FileGram : Personnalisation des agents d'ancrage dans les traces comportementales du système de fichiers
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
April 6, 2026
Auteurs: Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
cs.AI
Résumé
Les agents d'IA collaboratifs opérant dans les systèmes de fichiers locaux émergent rapidement comme un paradigme dans l'interaction humain-IA ; cependant, leur personnalisation efficace reste limitée par de sévères contraintes de données. En effet, des barrières strictes de confidentialité et la difficulté de collecter conjointement des traces multimodales du monde réel empêchent un entraînement et une évaluation à grande échelle. Les méthodes existantes restent centrées sur l'interaction tout en négligeant les traces comportementales denses des opérations sur le système de fichiers. Pour combler cette lacune, nous proposons FileGram, un cadre complet qui ancre la mémoire et la personnalisation des agents dans les traces comportementales du système de fichiers. Il comprend trois composants principaux : (1) FileGramEngine, un moteur de données piloté par les personas, scalable, qui simule des flux de travail réalistes et génère à grande échelle des séquences d'actions multimodales granulaires ; (2) FileGramBench, un benchmark de diagnostic ancré dans les traces comportementales du système de fichiers pour évaluer les systèmes de mémoire sur la reconstruction de profils, la dissociation des traces, la détection de dérive des personas et l'ancrage multimodal ; et (3) FileGramOS, une architecture mémoire ascendante qui construit des profils utilisateur directement à partir d'actions atomiques et de différences de contenu plutôt qu'à partir de résumés de dialogues, encodant ces traces dans des canaux procéduraux, sémantiques et épisodiques avec une abstraction au moment de la requête. Des expériences approfondies montrent que FileGramBench reste difficile pour les systèmes de mémoire à la pointe et que FileGramEngine et FileGramOS sont efficaces. En ouvrant le cadre en source libre, nous espérons soutenir les futures recherches sur les agents personnalisés centrés sur la mémoire pour les systèmes de fichiers.
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.