FileGram: Персонализация агентов на основе поведенческих следов в файловой системе
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
April 6, 2026
Авторы: Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
cs.AI
Аннотация
Коллаборативные ИИ-агенты, функционирующие в локальных файловых системах, стремительно становятся новой парадигмой взаимодействия человека и ИИ; однако эффективная персонализация остается ограниченной из-за серьезных проблем с данными, поскольку строгие барьеры конфиденциальности и сложность совместного сбора мультимодальных следов реальной деятельности препятствуют масштабируемому обучению и оценке, а существующие методы остаются сфокусированными на взаимодействии, игнорируя плотные поведенческие следы в файловых операциях. Для устранения этого пробела мы предлагаем FileGram — комплексную框架, которая основывает память и персонализацию агента на поведенческих следах файловой системы, состоящую из трех ключевых компонентов: (1) FileGramEngine, масштабируемый персона-ориентированный механизм данных, который симулирует реалистичные рабочие процессы и генерирует детализированные мультимодальные последовательности действий в больших масштабах; (2) FileGramBench, диагностический бенчмарк, основанный на поведенческих следах файловой системы для оценки систем памяти по реконструкции профилей, разделению следов, обнаружению дрейфа персоналии и мультимодальной привязке; и (3) FileGramOS, архитектура памяти снизу вверх, которая строит пользовательские профили непосредственно из атомарных действий и изменений контента, а не из сводок диалогов, кодируя эти следы в процедурный, семантический и эпизодический каналы с абстракцией на этапе запроса. Экстенсивные эксперименты показывают, что FileGramBench остается сложной задачей для современных систем памяти, а FileGramEngine и FileGramOS демонстрируют эффективность; путем открытия исходного кода框架 мы надеемся поддержать будущие исследования в области персонализированных файловых агентов с памятью в центре внимания.
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.