AI_PPT生成不止“一键出稿”：清华、上交、北邮提出MemSlides：让Slides_Agent学会记忆

AI 生成 PPT，早已超越了基础演示工具的定位。

如今，大量平台已能依据一篇学术论文、一份项目报告，甚至仅凭一句话的主题描述，自动生成结构完整、逻辑清晰的幻灯片。但现实中的内容创作极少止步于初稿。用户往往会反复调整页面顺序、增删信息密度、切换视觉风格、微调局部元素；更复杂的是，许多个性化偏好并非初始即明确，而是在多轮迭代中逐步浮现、不断细化。

由此引出一个更本质的挑战：Slides Agent 不仅需准确解析当前输入的 prompt，还需精准分辨——哪些偏好属于用户的长期行为模式，哪些约束仅适用于本次任务场景，以及当用户提出局部修改指令时，如何确保其他区域内容不被误扰、不被覆盖、不被重写。对AI PPT 系统而言，记忆已不再是对话历史的被动附庸，而是支撑多轮协同编辑稳定推进的核心基础设施。

为应对这一挑战，北京邮电大学、清华大学与上海交通大学联合提出 MemSlides —— 一种面向个性化幻灯片生成与精细化多轮局部编辑的层次化记忆驱动 Agent 框架。该框架将 PPT 创作建模为一个带状态的持续编辑过程：首先依托用户画像记忆产出契合个体风格的初稿；继而在交互过程中动态维护工作记忆，以追踪临时约束与修改进度；同时融合工具记忆，显著提升局部编辑的准确性与鲁棒性。

论文链接：https://www.php.cn/link/fe18079274936860daa1bd2737ac1182

GitHub 地址：https://www.php.cn/link/df27596a3dd34a5f3f6783241111623e

项目网站：https://www.php.cn/link/491785a3c586cb72f91d6a172335ba64

MemSlides 的核心价值在于，它未将 AI PPT 视为一次性的 source-to-slides 映射任务，而是将“生成之后的持续演进”深度嵌入系统架构之中。换言之，这项研究关注的并非让模型“记住更多聊天记录”，而是赋予 Slides Agent 识别、分类、存储与调度不同类型记忆的能力。

MemSlides 是如何构建记忆体系的？

MemSlides 的技术路径可归纳为两大维度：一是记忆的组织机制，二是修改的执行范式。前者聚焦“系统应保留哪些信息”，后者聚焦“如何在最小扰动前提下完成精准编辑”。

图｜MemSlides 融合长期记忆与工作记忆，分别支撑个性化初稿生成与多轮局部修订。

在记忆组织层面，MemSlides 从生命周期与功能角色双重视角进行建模。按生命周期划分：长期记忆承载跨任务稳定的用户特征；工作记忆则实时管理当前幻灯片文档（deck）内仍具效力的临时指令、反馈状态及编辑进展。按功能角色划分：用户画像记忆刻画“幻灯片应呈现何种风格与结构”，而工具记忆则沉淀“如何更可靠地执行具体编辑动作”。

这一区分至关重要。用户画像记忆并非静态拼贴在 prompt 前的固定 profile，而是依据当前任务意图进行动态检索、筛选与路由。例如，同一用户在学术汇报与融资路演中，对页面节奏、数据呈现方式、视觉权重分配等偏好可能截然不同；系统需基于当前 intent 提取匹配画像片段，并与本轮请求协同决策。若二者存在张力，本轮任务需求应在当前 deck 中优先落实。

图｜用户画像记忆经历检索、路由、任务中调用与任务后稳定性沉淀四阶段。

任务结束后，MemSlides 并不会将所有交互信号一股脑写入长期记忆。其采用 memory consolidation 机制，仅将具备稳定性与可迁移性的反馈提炼为用户画像更新项。此举有效规避了常见陷阱：用户某次临时提出的特殊要求（如“本场全部用无衬线字体”），被错误泛化为长期偏好，在后续无关任务中反复干扰输出。

工作记忆则专门应对另一类需求：某些约束虽非长期习惯，却必须在当前会话中跨轮持续生效。例如用户指出：“后续新增页标题统一设为深蓝色”。该指令在提出时未必有立即可操作对象，但在几轮后插入新页时仍需严格遵守。MemSlides 将此类 active temporary preferences、carryover instructions、resolved targets 及 coverage status 统一纳入工作记忆，使多轮修改真正成为同一任务状态下的连贯编辑流。

图｜工作记忆专注维护当前 deck 内仍具时效性的临时偏好与编辑上下文。

区别于偏好导向的记忆，工具记忆聚焦执行层面的经验积累。PPT 编辑涉及页面 DOM 结构解析、选择器定位、样式规则注入、布局快照比对及工具调用链路等复杂环节；即便模型理解用户意图，也可能因区域识别偏差、作用范围溢出或验证提前终止而失败。为此，MemSlides 将工具经验细分为两类：任务级记忆总结单轮修改中的典型失误与通用优化策略；操作级记忆则保存更微观的 reasoning-tool-observation 三元组，用于在相似工具调用前提供即时参考。

图｜工具记忆不干预幻灯片的风格取向，而是辅助 agent 在编辑过程中规避重复试错。

在局部修改层面，MemSlides 引入 scoped slide-local revision 机制。系统不再每次响应后重新加载或全量重写整套 PPT，而是先将自然语言指令映射至最小必要变更区域，再通过 Plan-Act-Guard 流程闭环执行编辑。其中，Plan 阶段生成 execution contract，明确定义目标页、影响范围与覆盖边界；Act 阶段依据页面结构实施受控编辑；Guard 阶段校验目标是否达成，并防止过早锁定结果。

图｜Plan-Act-Guard 将局部编辑解耦为范围界定、受控操作与结果验证三阶段。

该设计源于一个朴素原则：当用户仅希望调整某一局部时，系统理应最大限度保持其余内容不变。对已达成一致的页面模块而言，稳定性本身就是一种关键能力。

个性化生成与局部编辑效果如何？

论文围绕个性化初稿质量、会话内偏好延续性与局部修改可靠性三大维度展开评估。

在个性化生成方面，研究构建了涵盖多 persona、多 intent 的用户画像评测集，并采用 persona-alignment judgments 衡量输出是否契合用户身份与任务目标。结果表明，用户画像记忆显著提升了 round-0 初始生成阶段的 persona alignment。进一步分析证实，该提升不仅体现在模板套用或表层美化，更深入到核心论点分布、页面层级逻辑、证据支撑结构及角色语境适配等高阶规划维度。

在通用 PPT 质量方面，研究同步开展 DeepPresenter-style quality check，检验 persona alignment 提升是否以牺牲基础质量为代价。结果显示，MemSlides 在强化个性化对齐的同时，整体幻灯片质量仍维持在高水平。这对落地应用尤为关键：个性化不应仅追求“形似某类人”，更须产出结构合理、内容自洽、可直接使用的完整方案。

针对工作记忆，论文通过典型定性案例展示了 delayed preference carryover 能力——即用户提出的某些偏好虽暂无执行条件，但在后续触发时机成熟时，系统仍能准确激活并应用于当前 deck。这印证了工作记忆的本质是会话级状态引擎，而非长期画像的简化复制品。

局部修改实验采用 diagnostic matched-pair modify setting，严格控制变量，仅对比是否启用工具记忆的影响。结果显示，在该诊断设置下，工具记忆将 closed-loop completion 率由0.815提升至0.963，strict verification 通过率由0.310跃升至0.534，首次达成正确编辑所需时间亦从609.5s大幅缩短至242.5s。这些指标不仅衡量“最终是否改对”，更关注修改闭环完整性、验证严谨性及路径收敛效率。

图｜在局部修改示例中，MemSlides 更聚焦于目标元素本身，显著降低非目标区域的意外变动。

需要强调的是，论文并未宣称 MemSlides 在所有场景下全面领先。工具记忆的增益效果随任务难度与基座模型行为存在波动，部分指标亦呈现任务依赖性。更严谨地说，这些结果共同指向一个诊断性结论：当编辑被限定在局部范围内，且引入可复用的工具执行经验时，Slides Agent 更易构建出可验证、可收敛、可复现的修改路径。

局限性与未来探索方向

MemSlides 当前主要在可控实验环境与诊断性任务中验证其记忆机制的有效性。与此同时，其 Demo website 已吸引超 100 名真实用户注册使用，且日均新增用户持续增长。

后续，团队计划整合更多真实用户交互数据，深入探究长期使用场景下的记忆治理难题，包括：用户如何自主查看、修正或清除已存偏好；系统如何主动识别并剔除敏感或失效信息；以及当长期画像与当前任务需求发生冲突时，如何提供透明、可解释的协调方案。

局部修改的评估体系亦有待拓展。对 PPT 创作而言，“任务完成”远非唯一成功标准；修改波及范围、非目标内容漂移程度、用户主观满意度、跨轮编辑成本、异常中断后的可恢复性等维度，均深刻影响实际体验。未来的 Slides Agent 评测体系，亟需更精细地区分“哪些改对了”与“哪些坚决没动错”。

从更宏观视角看，MemSlides 揭示了一个值得深耕的方向：当生成式 Agent 从单次输出迈向长期人机协作，记忆不应再是上下文窗口中堆叠的历史文本，而应成为系统内在的、结构化的、可推理的第一类公民组件。对 AI PPT 而言，下一阶段的竞争焦点或将不再是“谁的首页最惊艳”，而是“谁能在千次微调中始终读懂用户意图、守住修改边界，并让一套幻灯片稳健地逼近用户心中那个真正理想的版本”。

本文来自微信公众号“学术头条”（ID：SciTouTiao），作者：MemSlides 团队，36氪经授权发布。