FileGram: Verankerung der Agentenpersonalisierung in Dateisystem-Verhaltensspuren
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
April 6, 2026
Autoren: Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
cs.AI
Zusammenfassung
KI-Agenten, die kollaborativ in lokalen Dateisystemen arbeiten, etablieren sich zunehmend als Paradigma für die Mensch-KI-Interaktion. Dennoch wird eine effektive Personalisierung durch erhebliche Dateneinschränkungen limitiert, da strenge Datenschutzbarrieren und die Schwierigkeit, multimodale Echtzeitdaten aus der realen Welt gemeinsam zu erfassen, skalierbares Training und Evaluation verhindern. Bestehende Methoden bleiben zudem interaktionszentriert und vernachlässigen die dichten Verhaltensspuren in Dateisystemoperationen. Um diese Lücke zu schließen, schlagen wir FileGram vor – ein umfassendes Framework, das Agentengedächtnis und Personalisierung in Dateisystem-Verhaltensspuren verankert. Es besteht aus drei Kernkomponenten: (1) FileGramEngine, einer skalierbaren, personengetriebenen Daten-Engine, die realistische Workflows simuliert und feinkörnige multimodale Aktionssequenzen in großem Maßstab generiert; (2) FileGramBench, einem diagnostischen Benchmark, der auf Dateisystem-Verhaltensspuren basiert und Gedächtnissysteme in den Bereichen Profilrekonstruktion, Spurentrennung, Erkennung von Personendrift und multimodale Verankerung evaluiert; und (3) FileGramOS, einer bottom-up Gedächtnisarchitektur, die Benutzerprofile direkt aus atomaren Aktionen und Inhaltsdeltas anstelle von Dialogzusammenfassungen aufbaut und diese Spuren in prozedurale, semantische und episodische Kanäle mit Abstraktion zur Abfragezeit kodiert. Umfangreiche Experimente zeigen, dass FileGramBench eine Herausforderung für state-of-the-art Gedächtnissysteme darstellt und dass FileGramEngine und FileGramOS effektiv sind. Durch die Open-Source-Bereitstellung des Frameworks hoffen wir, zukünftige Forschung zu personalisierten, gedächtniszentrierten Dateisystem-Agenten zu unterstützen.
English
Coworking AI agents operating within local file systems are rapidly emerging as a paradigm in human-AI interaction; however, effective personalization remains limited by severe data constraints, as strict privacy barriers and the difficulty of jointly collecting multimodal real-world traces prevent scalable training and evaluation, and existing methods remain interaction-centric while overlooking dense behavioral traces in file-system operations; to address this gap, we propose FileGram, a comprehensive framework that grounds agent memory and personalization in file-system behavioral traces, comprising three core components: (1) FileGramEngine, a scalable persona-driven data engine that simulates realistic workflows and generates fine-grained multimodal action sequences at scale; (2) FileGramBench, a diagnostic benchmark grounded in file-system behavioral traces for evaluating memory systems on profile reconstruction, trace disentanglement, persona drift detection, and multimodal grounding; and (3) FileGramOS, a bottom-up memory architecture that builds user profiles directly from atomic actions and content deltas rather than dialogue summaries, encoding these traces into procedural, semantic, and episodic channels with query-time abstraction; extensive experiments show that FileGramBench remains challenging for state-of-the-art memory systems and that FileGramEngine and FileGramOS are effective, and by open-sourcing the framework, we hope to support future research on personalized memory-centric file-system agents.