MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision
MemSlides：面向个性化幻灯片生成的分层记忆驱动Agent框架
🧭 Agent 记忆与个性化生成
Beijing University of Posts and Telecommunications · Tsinghua University · Shanghai Jiao Tong University
提出分层记忆框架（用户画像/工作/工具记忆）结合局部修改，实现多轮个性化幻灯片生成
📌 工作参考价值
- 分层记忆设计可直接迁移到对话式推荐/购物Agent：将用户长期偏好（用户画像记忆）与会话级临时约束（工作记忆）解耦，避免偏好混淆。
- 工具记忆（存储可复用的API调用或操作序列）在电商Agent中可用于缓存高频操作模式（如“按价格排序”“筛选品牌”），提高执行可靠性。
- 局部修改策略（scoped local revision）可应用于推荐列表的多轮调整：当用户要求“把第二个商品换成更低价的”时，只更新受影响的槽位，而非重新生成整个列表。
- 意图条件画像（intent-conditioned profiles）的思路可用于搜索/推荐场景：根据用户当前意图（如“比价”vs“发现新品”）动态选择不同的偏好画像，提升首轮个性化质量。
动机：个性化幻灯片生成要求Agent跨任务保持稳定的用户偏好，在多轮修改中记住新偏好与约束，并可靠执行局部编辑。现有系统缺乏持久个性化能力，常因重复生成整个幻灯片而效率低下。
方法关键点：MemSlides提出分层记忆框架，将记忆分为三类：
- 用户画像记忆（长期）：存储意图条件下的用户档案，用于首轮个性化；
- 工作记忆（短期）：跨修改轮次携带活跃偏好和会话约束；
- 工具记忆（长期）：保存可复用的执行经验（如局部编辑操作）。 配合scoped slide-local revision，修改仅作用于最小受影响区域（如单页滑块）而非整个演示文稿，实现精准局部更新。
关键结果：
- 在多角色多意图画像库上，用户画像记忆显著提升人格对齐度；
- 工具记忆注入在诊断匹配对测试中改善了闭环修改行为；
- 定性案例验证了工作记忆能跨轮次传递偏好。
结论：个性化生成需分离持久档案、会话工作记忆与可复用执行经验。