FileGram: Personalizzazione degli Agenti Intelligenti tramite Tracciamento Comportamentale nel File System
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
April 6, 2026
Autori: Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
cs.AI
Abstract
Gli agenti di intelligenza artificiale collaborativi che operano all'interno di file system locali stanno emergendo rapidamente come paradigma nell'interazione uomo-IA; tuttavia, l'efficace personalizzazione rimane limitata da severe restrizioni sui dati, poiché le barriere privacy stringenti e la difficoltà di raccogliere congiuntamente tracce multimodali del mondo reale impediscono un addestramento e una valutazione scalabili, e i metodi esistenti rimangono incentrati sull'interazione trascurando le dense tracce comportamentali nelle operazioni del file system; per colmare questa lacuna, proponiamo FileGram, un framework completo che fonda la memoria e la personalizzazione dell'agente sulle tracce comportamentali del file system, comprendente tre componenti fondamentali: (1) FileGramEngine, un motore di dati scalabile guidato dalle persona che simula flussi di lavoro realistici e genera sequenze di azioni multimodali granulari su larga scala; (2) FileGramBench, un benchmark diagnostico basato su tracce comportamentali del file system per valutare i sistemi di memoria sulla ricostruzione del profilo, la districazione delle tracce, il rilevamento della deriva della persona e il grounding multimodale; e (3) FileGramOS, un'architettura di memoria bottom-up che costruisce profili utente direttamente da azioni atomiche e delta di contenuto anziché da riepiloghi dialogici, codificando queste tracce in canali procedurali, semantici ed episodici con astrazione al momento della query; esperimenti estensivi mostrano che FileGramBench rimane impegnativo per i sistemi di memoria all'avanguardia e che FileGramEngine e FileGramOS sono efficaci, e aprendo il framework open-source, speriamo di supportare la futura ricerca su agenti di file system personalizzati e centrati sulla memoria.
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.