FileGram: Gronding van Agentpersonalisatie in Gedragssporen van Bestandssystemen
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
Samenvatting
AI-agenten die samenwerken binnen lokale bestandssystemen ontstaan snel als een nieuw paradigma in mens-AI-interactie; effectieve personalisatie wordt echter beperkt door ernstige databeperkingen, aangezien strikte privacybarrières en de moeilijkheid om multomodelle real-world sporen gezamenlijk te verzamelen schaalbare training en evaluatie verhinderen, en bestaande methoden interaction-centric blijven terwijl ze dichte gedragssporen in bestandssysteemoperaties over het hoofd zien; om deze kloof te dichten, stellen we FileGram voor, een uitgebreid raamwerk dat agentgeheugen en personalisatie verankert in bestandssysteemgedragssporen, bestaande uit drie kerncomponenten: (1) FileGramEngine, een schaalbare persona-gedreven data-engine die realistische workflows simuleert en fijnmazige multomodelle actiesequenties op grote schaal genereert; (2) FileGramBench, een diagnostische benchmark verankerd in bestandssysteemgedragssporen voor het evalueren van geheugensystemen op profielreconstructie, sporenontrafeling, persona-driftdetectie en multomodelle verankering; en (3) FileGramOS, een bottom-up geheugenarchitectuur die gebruikersprofielen direct opbouwt vanuit atomische acties en content-delta's in plaats van dialoogsamenvattingen, waarbij deze sporen worden gecodeerd in procedurele, semantische en episodische kanalen met abstractie op querytijd; uitgebreide experimenten tonen aan dat FileGramBench uitdagend blijft voor state-of-the-art geheugensystemen en dat FileGramEngine en FileGramOS effectief zijn, en door het raamwerk open source te maken, hopen we toekomstig onderzoek naar gepersonaliseerde geheugengerichte bestandssysteemagenten te ondersteunen.
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.