程序性记忆关于如何做某事的方法、步骤和技能的记忆通常是自动化的“肌肉记忆”难以用语言精确描述但一旦学会就高度固化例如骑自行车、弹钢琴、打字、写代码的直觉。LLM 的对应组件监督微调SFT、强化学习RLHF/RLAIF、人类意图对齐、以及 Agent 内部的 Tools 调用链。工程表现这正是你前面提到的“将任务模式编码到参数中”。通过微调大模型学到的不是某个具体的事实语义记忆而是学到了“行为范式”。比如让模型学习“如何进行思维链CoT推理”、“如何把一段自然语言精准转化为标准的 JSON 格式输出”、或者“在什么情况下应该去调用 MCP 服务器上的 GitHub 工具”。这种按照既定逻辑去执行任务的底层模式就是 AI 的程序性记忆。 深度对比透视图为了更直观地看清它们在工程落地时的生命周期与更新成本我们可以将其梳理成一张技术对比表记忆类型人类认知表现LLM 工程落地技术信息存储位置写入/更新成本核心风险与痛点Semantic(语义记忆)世界常识、词汇定义、客观规律。基座预训练参数(Base Model Weights)散落于全连接层FFN和注意力矩阵中。极高(需要极其昂贵的算力进行重新训练)。灾难性遗忘、知识滞后、事实性幻觉。Episodic(情景记忆)个人经历、特定时间地点的事件细节。Context Window 向量数据库 (RAG)内存/显存动态、外部外部数据库静态。极低(毫秒级直接写入数据库或拼接 Context)。召回准确率限制、上下文窗口长度天花板。Procedural(程序记忆)技能、流程、干活的“肌肉记忆”。指令微调 (SFT) Agent 提示词骨架对齐后的参数权重、代码硬编码的流程图。中等(需要高质量任务数据集与微调算力)。过拟合泛化能力丧失、对未知任务束手无措。 2026 年认知架构师Cognitive Architect的思考在当前的智能体Agent系统设计中真正的技术高手不会强求某一个组件包揽所有的记忆功能当你尝试去开发一个自动帮你分析金融行情并发送周报的 Agent 时你的架构设计其实是在完美复刻人类的这三套记忆神经系统你会挑选一个“语义记忆”极度发达的商业或开源大模型如openai/gpt-oss-120b作为大脑确保它懂基本的金融术语。你会编写一套严格的 Prompt 模版或通过微调固化它的“程序记忆”训练它只要看到数据就必须严格按照分析 $\rightarrow$ 评估 $\rightarrow$ 总结的步骤执行工具调用Tool Use。每次运行时你会通过 RAG 把最新的市场研报和该用户往期的投资历史“情景记忆”动态注入进去确保它不会张冠李戴。这三种记忆的有机结合才让今天的 LLM 真正从一个简单的“文本生成器”跃升为了具有人类思维框架的“数字智能体”。
人类记忆分类与 LLM 的核心映射
发布时间：2026/6/23 8:44:34
将人类的认知记忆分类语义记忆、情景记忆、程序性知识与大语言模型LLM的架构和工程技术进行映射是一个极其精妙且深刻的类比。在认知心理学中这些记忆组成了人类的整个智能系统而在现代大模型工程尤其是在 2026 年的 Agent 和 RAG 架构共识中它们分别对应着 LLM 的不同技术组件和数据流动方式。我们可以通过下面这个多维度的映射矩阵来看透 AI 是如何模拟人类记忆系统的️ 人类记忆分类与 LLM 的核心映射------------------------------------------------------- | 大语言模型记忆系统 | ------------------------------------------------------- | | [语义记忆 Semantic] [情景记忆 Episodic] [程序记忆 Procedural] • 预训练参数模型 • 向量数据库 (RAG) • 指令/对齐微调 (SFT/RLHF) • 通用事实与常识 • 短期/长期对话上下文 • Agent 工具调用与 Prompt 流程 | | -------------------------------------------------------1. 语义记忆 (Semantic Memory) $\rightarrow$ LLM 的预训练参数 (Pre-trained Parameters)人类的语义记忆指我们对外部世界的通用事实、常识、概念和语言规则的记忆。它脱离了特定的时间、地点和个人经历例如知道“巴黎是法国的首都”、“水的分子式是 $H_2O$”但你不需要记住你是哪年哪月在哪学会这个知识的。LLM 的对应组件预训练阶段被编码进模型全局权重Weights的隐式知识库。工程表现大模型在海量语料上做“下一词预测”后数以亿计的参数矩阵自发形成的关于这个世界的条件概率分布。当你直接问 AI 一个常识性问题它不需要查阅任何外部文档就能直接脱口而出这就是在提取它的“语义记忆”。2. 情景记忆 (Episodic Memory) $\rightarrow$ 动态上下文 (Context Window) 与 向量数据库 (RAG)人类的情景记忆指关于个人经历、特定事件、时间、地点以及当时场景的记忆例如记住“你昨天早餐吃了什么”、“上个礼拜跟某位客户开会聊了哪些具体细节”。它是高度有时效性、空间性和动态更新的。LLM 的对应组件长文本上下文窗口Context Window以及外挂的检索增强生成RAG/Vector DB。工程表现短期情景记忆存在于当前的 Prompt 会话中。AI 能记住你在前五轮对话里说过的私房话、传给它的具体报错截图这些信息随着会话结束而清空。长期情景记忆当 Agent 智能体将过去的聊天记录、用户的个人偏好快照、或者企业的实时交易日志Log切片存储到向量数据库中。在推理时通过 Embedding 相似度检索把这些“特定经历”重新塞进 Context 里提供给模型。3. 程序性记忆 (Procedural Memory) $\rightarrow$ 微调 (SFT/DPO) 与 Agent 工作流 (Workflows)人类的程序性记忆关于如何做某事的方法、步骤和技能的记忆通常是自动化的“肌肉记忆”难以用语言精确描述但一旦学会就高度固化例如骑自行车、弹钢琴、打字、写代码的直觉。LLM 的对应组件监督微调SFT、强化学习RLHF/RLAIF、人类意图对齐、以及 Agent 内部的 Tools 调用链。工程表现这正是你前面提到的“将任务模式编码到参数中”。通过微调大模型学到的不是某个具体的事实语义记忆而是学到了“行为范式”。比如让模型学习“如何进行思维链CoT推理”、“如何把一段自然语言精准转化为标准的 JSON 格式输出”、或者“在什么情况下应该去调用 MCP 服务器上的 GitHub 工具”。这种按照既定逻辑去执行任务的底层模式就是 AI 的程序性记忆。 深度对比透视图为了更直观地看清它们在工程落地时的生命周期与更新成本我们可以将其梳理成一张技术对比表记忆类型人类认知表现LLM 工程落地技术信息存储位置写入/更新成本核心风险与痛点Semantic(语义记忆)世界常识、词汇定义、客观规律。基座预训练参数(Base Model Weights)散落于全连接层FFN和注意力矩阵中。极高(需要极其昂贵的算力进行重新训练)。灾难性遗忘、知识滞后、事实性幻觉。Episodic(情景记忆)个人经历、特定时间地点的事件细节。Context Window 向量数据库 (RAG)内存/显存动态、外部外部数据库静态。极低(毫秒级直接写入数据库或拼接 Context)。召回准确率限制、上下文窗口长度天花板。Procedural(程序记忆)技能、流程、干活的“肌肉记忆”。指令微调 (SFT) Agent 提示词骨架对齐后的参数权重、代码硬编码的流程图。中等(需要高质量任务数据集与微调算力)。过拟合泛化能力丧失、对未知任务束手无措。 2026 年认知架构师Cognitive Architect的思考在当前的智能体Agent系统设计中真正的技术高手不会强求某一个组件包揽所有的记忆功能当你尝试去开发一个自动帮你分析金融行情并发送周报的 Agent 时你的架构设计其实是在完美复刻人类的这三套记忆神经系统你会挑选一个“语义记忆”极度发达的商业或开源大模型如openai/gpt-oss-120b作为大脑确保它懂基本的金融术语。你会编写一套严格的 Prompt 模版或通过微调固化它的“程序记忆”训练它只要看到数据就必须严格按照分析 $\rightarrow$ 评估 $\rightarrow$ 总结的步骤执行工具调用Tool Use。每次运行时你会通过 RAG 把最新的市场研报和该用户往期的投资历史“情景记忆”动态注入进去确保它不会张冠李戴。这三种记忆的有机结合才让今天的 LLM 真正从一个简单的“文本生成器”跃升为了具有人类思维框架的“数字智能体”。
