FileGram：让AI助手”记住”你怎么管文件，而不只是记住你说了什么

你有没有想过一个问题：为什么你用了大半年的AI助手，它还是不知道你喜欢把文件按日期命名、放进深层嵌套目录？

每次你让它帮忙整理文件，它都要重新问你一遍：”要放哪个文件夹？””用什么命名规则？”——明明你上个月刚做过一模一样的操作。

——创建了什么目录结构、怎么重命名文件、编辑时是小修还是整篇重写——这些最能反映个人工作习惯的信息，它完全不知道。

这篇来自南洋理工大学 S-Lab 的新工作 FileGram，切入的就是这个痛点：从文件系统的原子操作轨迹中，构建用户的行为画像，让Agent真正”懂”你的工作方式。

核心摘要

FileGram 提出了一个完整的框架来解决文件系统场景下的Agent个性化问题，包含三个组件：FileGramEngine（数据生成引擎）、FileGramBench（诊断评测基准，4.6K QA对）和 FileGramOS（三通道记忆架构）。核心思路是把用户在文件系统中的每一次读、写、移动、重命名等原子操作都当作行为信号，自底向上地构建 procedural（程序性）、semantic（语义性）和 episodic（情景性）三个维度的用户画像。在自家的评测基准上，FileGramOS 以 59.6% 的平均分碾压了包括 Mem0、MemOS、EverMemOS 在内的一众记忆系统（最强baseline VisRAG 为 51.9%），而且只用了 110K tokens——不到 EverMemOS 的十分之一。

一句话评价：这不是一个通用记忆系统的改进，而是在”文件系统行为理解”这个非常具体的垂直场景下，做了一套从数据到评测到方法的完整闭环。工程完成度很高，但适用范围需要清醒认知。

论文信息

• 标题：FileGram: Grounding Agent Personalization in File-System Behavioral Traces
• 作者：Shuai Liu, Shulin Tian, Kairui Hu, Yuhao Dong, Zhe Yang, Bo Li, Jingkang Yang, Chen Change Loy, Ziwei Liu
• 机构：S-Lab, Nanyang Technological University
• 日期：2026年4月6日
• 链接：https://arxiv.org/abs/2604.04901

为什么要从文件操作里挖个性化？

现有的Agent记忆系统——Mem0、Zep、MemOS这些——核心逻辑差不多：从用户的对话历史中提取偏好，存成结构化或半结构化的记忆条目，下次对话时检索出来。

这个路线在”聊天助手”场景下挺work的，但一旦Agent的工作场景变成本地文件系统操作（比如帮你整理下载目录、生成季度报告、归档项目文件），问题就来了：

用户的核心偏好藏在行为里，不在对话里。

你不会跟AI说”我喜欢用深层嵌套目录、文件名以日期为前缀、编辑时偏好小步迭代”。但你做了32个任务之后，这些模式会从操作轨迹中清晰地浮现出来。

作者把这个问题拆成了三层：

1. 数据层：缺少多模态的、带行为轨迹标注的文件操作数据
2. 评测层：没有评测基准能衡量”系统到底多理解用户的文件操作习惯”
3. 方法层：现有记忆系统不是为文件操作这种结构化行为序列设计的

图1：传统对话Agent vs FileGramOS Agent。关键区别在于：FileGramOS 能从历史文件操作轨迹中”静默思考”，识别出用户当前任务与过往模式的相似性，主动提供个性化服务，而不是反复问”你要放哪？叫什么名？”

FileGramEngine：怎么造数据？

说实话，做AI个性化研究最头疼的就是数据问题。真实用户的文件操作数据涉及隐私，大规模采集基本不可能。

FileGramEngine 的解决思路是用LLM模拟不同用户画像来生成行为轨迹。具体来说：

画像设计：定义了 19 个属性（3个身份字段 + 16个行为属性），行为属性覆盖六个维度，每个维度分 L/M/R 三档：

一共生成了 20 个用户画像，配合 32 个任务（16个文本任务 + 16个多模态任务），最终产出 640 条行为轨迹、20,028 个原子操作。

图2：FileGramEngine 的完整流水线。执行循环中LLM扮演特定画像的用户，在沙箱文件系统中执行Think-Act-Observe循环。关键步骤是Signal Filtering——过滤掉57,811条模拟元数据（tool_call日志、LLM推理过程等），只保留12种可观测的原子操作。

这个过滤步骤挺重要的。原始日志里有大量LLM的内部推理痕迹，如果不过滤，下游的记忆系统看到的就不是”用户行为”，而是”模拟器内部状态”——会严重误导行为画像的构建。

最终保留的12种原子操作分布：

图3：数据集全景图。注意右上角的输出文件类型分布——markdown(2310)和PDF(3609)占主导，说明任务偏向文档处理场景。

FileGramBench：怎么测”理不理解用户”？

这是我觉得这篇论文做得比较用心的部分。

评测一个记忆系统”是否理解用户行为习惯”，不能只问”用户喜欢什么颜色”这种简单偏好。作者设计了四条赛道（Track），从浅到深：

图4：FileGramBench 评测轮盘图，4.6K个QA对分布在8个子任务上。面积大小反映题目数量——Trace Disentanglement(1134)最多，Visual Grounding(100)最少。

图5：每个子任务的具体形式。特别值得关注的是 T2 的 Trace Disentanglement——给你两个用户做同一个任务的交错操作序列，你需要识别他们的行为差异。这个设计确实有点意思，很考验系统对细粒度行为模式的区分能力。

坦率讲，几个我觉得设计得不错的点：

• Trace Disentanglement（轨迹解纠缠）：两个不同画像的用户做同一任务，操作序列交织在一起，要求系统区分出”核心行为差异在哪个维度”。这比简单的画像识别难很多。
• Anomaly Detection（异常检测）：六条轨迹中混入一条来自不同用户的，要把它找出来。
• Visual Grounding（视觉定位）：基于真实屏幕录像（不是模拟数据！）重建用户行为画像。

但 Visual Grounding 只有100道题，而且所有方法的准确率都是个位数（最高 8.5%），这块感觉还是太初步了。

FileGramOS：三通道记忆架构

这是论文的技术核心。思路其实不复杂：把用户的行为轨迹拆成三个维度来编码和存储，查询时按需检索。

图6：FileGramOS 完整架构。信息从原始轨迹流经三个阶段，最终形成可查询的三通道记忆。底部展示了一个实际查询示例：问”用户对报告组织有什么偏好”，系统分别从三个通道提取统计特征、相关文件内容和历史行为片段，组合生成答案。

Stage 1：每条轨迹生成一个 Engram

Engram 是论文造的词（灵感来自神经科学中的”记忆印迹”），每条轨迹对应一个 Engram，包含三个单元：

程序性单元：从原子操作中提取 17 维行为指纹。比如 search_ratio（搜索占比）、browse_ratio（浏览占比）、avg_output_length（平均输出长度）、max_dir_depth（最大目录深度）等。这些都是确定性计算，不依赖LLM。

语义单元：用VLM（视觉语言模型）对文件快照和编辑差异做描述，生成行为性的JSON描述。

情景单元：通过边界检测将操作序列切分为 2-5 个 episode，每个 episode 是一个连贯的工作阶段。

Stage 2：跨轨迹整合

把多条轨迹的 Engram 整合到三个记忆通道：

• Procedural 通道：对 17 维指纹做跨轨迹统计（均值、中位数、标准差、最大最小值）。
• Semantic 通道：文本 chunk 做 1024 维嵌入（Cohere embed-english-v3.0），每个画像最多 50 个 chunk。
• Episodic 通道：对 episode 做层次聚类（余弦相似度阈值 0.6），形成行为模式簇。

异常检测用的是经典的 z-score 方法：

其实就是看某条轨迹的行为指纹偏离历史均值多远。超过 1.5 倍标准差就标记为异常，再用 LLM 做二次判断区分”变化”和”漂移”。

Stage 3：查询自适应检索

收到查询后，先做关键词提取定位目标维度（比如”文件组织” -> Organization），然后三个通道并行检索：

• Procedural 返回统计特征
• Semantic 返回 top-5 相关内容片段
• Episodic 返回相关行为模式簇

三路结果拼成 prompt 让 LLM 生成答案。

实验结果：FileGramOS 是怎么赢的？

论文对比了 12 种方法（含基线和现有记忆系统），统一用 Gemini 2.5-Flash 作为 LLM backbone。

几个关键发现：

1. 自底向上的编码方式完胜叙事优先的方法。

FileGramOS (59.6%) 比 EverMemOS (49.9%) 高了将近 10 个点。两者的根本区别在于：EverMemOS 在入库阶段就对原始轨迹做了摘要和叙事化处理（narrative-first），而 FileGramOS 保留了原子级操作，先提取确定性特征（17维指纹），再做上层整合。

这个结果其实挺符合直觉的——文件操作这种结构化行为，过早摘要会丢失关键的操作粒度信息。

2. Trace Disentanglement 是区分度最高的任务。

FileGramOS 在轨迹解纠缠上拿到了 80.9%，跟 Full Context（80.5%，塞入全部原始轨迹）几乎持平。而像 Mem0 只有 50.4%。这说明 FileGramOS 的 procedural 指纹确实能精准捕获不同用户的行为差异。

3. 检测容易，归因很难。

异常检测（Anomaly Detection）最高 71.4%（EverMemOS），FileGramOS 也有 70.2%。但漂移分析（Shift Analysis，要求回答”行为在哪个维度上发生了变化”）最高只有 38.9%。

这个 gap 很有意思：系统能感知”这个人变了”，但说不清”变在哪”。

4. Token 效率差距巨大。

FileGramOS 只用 109.7K 输入 tokens，而 EverMemOS 要 1098.9K——十倍的差距，精度还更高。Naive RAG 和 VisRAG 的输入 tokens 也在 600K+ 级别。这说明 FileGramOS 的三通道检索确实比较精准，不需要塞大量原始数据。

5. 视觉定位全军覆没。

所有方法在 Visual Grounding（基于真实屏幕录像推断行为画像）上的准确率都是个位数，FileGramOS 最高也就 8.5%。这不是 FileGramOS 的问题，而是 sim-to-real gap——模拟数据训练的系统面对真实屏幕录像时几乎无能为力。

通道消融实验

Procedural 通道是绝对核心，去掉后平均掉 11.1 个点，在轨迹解纠缠上直接掉 27.8 个点（从 80.9% 到 53.1%）。这也印证了前面的判断——文件操作行为的个性化，核心信号在操作模式的统计特征里。

案例分析

图7：Case A 中两个用户画像（p1和p2）在六个维度上只有 Iteration(C) 和 Organization(D) 不同。FileGramOS 的 procedural 通道精确捕获了 flat_organization=0.95、prefer_rewrite=10.98 等关键特征，正确识别出差异。而 VisRAG 丢失了跨会话模式（Missing Cross-Session pattern），Mem0 丢失了关键的过程信号（Missing Absent Signals）。

我的判断

做得好的地方

1. 闭环做得很完整。 从数据生成（Engine）到评测（Bench）到方法（OS），一气呵成。每个环节的设计都是为了回答”文件系统行为能不能用来做个性化”这个问题，不是东一榔头西一棒子。

2. Procedural 指纹的设计很实在。 17维行为特征全是确定性计算，不依赖LLM，可复现性强。这在当前”什么都交给LLM来做”的风气里算是一股清流。

3. Token 效率的优势是实打实的。 十倍的 token 节省不是小数目，在实际部署中直接关系到成本和延迟。

我觉得有问题的地方

1. 评测基准和方法来自同一个团队——这始终是个隐患。

FileGramBench 是作者自己设计的，FileGramOS 也是作者自己设计的。虽然 baseline 方法是公开的，但评测基准的设计本身就可能隐含对自己方法的”友好偏向”。比如 Procedural 类任务天然适合 FileGramOS 的 17 维指纹——因为指纹的维度就是从这些画像维度推导出来的。

2. 数据全是 LLM 模拟的，泛化性存疑。

20 个画像、32 个任务、640 条轨迹——看起来数量还行，但都是 LLM 按照预设画像生成的。真实用户的文件操作行为远比这复杂和混乱。Visual Grounding 全军覆没（个位数准确率）已经暴露了这个问题。

3. 20 个画像的覆盖度够吗？

6 个维度各 3 档，排列组合理论上有 729 种画像，论文只选了 20 个。作者没有解释选择标准——是随机抽样还是有策略地选？不同画像之间的行为差异是否足够大？

4. 对对话记忆系统不太公平。

Mem0、Zep、MemOS 这些本来就是为对话场景设计的，拿来做文件行为理解确实不太对路。FileGramOS 在这个场景下赢了并不意外，但也不能说明 FileGramOS 是一个”更好的记忆系统”——它只是在自己擅长的赛道上跑赢了别人不擅长的项目。

5. 漂移分析（Shift Analysis）的结果不太乐观。

最高 38.9%，说明系统在”理解行为为什么变了”这个更深层问题上还差得远。异常检测高但归因低，工程应用中可能出现”系统知道你变了但给你的建议完全不靠谱”的尴尬。

工程启发

如果你在做 Agent 的个性化系统，FileGram 给了几个值得借鉴的思路：

• 行为指纹 > 对话摘要：对于操作密集型的Agent场景（IDE助手、文件管理器、自动化脚本），从操作日志里提取确定性的行为特征，比从对话中抽取偏好更靠谱。
• 三通道架构是个不错的模板：Procedural（统计特征）+ Semantic（内容语义）+ Episodic（时间线片段），这个分层在其他行为理解场景也能复用。
• 过滤模拟痕迹很关键：如果你在用LLM做行为模拟来生成训练数据，别忘了清理掉模拟器的内部状态——它们会严重污染行为信号。

同类工作对比

收尾

FileGram 做了一件很具体的事：证明了文件系统的原子操作轨迹可以用来构建有效的用户行为画像，并且自底向上的编码方式比叙事化摘要更适合这类结构化行为数据。

但它离”让AI助手真正懂你”还有很长的路要走。模拟数据的泛化性问题没解决，漂移归因的准确率还很低，跨场景迁移（文件操作 -> 代码编写 -> 浏览行为）也完全没有涉及。

不过话说回来，在”Agent个性化”这个方向上，FileGram 至少提供了一个比”记住你聊了什么”更扎实的起点——先从行为轨迹出发，这个路线我觉得是对的。

剩下的问题是：真实用户的行为比模拟数据混乱得多，这套方法能扛住多少噪声？这可能需要后续的真实场景部署来验证。

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我