在个性化演示文稿生成领域，现有方法通常仅依赖当前提示或模板，难以跨任务保持一致的用户偏好，也无法在多轮修订中妥善保留新引入的需求。针对这一问题，研究团队提出了MemSlides框架，通过层次化记忆结构将长期记忆与工作记忆分离，并进一步将长期记忆划分为用户档案记忆和工具记忆，旨在实现更精准、可靠且高效的个性化幻灯片生成与修订。
具体而言，用户档案记忆存储基于意图的条件化档案，用于初始轮次的个性化。这些档案包含了用户在不同场景下的稳定偏好，例如对配色方案、排版风格、图表类型等的喜好。工作记忆则维护活跃偏好和会话约束，在修订过程中动态更新，确保跨轮次连续性和一致性。例如，如果用户在第一轮要求增加数据可视化，工作记忆会记住这一需求，并在后续轮次中自动应用。工具记忆存储可复用的执行经验，例如如何高效调整某个特定类型的图表或如何应用统一的主题样式，从而支持可靠的局部编辑操作。
MemSlides设计了范围限定的幻灯片局部修订机制，每次更新仅作用于最小受影响区域，显著降低计算开销。这意味着当用户要求修改某一张幻灯片的布局时，系统不会重新生成整个演示文稿，而是精确定位到需要改变的元素，进行局部调整。这种机制不仅提高了效率，还避免了无关内容被意外改动。
在受控实验中，用户档案记忆在多人物、多意图档案库中提升了人物一致性判断，准确率提高了15%以上。工具记忆注入改善了诊断环境中的闭环修改行为，使得系统能够自主识别并修复常见错误。定性案例展示了工作记忆对偏好跨轮传递的支持，例如用户在多轮修订中反复调整同一张幻灯片的配色，工作记忆能够确保每次修改都基于最新的偏好状态。综合结果表明，有效的个性化演示文稿创作依赖于将稳定的用户档案、会话级工作记忆和可复用的执行经验进行分离处理，并在生成与局部修订中协同运用。这一框架为下一代智能演示工具提供了重要基础，有望广泛应用于教育、企业汇报、产品演示等场景。