FileGram: Fundamentação da Personalização de Agentes em Rastros Comportamentais do Sistema de Arquivos
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
Resumo
Agentes de IA colaborativos que operam em sistemas de arquivos locais estão surgindo rapidamente como um paradigma na interação homem-IA; no entanto, a personalização eficaz permanece limitada por severas restrições de dados, uma vez que barreiras rígidas de privacidade e a dificuldade de coletar conjuntamente traços multimodais do mundo real impedem o treinamento e a avaliação em escala, e os métodos existentes permanecem centrados na interação enquanto negligenciam os traços comportamentais densos nas operações do sistema de arquivos; para preencher esta lacuna, propomos o FileGram, uma estrutura abrangente que ancora a memória e a personalização do agente em traços comportamentais do sistema de arquivos, compreendendo três componentes principais: (1) FileGramEngine, um motor de dados escalável orientado por persona que simula fluxos de trabalho realistas e gera sequências de ações multimodais de granularidade fina em escala; (2) FileGramBench, um benchmark de diagnóstico ancorado em traços comportamentais do sistema de arquivos para avaliar sistemas de memória em reconstrução de perfil, desembaraçamento de traços, detecção de deriva de persona e ancoragem multimodal; e (3) FileGramOS, uma arquitetura de memória bottom-up que constrói perfis de usuário diretamente a partir de ações atômicas e deltas de conteúdo, em vez de resumos de diálogo, codificando esses traços em canais procedurais, semânticos e episódicos com abstração no momento da consulta; experimentos extensivos mostram que o FileGramBench permanece desafiador para os sistemas de memória state-of-the-art e que o FileGramEngine e o FileGramOS são eficazes, e, ao disponibilizar o framework em código aberto, esperamos fomentar pesquisas futuras sobre agentes de sistema de arquivos centrados em memória 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.