FileGram：結合檔案系統行為軌跡，為 AI 代理人打造具備個人化記憶的全新框架

本研究開發 FileGram 框架，利用檔案系統的行為軌跡解決 AI 代理人個人化不足的問題。透過自動化數據引擎、診斷性基準測試與底層記憶架構，顯著提升代理人的使用者建模能力。

Problem

目前 AI 代理人在檔案系統中的個人化應用受限於資料稀缺與隱私屏障。現有方法過度依賴對話紀錄，忽略了檔案操作中蘊含的密集行為軌跡，導致難以進行大規模訓練與精準評估。

提出 FileGram 框架，包含三大核心：FileGramEngine 負責模擬真實工作流並生成精細的多模態行動序列；FileGramBench 用於測試配置重構與軌跡解構能力的基準測試；FileGramOS 則捨棄對話摘要，改以底層原子操作與內容差異，構建程序性、語義與情節式記憶通道。

實驗證實 FileGramBench 對現有先進記憶系統極具挑戰性。同時，FileGramEngine 能有效產出高品質模擬資料，而採用 FileGramOS 架構的系統在理解使用者行為細節與維持個人化特質上，表現優於傳統的記憶模型。

此研究開源了完整的工具鏈，突破了檔案系統操作資料獲取的困境。其「由下而上」的記憶架構，為開發能深入理解使用者作業習慣、具備高度個人化能力的次世代 AI 助手奠定了基礎。