登顶HF榜首!这个Agent做PPT还是太强了

MemSlides团队 投稿量子位 | 公众号 QbitAI

小伙伴们，你们有经历过这种抓马时刻吗？

好不容易论文写完，距离Pre只剩12小时，你决定把PPT托付给AI。

然后，噩梦开始了：

你说一句，它忘一句；

你越改，画面越是抽象；

最后交出来的，简直错漏百出，连公式里的负号，都能给你偷摸吞掉。

对此，来自清华、上交、北邮的学者们提出了一个面向个性化幻灯片生成和多轮局部修改的记忆驱动Slides Agent框架——MemSlides。

它专门针对AI PPT痛点而生，不仅能够为你量身定制私人专属的PPT生成风格，还能够贴心地记住你在制作过程中随口提出的新要求。

更重要的是，它还会不断调整状态、多轮有序地推进创作过程，确保局部修改正确以及精准防止AI误删、多加。

实验显示，MemSlides的闭环完成率达到了96.3%，严格通过验证率达到了53.4%，首次正确编辑时间大幅缩减到了242.5秒。

相当于你在茶水间磨一杯咖啡的功夫，一份准确且符合你个人展示习惯的PPT就制作完成了。

目前，相关学术论文已发表在arXiv上，并于近期登顶Hugging Face Daily Papers #1 Paper of the Day，同时位列Weekly第1、Monthly第10、Trending第32，GitHub方面也已斩获400+stars。

△MemSlides论文首页与作者信息

此外，Demo website的实际使用用户现在已经超过了100位，并且仍有新增用户持续试用。

需要先说明的是，这些排名和stars只是社区关注信号。

MemSlides真正想回答的，还是一个更具体的问题：AI PPT从一键生成走向持续协作时，系统到底该记住什么、怎么记住、又该怎么避免改多。

△MemSlides 在线工作台

MemSlides：会生成还不够，关键是能记住、善修改

PPT创作很少是一锤子买卖。

无论是根据导师意见调整组会汇报逻辑，还是精简课程报告文字，抑或是在项目路演中反复打磨重点页面……

用户的真实偏好往往难以在初始阶段被完整表达，而是需要在一轮轮的修改与反馈中逐渐明晰。

这种迭代特性，对Slides Agent提出了三个更为具体的要求：

第一，它需要具备长期记忆能力，能够记住用户的稳定偏好。

例如，某位用户始终倾向于低文字密度、多用图示，且习惯在结尾页列出待办事项。

第二，它需要妥善保留当前任务中的临时约束。

比如，某位用户提出“后续新增页面的标题统一使用蓝色”，这条指令可能要在数轮修改之后才会真正生效，系统需要将其妥善暂存并及时执行。

第三，它应当精准把握局部修改的边界。

当用户仅要求调整某一页的特定区域时，系统不应擅自重写整套幻灯片。

为了解决这些问题，MemSlides并没有简单地将所有历史对话塞入提示词中，而是选择先将“记忆”进行结构化拆解。

其核心思路在于：不盲目追求更长的上下文窗口，而是构建更加清晰的记忆分层。

具体而言，在PPT的制作过程中，MemSlides会不断调整状态、多轮有序地推进创作过程：

首先，MemSlides会根据原始素材、用户画像记忆以及可选模板生成初稿；

然后，当MemSlides接收到用户新一轮的修改反馈时，便会主动更新当前的会话状态，并对现有的幻灯片进行局部编辑。

我们可以从生命周期和功能作用两个维度来理解MemSlides的记忆机制：

首先是生命周期维度：

• 长期记忆负责保存那些跨任务、稳定存在的信息；

• 而工作记忆则专门负责记录当前幻灯片中仍然有效的临时偏好、会话约束、目标定位及修改状态。

其次是功能作用维度：

• 用户画像记忆决定了幻灯片应当体现何种风格偏好；

• 而工具记忆则辅助智能体掌握更稳妥的修改策略。

△MemSlides整体框架

这种清晰的记忆分层至关重要。

它让MemSlides不仅能够严格区分“用户的长期偏好”与“当前任务中的临时要求”，还能将“幻灯片的风格预期”与“agent的工具操作经验”独立开来。

否则，系统很容易陷入混乱：要么每次都让用户重复解释基础设定，要么不小心把一次性的临时要求，误当成用户的长期偏好保存下来。

用户画像记忆：为你量身定制，准确沉淀长期偏好

个性化PPT的生成往往容易被简单粗暴地等同于设定一个角色提示词。

比如，仅仅告诉系统“用户是金融分析师”或“用户要做学术汇报”。

然而，角色并不等同于偏好。

同样是学术汇报，有人希望一页只讲一个核心结论，有人则希望保留更多的公式与实验细节；

同样是商业路演，有人偏好展示直观的数据表，有人则更喜欢展示趋势图。

MemSlides的用户画像记忆，记下的正是这些用户在做各种不同任务时，反复出现的个人习惯。

它并不是一份死板地贴在提示词前面的静态档案，相反，在你每次开始新任务时，它都会根据你当下的具体需求去“翻找”相关偏好，并把合适的偏好用于这次PPT的生成任务之中。

△用户画像记忆机制

这种机制会直接影响首轮PPT（round-0）的生成效果。

MemSlides的首轮生成不会机械地把论文材料拆分成几页幻灯片，而是会将你当前的任务意图与你的个人偏好结合起来，并直接指导具体页面的设计与排版逻辑：

哪些概念需要先定义，哪些机制需要展开，证据要细化到什么程度，哪里需要补充边界条件……

这些都会受到你个人画像的深刻影响。

△用户画像泛化到首轮生成效果

任务结束后，MemSlides也不会将所有反馈都一股脑地写进用户长期画像。相反，只有那些你一直保留、换什么任务都适用的习惯，才会被真正沉淀下来。

这样可以避免一种常见的误判：比如用户今天只是临时要求“这一套幻灯片用蓝色标题”，系统却将其误记为“该用户永远喜欢蓝色标题”。

论文中的跨任务案例显示，你在局部做出的小修改，会让系统沉淀出更加稳定的生成偏好。

例如，让数据表达更严谨、让逻辑有始有终、把复杂内容分板块讲解清楚、以及自动生成检查清单等等，这些偏好会在你后续的任务中持续发挥作用。

并且，这里的关键不在于死记硬背每一句聊天记录，而在于准确判断：哪些偏好才是真正值得长期保存的。

工作记忆：尽管提要求，MemSlides不会忘

长期偏好之外，还有一类信息是仅限当前这份PPT（deck）的。

它们不会被长久保存，但在整个任务期间必须一直有效。

举个例子：

当你提出要求：“后面新增的页面标题都用蓝色。”时。

即使当前的操作没有新增页面，这条要求也不会作废，会暂存在MemSlides工作记忆里。

一旦后续生成了新的PPT页面，MemSlides就会继续遵守，并乖乖将新增页面的标题设置成蓝色。

指令跨轮次遗忘——这就是MemSlides工作记忆要解决的问题。

MemSlides的工作记忆就像一个高效智能的随身记事本，实时记录着当前任务中哪些偏好还在生效、哪些目标已经明确、哪些区域已经改过、还有哪些检查没做完。

△工作记忆支持延迟偏好生效

有了它，多轮修改就不再是彼此孤立的一问一答，而是对同一份PPT状态的连续编辑。

工具记忆：在复杂操作中不翻车，稳稳兜底

做过PPT的小伙伴都懂，修改PPT可不仅仅是改改文字那么简单。

一个小小的局部编辑，背后可能牵动着页面的排版设计、图片的布局选择、字体的颜色大小，甚至是对齐和留白是否合理。

哪怕Agent完全听懂了你的需求，在实际动手时也可能“手滑”：

比如找错修改区域、改错代码位置、不小心改多了，或者没改全就提前收手。

对Agent而言，这可能是无可奈何的失误；

但对我们自己而言，这很可能就是个让人抓耳挠腮的大麻烦。

为了解决这个问题，MemSlides专门引入了工具记忆。

它像一个极致的T人，不会关心你喜欢什么样的风格，而是会默默记录在类似的修改中，哪种操作最管用，踩过哪些坑。

具体来说，工具记忆包含两层机制：

一层是单轮经验，用来总结这一轮修改的成败得失；

另一层是操作级经验，用来记录下极其细微的操作步骤。下次遇到类似任务时，系统就会提前调出这些经验来避坑。

简单来说，如果说用户画像记忆负责决定改成什么，那么工具记忆则负责保证怎么改得更稳。

△工具记忆机制

敬业的局部修改机制：只改该改的地方

多轮改稿里，用户可能最怕的不是AI不改，而是AI改多了。

为此，MemSlides专门引入了局部修改机制（scoped slide-local revision）：

它会先把用户的需求精准锁定到最小范围，然后再按照“计划-执行-守卫”三步执行。

在计划阶段，局部修改机制会把用户提供的修改要求翻译成一份明确的执行契约，即先敲定到底要改哪几页，改多大范围；

到了执行阶段，局部修改机制会要求MemSlides严格按照这份契约进行修改，只做最克制、最精准的微调。

最后，在守卫阶段，拥有局部修改机制的MemSlides像一位敬业的质检员，它会负责检查修改目标有没有改全、有没有草草收工、以及有没有不小心改了不该改的地方。

△局部修改流程

这听起来像是底层的工程细节，但它直接决定了用户的真实体验。

因为在一份完整的PPT里，那些已经改好的内容，理应得到最严格的保护，不能被误伤。

△局部修改示例

实验结果：不只看有没有改对，还看稳不稳、快不快

MemSlides的评估围绕着一个核心问题展开，即：

它的“记忆”到底是不是真的有用？

首先，在个性化初稿生成方面，用户画像记忆提升了第一轮PPT生成就懂你需求的能力。

也就是说，不管你是什么身份、有什么意图，AI生成的初稿都能精准地体现你的个人偏好，而不仅仅是机械地完成提示词里的任务。

其次，在多轮修改方面，工作记忆展现了延迟满足的能力。

哪怕是你很早就提过、中间没再提、直到后面才用到的偏好，它依然能牢牢记住，并在当前的PPT里继续生效。

最后，在局部修改方面，为了验证工具记忆的效果，研究团队特意设计了一组对照实验：一组注入工具记忆，一组不注入。

结果非常惊人：

• 闭环完成率（改完且改对）：从0.815提升到了0.963；

• 严格验证通过率（完全符合高标准）：从0.310提升到了0.534；

• 首次正确编辑时间（从开始改到改对的时间）：从609.5秒大幅缩短到了242.5秒。

需要说明的是，这些数据来自诊断性配对修改设置，并不代表MemSlides在所有的场景下都能全面领先。

但它有力地证明了一点：当编辑范围被限制在局部、且工具经验可以复用时，Agent确实更容易找到一条可验证、能落地的修改路径。

结语：从单次生成到多轮协作，构建可迭代、高可用的AI PPT

MemSlides探讨的虽然是AI PPT，但它背后折射出的，却是一个更广泛的行业命题。

当Agent真正深入到文档生成、代码修改、数据分析或企业知识管理等长周期任务时，都会撞上同一堵墙：

哪些信息值得长期保留？哪些状态只属于当前任务？哪些执行经验可以复用？哪些内容在局部修改时必须被严格保护？

从这个角度看，MemSlides的价值，绝不仅仅是证明AI已经能替人做 PPT。

而是把Slides Agent的演进，从一次生成结果推向了真正的多轮协作过程。

未来的AI PPT竞争，也许看的不再是谁能生成更漂亮的第一页，而是看谁能在这场反复的修改与磨合中，持续理解用户、守住编辑边界，让一份PPT精准、稳定地一步步靠近用户真正想要的样子。