FileGram: Grounding Agent Personalization in File-System Behavioral Traces

Paper: arXiv:2604.04901 Code: synvo-ai/FileGram Code reference: main @ 7f6d174f (2026-04-13)

1. Motivation（研究动机）

FileGram 关注的是一个很具体但现有 Agent memory 系统很少正面处理的问题：如果 AI coworker 长期在用户本地 file system 里协作，它不应该只记住“用户说过什么”，还应该从文件操作轨迹里学到“用户怎么工作”。例如用户是先通读再写，还是先搜索再改；喜欢深层目录还是扁平目录；倾向小步迭代还是一次性重写；偏好多模态产物还是纯文本产物。这些偏好不是静态文档内容本身，而是跨 session 的行为模式。

Figure 1 解读：这张 overview 把论文的问题设定讲得很直观：AI coworker 不是在一个孤立 chat 里回答问题，而是嵌入用户文件系统，观察跨 session 的文件创建、重命名、移动、编辑和多模态输出。核心目标是把这些 operation-level 证据 consolidation 成长期 behavioral memory，让 Agent 在未来任务中能主动同步 workspace、推断用户偏好，并给出个性化动作。

现有方法的瓶颈主要有三类。第一，数据稀缺：真实 file-system traces 有强隐私约束，且同时收集 action logs、file snapshots、edit diffs、multimodal outputs 很困难，所以很难构造可控的大规模训练/评测数据。第二，benchmark 偏差：已有 long-memory 或 GUI Agent benchmark 要么偏 conversational recall，要么只测 GUI task success；Table 1 中只有 FileGramBench 同时覆盖 multi-session、multimodal、user profile、explicit memory、fact retrieval、reasoning、knowledge management 和 personalization。第三，方法形态不匹配：Mem0、Zep、MemOS、EverMemOS 等主流 memory architecture 多从 dialogue summary 或 narrative summary 出发，过早把 action counts、directory depth、edit granularity 等底层行为信号压扁成“structured / methodical / comprehensive”这类泛化描述。

这件事值得研究，是因为 file system 是真实个人工作流的长期载体：项目目录结构、命名规则、编辑粒度、归档方式、跨文件引用、图表/文本偏好都包含比对话更稳定的个性化证据。如果 Agent 可以在本地、可控、隐私边界内学习这些行为，它就不只是“记忆事实”，而是能预测用户下一步会如何组织、修改、检索和交付文件。

2. Idea（核心思想）

FileGram 的核心 insight 是：个性化 Agent memory 不应只从 top-down dialogue summaries 中抽象用户画像，而应从 bottom-up 的 file-system behavioral traces 中构建 memory；也就是先保留 atomic actions 与 content deltas，再在 query time 做语义解释。这样可以避免 ingestion 阶段过早总结造成的行为细节丢失。

论文把这个 insight 拆成三个互相支撑的组件：FileGramEngine 生成可控的 profile-conditioned file-system trajectories；FileGramBench 把这些 trajectories 转成 memory-centric QA；FileGramOS 则是 bottom-up memory framework，把每条 trajectory 编码成 Engram，再 consolidated 到 procedural、semantic、episodic 三个 channel。与 EverMemOS / Mem0 这类 narrative-first memory 相比，FileGramOS 的根本差异不是“用更强 LLM 总结”，而是把 action statistics、file content descriptors 和 temporal episodes 分开保存，直到问题到来时才做 query-adaptive composition。

3. Method（方法）

3.1 Overall framework：从 profile-conditioned traces 到三通道 memory

FileGram 的 pipeline 可以理解为“先造可控行为数据，再造评测，再给出一个底层 memory baseline”。

Figure 2 解读：FileGramEngine 的输入是 behavioral profile 与 curated file task，执行过程发生在 profile-isolated workspace 中。原始轨迹里既有真实工具调用，也有 simulation artifact（如 LLM thought / session markers），因此 pipeline 先做 filtering，再把 raw tool traces canonicalize 成 typed atomic actions，并把每个 action 与对应 content snapshot 或 edit diff 绑定。这个设计的关键是“action–content 对齐”：只看 action 只能知道用户做了什么，只看文件只能知道结果是什么，二者结合才解释用户为什么以某种方式完成任务。

3.2 Profile 与 task formulation

论文用 19 个细粒度 profile attributes 描述用户，其中 6 个核心 behavioral dimensions 用 L/M/R 三档离散化：

Dim	Name	L	M	R
A	Consumption Pattern	Sequential deep reading	Targeted search-first	Breadth-first browsing
B	Production Style	Comprehensive & detailed	Balanced	Minimal & concise
C	Organization Preference	Deeply nested (3+ levels)	Adaptive (1–2 levels)	Flat (root only)
D	Iteration Strategy	Incremental small edits	Balanced refinement	Bulk rewrite
E	Curation	Selective active cleanup	Pragmatic moderate cleanup	Preservative accumulative
F	Cross-Modal Behavior	Visual-heavy	Balanced tables	Text-only

作者实例化 20 个 profile，并通过两种粒度制造评测难度：细粒度 profile pair 只差 1–2 个维度，用来测 subtle behavioral shift；宏观 pair 差 5 个维度，用来测较容易区分的用户画像。为了避免 profile 过于静态，每个 profile 的 32 条 trajectory 中有 5 条被强制在某个 task-relevant dimension 上移动一个 tier，这些 controlled perturbations 后续用于 Track 3 的 anomaly / shift evaluation。

Task pool 共 32 个任务，覆盖 Understand、Create、Organize、Synthesize、Iterate、Maintain 六类；主文报告 16 个 text-centric 与 16 个 multimodal tasks，初始化 workspace 来自 HippoCamp 的真实个人文件集合，共 615 diverse input files，覆盖 videos、audio、images、spreadsheets、presentations、PDFs 等格式。每个 profile × task pair 产生一条执行组合，因此总计 20 × 32 = 640 trajectories。

Figure 3 解读：这张数据分布图展示了 FileGramEngine 的规模与覆盖面：20 profiles × 32 tasks 产生 640 trajectories，并进一步产出约 10K multimodal output files 与 20,028 atomic actions。它强调评测不是单一任务成功率，而是把 profile coverage、task coverage、input file coverage 和 action coverage 都纳入控制。

3.3 FileGramBench：四条 track 的 memory-centric QA

FileGramBench 包含 4.6K QA pairs，覆盖 procedural、semantic、episodic 三种 memory channel。自动 QA 生成使用 template-based pipeline：MCQ 的 distractors 来自只差 1–2 个维度的 profile pair，以保证不是靠表面差异作答；GPT-4.1 负责把结构化模板转成自然语言问题；open-ended Profile Reconstruction 由 LLM judge 按每个 attribute 的 1–5 Likert rubric 评分。

Figure 4 解读：FileGramQA 的问题分布被组织成四条 track 和九个 sub-task。内圈是 track-level 结构，外圈是具体 sub-task，这种设计让评测既能测“能否识别用户画像”，也能测“能否把行为差异归因到某个维度”。

Figure 5 解读：这张图给出各 track 的代表性题型。Track 1 包括 Attribute Recognition、Behavioral Fingerprint、Profile Reconstruction；Track 2 包括 Behavioral Inference 与 Trace Disentanglement；Track 3 包括 Anomaly Detection 与 Shift Analysis；Track 4 把输入扩展到 rendered documents / images / screen recordings，要求模型从多模态文件或视频中 grounding 用户行为。

四个 tracks 的含义如下：

T1 Understanding：从同一用户的 $N$ 条 trajectories 恢复 profile。AttrRec 有 326 个 3-choice MCQ；BehavFP 有 560 个 4-choice MCQ；ProfRec 是 free-form reconstruction，覆盖 6 dimensions / 19 attributes。
T2 Reasoning：做 pattern-level inference。Behavioral Inference 给 31 条 trajectories、hold out 一个 task，预测 unseen task 上的行为；Trace Disentanglement 给两个用户在同一 task 上的 interleaved events，要求找出主导行为差异。
T3 Detection：利用每个 profile 的 5 条 perturbed trajectories 测 drift。AnomDet 在 5–6 个 sessions 中找 impostor；ShiftAna 要指出哪个 dimension 朝哪个方向变化。
T4 Multimodal Grounding：File Grounding 用 rendered PDFs/images 代替 raw text；Visual Grounding 给真实参与者 screen recording 的前半段，预测后续 file operations 与 behavior patterns。

3.4 FileGramOS：bottom-up 三阶段 memory framework

FileGramOS 的设计目标是避免“先总结再检索”的信息损失。直觉上，用户偏好常常隐藏在微观分布里：平均读多少文件、是否反复 revisit、每次 edit 改多少行、目录深度、是否创建 backup、是否把表格转成 visual。若 ingestion 时直接让 LLM 写一句“用户很有条理”，这些统计差异会被抹平；FileGramOS 因此先把每条 trajectory 编码成结构化 Engram，再跨 trajectories 聚合，最后按 query 取出最相关 channel。

Figure 6 解读：FileGramOS 分三步：Stage 1 对每条 trace 做 per-trajectory encoding，三条并行 stream 分别抽取 procedural features、semantic parsing 和 episode segmentation，形成 Engram；Stage 2 做 cross-engram consolidation，把 Engram 拆到 procedural / semantic / episodic 三个 MemoryStore channel；Stage 3 做 query-adaptive retrieval，把结构化 clues 拼成回答上下文。图中可以看到 procedural channel 保存 feature statistics，semantic channel 保存 file metadata / content chunks / style summary，episodic channel 保存 episode clusters 和 anomaly judge 结果。

Stage 1：Per-trajectory Encoding 与 Engram

每条 trajectory 先经过 EventNormalizer，把 raw event type 对齐到 code 中的 ConsumerEventType，包括 file_read、file_write、file_edit、file_search、file_browse、file_rename、file_move、dir_create、file_delete、file_copy、dir_delete、cross_file_reference 等可消费事件。FeatureExtractor.extract_all() 针对 9 个属性抽特征：reading_strategy、output_detail、output_structure、directory_style、naming、edit_strategy、version_strategy、tone、cross_modal_behavior。

然后 compute_fingerprint() 把这些特征压成 17-D vector，覆盖六个 L/M/R 维度：search/browse/revisit ratios，average output length / files created / total output chars，dirs created / max depth / files moved，edits / changed lines / small edit ratio，delete ratios，以及 structured/table/image output counts。Semantic unit 则保存 created files、edit chains、cross-file references、filenames 和 directory diffs；EpisodeSegmenter 用 LLM 在 compact timeline 上找 2–5 个 focus-shift boundaries，并为每段生成 narrative。

关键公式是对每条 session fingerprint 做 per-dimension z-score，并计算到 profile centroid 的距离： $z_{k}^{(j)} = \frac{f _{k}^{(j)} - μ _{k}}{σ _{k} + ϵ}, δ_{j} = ∥ z_{j} - \overset{z}{ˉ} ∥_{2}, \overset{y}{^}_{j} = I [δ_{j} > μ_{δ} + τ σ_{δ}] .$ 论文设置 $τ = 1.5$ ，先用 numeric outlier 检测候选异常，再把 flagged session 交给 LLM Anomaly Judge： $r_{j} = LLM (ψ_{j}) \in {variation, outlier, uncertain} .$ 论文公式与 released code 实现差异：论文写的是 $σ_{k} + ϵ$ 分母；released code bench/filegramos/fingerprint.py 的 normalize_fingerprints() 在 std > 0 时做 z-score，在 std == 0 时直接把该维度置为 0.0，没有显式使用 $ϵ$ 。阈值逻辑与论文一致：compute_deviations(..., threshold=1.5) 使用 $μ_{δ} + 1.5 σ_{δ}$ 。

Stage 2：Cross-Engram Consolidation

EngramConsolidator.consolidate() 接收同一 profile 的多个 Engram，先计算 normalized fingerprints、centroid、per-session distances 与 deviation flags。deviant engrams 在 aggregation 中被 lower-weighted，以免 perturbed trajectory 污染稳定 profile。Procedural channel 用 FeatureAggregator 聚合每个 feature 的 mean / median / std / min / max，并通过 LLM classification 把统计值解释成 profile dimension labels 与 behavioral patterns。

Semantic channel 合并 filenames、directory structures、LLM trajectory narratives，并按 CONTENT_CHUNK_SIZE=800、CONTENT_CHUNK_MAX=50 存储 content chunks。SEMANTIC_BUDGET=8000 控制 sampled semantic evidence 的预算。Episodic channel 则对 episodes 做 clustering，对 trace-level deviations 做 dimension localization，并让 LLM 判断是 task-dependent variation、genuine perturbation 还是 uncertain。

Stage 3：Query-adaptive Retrieval

QueryAdaptiveRetriever.retrieve() 不做全局重排，而是按固定顺序拼接三段 context：Procedural Patterns、Semantic Content、Episodic Consistency。Appendix B.5 与 code 都显示：procedural dimension summary 和 aggregate stats 总是包含；semantic content 用 Cohere embed-english-v3.0 做 top-5 content chunks；episodic channel 返回 behavioral clusters、anomalous sessions 与 top-5 episode narratives。retriever display 默认 RETRIEVER_DISPLAY_CHARS=800，该值也在 Table 14 中被验证为较优 trade-off。

3.5 Released code-grounded pseudocode

def encode_trajectory(raw_events, task_id, trajectory_id, llm_fn):
    normalized = EventNormalizer().normalize_all(raw_events)
    extractor = FeatureExtractor(normalized)
 
    procedural = extractor.extract_all()
    auxiliary = extractor.extract_auxiliary()
    fingerprint = compute_fingerprint(procedural)  # 17-D behavioral vector
 
    raw_semantic = extractor.extract_semantic_channel()
    semantic = build_semantic_unit(
        created_files=raw_semantic["created_files"],
        edit_diffs=raw_semantic["edit_diffs"],
        cross_refs=normalized,
    )
    if semantic.created_files or semantic.edit_chains:
        semantic.llm_encoding = llm_encode_semantic(semantic, procedural, task_id, llm_fn)
 
    semantic.episodes = EpisodeSegmenter(llm_fn).segment(normalized, trajectory_id)
    sequence_features = SequenceAnalyzer(normalized).analyze()
 
    return Engram(
        trajectory_id=trajectory_id,
        task_id=task_id,
        procedural=procedural,
        auxiliary=auxiliary,
        semantic=semantic,
        fingerprint=fingerprint,
        sequence_features=sequence_features,
    )

def consolidate_engrams(engrams, llm_fn, tau=1.5):
    raw_fps = {e.trajectory_id: e.fingerprint for e in engrams}
    norm_fps = normalize_fingerprints(raw_fps)
    centroid, distances, deviation_flags = compute_deviations(norm_fps, threshold=tau)
 
    deviation_details = {}
    for e in engrams:
        if deviation_flags.get(e.trajectory_id, False):
            deviation_details[e.trajectory_id] = locate_shifted_dimensions(
                norm_fps[e.trajectory_id], centroid, top_k=3
            )
 
    weighted_features = weight_deviant_sessions_lower(engrams, deviation_flags)
    procedural_aggregate = FeatureAggregator(weighted_features).aggregate_all()
    dimension_labels, patterns = llm_classify(procedural_aggregate, llm_fn)
 
    content_chunks = chunk_and_embed_content(engrams, chunk_size=800, max_chunks=50)
    episode_clusters = cluster_episode_narratives(engrams, threshold=0.6)
    deviation_labels = llm_verify_deviations(engrams, deviation_flags, llm_fn)
 
    return MemoryStore(
        procedural_aggregate=procedural_aggregate,
        dimension_classifications=dimension_labels,
        behavioral_patterns=patterns,
        content_chunks=content_chunks,
        episode_clusters=episode_clusters,
        per_session_distances=distances,
        deviation_flags=deviation_flags,
        deviation_details=deviation_details,
        llm_deviation_analysis=deviation_labels,
    )

def retrieve_behavioral_memory(store, query=None, disabled_channels=None):
    disabled_channels = disabled_channels or set()
    parts = []
    if "episodic" not in disabled_channels:
        n_dev = sum(store.deviation_flags.values())
        parts.append(f"## Behavioral Memory Profile ({len(store.engrams)} sessions, {n_dev} anomalous)")
    else:
        parts.append(f"## Behavioral Memory Profile ({len(store.engrams)} sessions)")
 
    if "procedural" not in disabled_channels:
        parts.append(render_procedural_patterns(store.procedural_aggregate,
                                                store.dimension_classifications))
    if "semantic" not in disabled_channels:
        parts.append(render_semantic_content(store, query=query, top_k=5))
    if "episodic" not in disabled_channels:
        parts.append(render_episodic_consistency(store, query=query, episode_top_k=5))
    if "procedural" not in disabled_channels and "episodic" not in disabled_channels:
        parts.append(render_session_table(store))
    return "\n\n".join(parts)

def filegramos_profile_inference(trajectories, profile_attributes, llm_fn):
    adapter = FileGramOSAdapter(llm_fn=llm_fn, config={"ingest_parallel": 4})
    adapter.ingest(trajectories)  # parallel Engram encoding, deterministic sort, consolidation
    channel_context = adapter._retriever.retrieve(adapter.get_store(), query_type="profile")
    prompt = SYNTHESIS_PROMPT.format(
        n_trajectories=len(adapter.get_store().engrams),
        channel_context=channel_context,
        attributes_list="\n".join(f"- {a}" for a in profile_attributes),
    )
    return llm_fn(prompt)

Code reference: main @ 7f6d174f (2026-04-13) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
Event canonicalization / simulation filtering	`bench/filegramos/normalizer.py`, `bench/filegramos/schema.py`	`EventNormalizer`, `ConsumerEventType`, `SIMULATION_TYPES`
Per-trajectory Engram encoding	`bench/filegramos/encoder.py`	`EngramEncoder.encode`, `_build_semantic_unit`, `_llm_encode_semantic`
Procedural feature extraction	`bench/filegramos/feature_extraction.py`, `bench/filegramos/fingerprint.py`	`FeatureExtractor.extract_all`, `compute_fingerprint`, `FINGERPRINT_FEATURES`
Episode segmentation	`bench/filegramos/episode.py`	`EpisodeSegmenter.segment`, `_detect_boundaries`, `_generate_narratives`
Cross-Engram consolidation	`bench/filegramos/consolidator.py`	`EngramConsolidator.consolidate`, `_llm_classify`, `_llm_verify_deviations`
Query-adaptive retrieval	`bench/filegramos/retriever.py`	`QueryAdaptiveRetriever.retrieve`, `_channel_procedural`, `_channel_semantic`, `_channel_episodic`
Benchmark adapter	`bench/baselines/filegramos_adapter.py`	`FileGramOSAdapter.ingest`, `infer_profile`
Evaluation / ablation runners	`bench/run_ablation.py`, `bench/run_cross_backbone.py`, `filegramQA/run_qa_eval.py`	`run_qa`, `run_one`, QA evaluation CLI

4. Experimental Setup（实验设置）

4.1 Data / benchmark scale

实验使用 FileGramEngine 生成的 640 trajectories（20 profiles × 32 tasks），包含 20,028 atomic actions、约 2.5K agent-generated files，并通过 decomposition/rendering 扩展为超过 10K multimodal files。FileGramBench 总计 4.6K memory-targeted QA pairs，九个 sub-task 的规模在 Table 3 注释中给出：AttrRec 326、BehavFP 560、ProfRec 320、BehavInf 560、TraceDis 1,134、AnomDet 815、ShiftAna 288、FileGrd 550、VisGrd 100。

实验输入分三种 setting：Text 使用原始 Markdown agent outputs；Multimodal 将 outputs 渲染成 PDFs/images；Real-World 用 human screen recordings 替换 simulated traces。前两种 setting 的 behavioral event logs 保持一致，video captioner 统一使用 Gemini 2.5-Flash。

4.2 Baselines and metrics

所有方法共享 Gemini 2.5-Flash 作为 QA backbone。对比方法分三组：context methods（No Context、Full Context、Naive RAG、Eager Summ.、VisRAG）、text interaction memory methods（Mem0、Zep、MemOS、SimpleMem、EverMemOS）、multimodal memory methods（MemU、MMA）。

主要指标是 accuracy (%)，open-ended sub-tasks 用 LLM judge 的 1–5 Likert 分数重标定为 0–100。额外报告 Tokens In.（每 profile 存储 memory 平均 tokens）和 Tokens Out.（每 query 检索 context 平均 tokens），用于比较 memory 压缩和回答上下文成本。

4.3 Implementation / config details

Released code 的关键配置来自实际文件而非 README 默认值：bench/run_ablation.py 默认 GEMINI_MODEL=gemini-2.5-flash；bench/filegramos/tuning.py 设置 SEMANTIC_BUDGET=8000、RETRIEVER_DISPLAY_CHARS=800、EPISODE_MIN_EVENTS=3、EPISODE_MAX_PER_TRAJECTORY=5、CONTENT_CHUNK_SIZE=800、CONTENT_CHUNK_MAX=50、EPISODE_CLUSTER_THRESHOLD=0.6、PHASE_WINDOW_SIZE=5、BEHAVIORAL_CLUSTER_MAX=3；FileGramOSAdapter 默认 ingest_parallel=4。README 的 evaluation command 使用 python -m filegramQA.run_qa_eval --cache-dir gemini_2.5_flash --api gemini --mode qa --settings 1 2 3 4 --parallel 20。

论文/代码没有详细说明 GPU 型号或本地硬件训练配置；该工作主要是 API-driven data generation / memory ingestion / QA evaluation，而不是神经网络参数训练。论文明确说明 synthetic traces 由 Claude Haiku 4.5 生成；QA phrasing 使用 GPT-4.1；cross-backbone validation 固定 judge 为 Gemini 2.5-Flash。

5. Experimental Results（实验结果）

5.1 Main results on FileGramBench

Method	In.	Out.	Avg	关键信号
Full Context	625.2K	45.9K	48.0	raw evidence 很强，但缺少跨 session aggregation
Eager Summ.	625.2K	3.7K	49.5	narrative summary 保留部分信息，但仍丢微观统计
VisRAG	609.8K	10.0K	51.9	semantic / layout grounding 强，procedural 仍弱
Mem0	119.9K	3.0K	33.2	flat key-value memory 接近随机于行为任务
SimpleMem	9.3K	3.5K	32.9	token 省但行为辨别能力弱
EverMemOS	1098.9K	8.4K	49.9	最强 narrative baseline，但不如 bottom-up structure
MemU	293.6K	7.9K	44.4	multimodal ingestion 不等于行为建模
MMA	331.8K	4.5K	44.7	VLM captioning 对局部任务有帮助，整体不足
FileGramOS	109.7K	4.3K	59.6	三通道 structured memory 最优

FileGramOS 在平均 accuracy 上达到 59.6%，比最强 narrative baseline EverMemOS 的 49.9% 高 9.7 pp，同时比 Full Context 少用大量 output context（4.3K vs 45.9K）。具体到 sub-task，FileGramOS 的 TraceDis 为 80.9，AnomDet 为 70.2，FileGrd 为 55.8，VisGrd 为 8.5；VisGrd 仍很低，说明真实 screen recording 的多模态行为 grounding 仍是难点。

Figure 7 解读：qualitative comparison 展示了 narrative-first 方法的问题：Mem0、Zep、MemOS、SimpleMem、EverMemOS 容易把不同 profile 总结成相似的泛化词，而 FileGramOS 保留了分布统计和操作结构，因此能区分例如 directory depth、edit granularity、read/search ratio 这类真正决定个性化行为的证据。

5.2 Ablation and sensitivity

Table 13 的 channel ablation 说明 procedural channel 最关键。Full FileGramOS 在 T1/T2/T3 与 channel 平均上分别为 AttrRec 50.6、BehavFP 35.2、BehavInf 42.1、TraceDis 80.9、AnomDet 70.2、ShiftAna 37.8、Proc 60.1、Sem 55.0、Epi 58.9、Avg 59.6。移除 Procedural channel 让平均分下降 11.1 pp（Δ=-11.1 pp），其中 TraceDis 从 80.9 下降 27.8 pp 到 53.1；移除 Semantic channel 平均下降 5.5 pp（Δ=-5.5 pp）；移除 Episodic channel 平均下降 4.2 pp（Δ=-4.2 pp）。

Parameter sensitivity 中，retriever display length 从 300 chars 到 800 chars 把 Tracks 1–3 平均从 53.5 提到 54.5（+1.0），1000 chars 略降到 54.3；context presentation 中，preview 200→400 chars 得 55.2（+0.7），files/task 3→5 得 54.5（±0.0），files/task 3→2 得 53.5（−1.0），加入 edit chain diffs 得 53.2（−1.3），去掉 content previews 得 52.3（−2.2）。作者的解释是：Track 2 主要依赖 procedural statistics，因此对 display 配置近似不敏感；Track 1 更依赖 content-sensitive evidence，所以 800-char preview 是较好的折中。

Cross-backbone validation 表明 behavioral signal 不是单一生成模型 artifact：在相同 FileGramOS memory context 下，Gemini 2.5-Flash 的 Proc/Sem/Avg 为 84.4/80.0/82.8，GPT-4.1 为 82.5/78.3/80.9，Claude Sonnet 4 为 83.8/80.0/82.2，inter-backbone variance 小于 2.0 pp。

5.3 Limitations and takeaways

作者明确列出几个限制。第一，所有 synthetic traces 都由 Claude Haiku 4.5 生成，虽然用 20 个 profile 与 human verification 减轻偏差，但仍可能有单一 LLM 风格统一性。第二，behavioral shifts 是 single-tier perturbation，而真实用户 drift 往往更渐进且多维。第三，32 个 tasks 不覆盖 code development、real-time collaboration、system administration。第四，20 profiles / 640 trajectories 属于中等规模，Real-World setting 的明显性能下降说明 sim-to-real transfer 仍未解决。第五，file-system traces 本身高度敏感，即使 procedural channel 只保存 17-D aggregate fingerprints、semantic channel 保存 descriptors 而非完整文件内容，episodic channel 的 temporal patterns 仍可能被 re-identify；真实部署需要 consent、data minimization、deletion right、access control 与 per-directory opt-in/out。

总体结论是：FileGram 不是证明“现有模型已经会个性化”，而是提出了一个更贴近真实 file-system coworking 的数据/评测/方法闭环。实验显示，单纯扩大 context 或加入 multimodal captioning 不足以解决个性化 memory；真正有用的是把 atomic actions、content deltas、episode structure 分开保留，并在 query time 做结构化组合。

Paper Notes

探索

FileGram: Grounding Agent Personalization in File-System Behavioral Traces

FileGram: Grounding Agent Personalization in File-System Behavioral Traces

1. Motivation（研究动机）

2. Idea（核心思想）

3. Method（方法）

3.1 Overall framework：从 profile-conditioned traces 到三通道 memory

3.2 Profile 与 task formulation

3.3 FileGramBench：四条 track 的 memory-centric QA

3.4 FileGramOS：bottom-up 三阶段 memory framework

Stage 1：Per-trajectory Encoding 与 Engram

Stage 2：Cross-Engram Consolidation

Stage 3：Query-adaptive Retrieval

3.5 Released code-grounded pseudocode

4. Experimental Setup（实验设置）

4.1 Data / benchmark scale

4.2 Baselines and metrics

4.3 Implementation / config details

5. Experimental Results（实验结果）

5.1 Main results on FileGramBench

5.2 Ablation and sensitivity

5.3 Limitations and takeaways

目录