FileGram: Personalización de Agentes de Base en Trazas de Comportamiento del Sistema de Archivos
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
April 6, 2026
Autores: Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
cs.AI
Resumen
Los agentes de IA colaborativos que operan en sistemas de archivos locales están surgiendo rápidamente como un paradigma en la interacción humano-IA; sin embargo, la personalización efectiva sigue limitada por severas restricciones de datos, ya que las estrictas barreras de privacidad y la dificultad de recopilar conjuntamente trazas multimodales del mundo real impiden un entrenamiento y evaluación escalables, y los métodos existentes siguen centrados en la interacción mientras pasan por alto las densas trazas conductuales en las operaciones del sistema de archivos; para abordar esta brecha, proponemos FileGram, un marco integral que fundamenta la memoria y personalización del agente en las trazas conductuales del sistema de archivos, comprendiendo tres componentes centrales: (1) FileGramEngine, un motor de datos escalable impulsado por personajes que simula flujos de trabajo realistas y genera secuencias de acciones multimodales detalladas a escala; (2) FileGramBench, un benchmark de diagnóstico fundamentado en trazas conductuales del sistema de archivos para evaluar sistemas de memoria en reconstrucción de perfiles, desentrelazamiento de trazas, detección de deriva de personaje y fundamentación multimodal; y (3) FileGramOS, una arquitectura de memoria de abajo hacia arriba que construye perfiles de usuario directamente a partir de acciones atómicas y deltas de contenido en lugar de resúmenes de diálogo, codificando estas trazas en canales procedimentales, semánticos y episódicos con abstracción en tiempo de consulta; experimentos exhaustivos muestran que FileGramBench sigue siendo un desafío para los sistemas de memoria de vanguardia y que FileGramEngine y FileGramOS son efectivos, y al hacer el marco de código abierto, esperamos apoyar futuras investigaciones sobre agentes de sistemas de archivos centrados en memoria personalizada.
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.