Emerging Human-like Strategies for Semantic Memory Foraging in Large Language Models¶
作者: Eric Lacosse, Mariana Duarte, Peter M. Todd, Daniel C. McNamee 发表: 2026-03-02
摘要¶
人类和大型语言模型（LLM）都存储着大量语义记忆。在人类中，有效且策略性地访问这一记忆存储是各种认知功能的关键基础。这种访问一直是心理学的研究重点，其背后的计算机制如今已有了很好的表征——大量理解来自于广泛使用的信息 foraging 理论（最优觅食理论）。该理论最初由 Charnov (1976) 提出，源自食肉动物寻找猎物的生态学分析，后被行为生态学和心理学采用来解释动物和人类的搜索行为，并被引入计算领域来分析人类的互联网信息搜索。本文探索这些人类记忆觅食策略是否可以、为何可以、以及如何在 LLMs 中出现。
核心貢獻¶
- 记忆觅食理论框架: 首次将人类信息觅食理论系统引入 LLM 语义记忆检索研究
- 发现 LLM 中的类人策略: 验证了 LLMs 自发演化出与人类相似的记忆搜索策略（如边际价值最大化）
- 代理理论分析: 提供心理学和计算认知科学双重视角，解释为什么某些记忆访问策略更有效
- 人类-LLM 对照实验: 通过对照实验揭示人类和 LLM 在语义记忆访问上的相似性和差异
為什麼重要¶
该研究建立了人类记忆心理学与 LLM 记忆系统之间的桥梁。信息觅食理论已经在人类互联网搜索行为研究中得到验证，将其引入 LLM 记忆检索可以帮助设计更高效、更类人的记忆访问策略。对于 Agent 记忆系统的设计，这意味着可以从人类认知科学中汲取灵感。
與端側/移動端相關性¶
- 移动端记忆受限: 端侧设备记忆存储和检索资源有限，觅食策略可优化有限记忆的使用
- 类人搜索策略: 移动端个人助手可借鉴人类记忆搜索策略，减少不必要的记忆加载
- 认知科学驱动: 基于人类记忆研究的理论比纯工程方法更具可解释性