FileGram：利用文件系统行为轨迹构建Agent个性化记忆

在本地文件系统中与用户协作的AI Agent正成为人机交互的一种新方式，但个性化受到数据条件限制：隐私要求以及联合收集真实多模态轨迹的困难，阻碍了大规模训练与评估。现有方法侧重对话交互，忽略文件操作中密集的行为线索。本文提出FileGram，以文件系统行为轨迹为基础构建Agent记忆与个性化能力，包含三部分。FileGramEngine是以用户画像驱动的可扩展数据引擎，模拟真实工作流并生成细粒度多模态操作序列。FileGramBench评测记忆系统的用户画像重建、行为轨迹解耦、画像变化检测及多模态证据关联。FileGramOS采用自底向上的记忆架构，直接从原子操作与内容变化、而非对话摘要构建用户画像，将轨迹编码为程序性、语义和情景记忆通道，并在查询时进行抽象。实验表明，FileGramBench对当前先进记忆系统仍有挑战，FileGramEngine与FileGramOS也具有有效性。研究公开框架，以支持个性化、记忆驱动的文件系统Agent研究。