MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision Review

0. Introduction

Paper link

Code link

Project page

MemSlides는 presentation generation 논문이지만, 핵심은 slide rendering 자체보다 personalized authoring agent에서 memory를 어떻게 나눠야 하는가에 있다. 좋은 slide deck은 current prompt만으로 만들어지지 않는다. 사용자는 발표 목적, 선호하는 layout, content density, evidence style, visual convention, revision habit을 반복적으로 가진다. 그리고 이 preference는 첫 prompt에서 전부 드러나는 것이 아니라, revision 과정에서 점진적으로 드러난다.

기존 slide agent는 complete deck을 만들고, feedback이 들어오면 큰 context에 다시 넣어 수정하거나 많은 부분을 regenerate하는 경향이 있다. 이 방식은 multi-turn authoring에서 문제가 크다. “이 slide title만 파란색으로 바꿔줘” 같은 local request가 deck-level regeneration을 유발하면, 이미 맞춰진 content나 style이 drift할 수 있다. 또 이전 revision에서 드러난 temporary preference를 나중 revision에 유지하기 어렵다.

MemSlides는 이를 hierarchical memory와 scoped local revision으로 푼다. Memory는 long-term memory와 working memory로 나뉜다. Long-term memory는 다시 user profile memory와 tool memory로 나뉜다. User profile memory는 intent-conditioned recurring preference를 저장한다. Working memory는 current session constraint와 temporary preference를 revision round 동안 유지한다. Tool memory는 localized editing을 더 reliably 수행하기 위한 reusable execution experience를 저장한다.

한 줄 요약: MemSlides는 personalized slide generation을 one-shot prompt-to-deck 문제가 아니라 multi-turn authoring process로 보고, user profile memory, working memory, tool memory를 분리한 hierarchical memory와 scoped slide-local revision을 결합해 persistent personalization과 reliable local editing을 지원하는 agent framework다.

이 논문을 지금 볼 가치가 있는 이유는 다음과 같음.

• Agent memory를 slide generation product의 actual bottleneck에 맞춰 분해한다.
• Long-term personalization과 current-session preference carryover를 같은 buffer에 넣지 않는다.
• Local revision을 full-deck regeneration이 아니라 smallest affected region update로 다룬다.
• Plan-Act-Guard protocol로 revision scope, selector, patch, verification을 명시화한다.
• Persona-alignment, DeepPresenter-style general quality, diagnostic matched-pair modify evaluation을 함께 본다.
• Presentation generation agent에서 “memory quality”를 실제 edit reliability와 user preference alignment로 연결한다.

이 글에서는 MemSlides를 “PPT agent paper”보다, personalized document authoring에서 persistent profile, session state, execution memory를 어떻게 분리할지 보여주는 agent memory paper로 읽는다.

1. Problem Setting

1-1. Problem definition

Personalized presentation generation은 source material $x$, user profile memory $P_u$, optional template $\tau$에서 initial deck $S_0$를 만든다.

\[S_0 = G_{\mathrm{init}}(x,P_u,\tau)\]

그 뒤 user feedback $f_t$가 들어오면 session state $z_t$를 update하고 current deck을 수정한다.

\[z_t = U(z_{t-1},f_t;S_{t-1})\] \[S_t = G_{\mathrm{edit}}(S_{t-1},x,P_u,\tau,z_t)\]

이 formulation이 중요한 이유는 slide generation이 one-shot task가 아니라는 점이다. 실제 authoring은 다음을 포함한다.

• round-0 personalized draft generation
• multi-turn revision
• temporary preference carryover
• local element update
• deck-level rule update
• job 종료 후 user profile consolidation

따라서 memory system은 preference lifetime을 구분해야 한다.

1-2. Why previous approaches are insufficient

1) Prompt-only personalization

Prompt에 “나는 financial manager다” 같은 persona를 넣을 수는 있다. 하지만 recurring preferences over evidence type, slide density, layout rhythm, closing convention은 prompt만으로 안정적으로 유지되기 어렵다.

2) Reference slide 또는 template conditioning

SlideTailor류 approach는 task-time reference slide나 template으로 personalization을 지원한다. 하지만 이는 accumulated user profile을 학습하는 것이 아니라 provided example/template에 의존한다.

3) Full-deck regeneration for revision

Small edit request마다 whole deck을 다시 읽거나 다시 쓰면, context pressure와 unintended drift가 생긴다. Local change는 local하게 끝나야 한다.

4) Single homogeneous memory buffer

Long-term user preference, temporary session rule, tool execution experience를 같은 memory buffer에 넣으면 conflict resolution과 routing이 어렵다. MemSlides는 memory lifetime과 use를 나눈다.

2. Core Idea

2-1. Main contribution

MemSlides의 기여는 세 가지다.

1. Hierarchical memory
   • Long-term memory와 working memory로 나눈다.
   • Long-term memory는 user profile memory와 tool memory를 포함한다.
   • Working memory는 active session constraint를 유지한다.
2. Scoped slide-local revision
   • Revision request를 영향을 받는 가장 작은 slide region으로 project한다.
   • Local layout snapshot, selector, exposed style rule을 읽는다.
   • Entire deck을 regenerate하지 않고 scoped patch를 쓴다.
3. Plan-Act-Guard modify execution
   • Plan은 explicit execution contract를 만든다.
   • Act는 minimal effective edit을 적용한다.
   • Guard는 coverage를 검증하고 premature finalize를 막는다.

2-2. Design intuition

MemSlides의 memory hierarchy는 lifetime과 function에 따른 분리다.

Memory	Lifetime	Function
User profile memory	Across jobs	안정적인 user preference와 intent-conditioned style
Working memory	Current session	Temporary constraint와 carryover feedback
Tool memory	Across operations/jobs	Local edit을 위한 reusable execution experience

이 분리는 중요하다. 사용자는 business deck 전반에서 dense evidence slide를 선호할 수 있지만, 현재 deck에서는 명시적으로 “minimal text”를 요구할 수 있다. 이 job에서는 current session request가 profile보다 우선해야 한다. Working memory는 long-term profile을 즉시 오염시키지 않고 active override를 처리한다.

3. Architecture / Method

3-1. Overview

Item	Description
Goal	Multi-turn local revision을 포함한 personalized slide generation
Framework	MemSlides
Memory hierarchy	Long-term memory와 working memory
Long-term modules	User profile memory와 tool memory
Revision strategy	Scoped slide-local revision
Executor	Plan-Act-Guard modify execution
Evaluation	Persona alignment, deck quality, localized revision diagnostics
Main baselines	DeepPresenter와 SlideTailor
Main claim	Profile, session, tool memory를 분리하면 personalization과 local editing이 개선됨

3-2. User profile memory

User profile memory는 user와 intent별 recurring preference를 저장한다. 논문은 preference를 theme, content, visual, layout, template, general 같은 dimension으로 정리한다.

Job 시작 시 MemSlides는 intent에 맞는 profile bucket을 선택하고 current request에서 constraint를 추출한다.

\[\tilde{P}_u = \mathcal{S}(P_u,i_0)\] \[C_0 = \mathcal{E}(q_0)\] \[A_0 = \mathcal{R}(\tilde{P}_u,C_0)\]

Current request와 명시적으로 충돌하는 항목은 현재 deck에서 stored profile item보다 우선한다. Compatible preference는 working memory 안에서 함께 유지된다.

3-3. Working memory

Working memory는 active temporary preference item을 저장한다.

\[\mathcal{M}^{pref}_t=(P_u,A_t)\]

Revision 중 active temporary memory는 feedback에 따라 evolve한다.

\[A_t = \mathcal{U}(A_{t-1},r_t)\]

새로 드러난 preference를 append하고, 실제 conflict는 supersede하며, conflict가 없는 item은 이후 round를 위해 active하게 유지한다.

이 module이 multi-turn feedback이 잊히는 것을 막는다.

3-4. Tool memory

Tool memory는 reusable execution experience를 저장한다. 이는 user style에 관한 것이 아니라 slide를 안정적으로 edit하는 방법에 관한 것이다.

예시는 다음과 같다.

• 어떤 selector pattern이 작동했는가
• body를 건드리지 않고 title style을 patch하는 방법
• stale snapshot을 처리하는 방법
• full rewrite를 피한 tool path

Tool memory는 persona alignment가 아니라 localized revision reliability를 지원한다.

3-5. Scoped local revision

MemSlides는 필요한 경우가 아니면 full-deck rewrite를 피한다. Revision request는 explicit execution contract로 변환된다.

Contract에는 다음이 포함될 수 있다.

• inferred scope
• target slide paths
• active rule identifiers
• selector hints
• coverage requirement

System은 이후 local repair surface만 읽고, explicit selector 또는 style rule에 scope가 제한된 patch를 쓴다.

3-6. Plan-Act-Guard

Stage	Role
Plan	Execution contract를 만들고 target scope를 결정
Act	Slide structure/tool을 사용해 minimal effective edit 적용
Guard	Coverage를 검증하고 stale snapshot을 감지하며 premature finalize를 차단

이는 중요한 engineering idea다. Revision은 “LLM이 끝났다고 판단하는 것”이 아니다. Completion은 검증되는 state다.

4. Training / Data / Recipe

4-1. Data와 resources

논문은 code, website, project page, video link를 제공한다. Evaluation을 위해 multi-persona, multi-intent user profile bank를 구성한다.

정확한 profile bank construction detail은 appendix에 있으며, reproduction 전에 확인해야 한다.

4-2. Evaluation protocol

Experiment는 다음을 평가한다.

Evaluation	Purpose
Persona-alignment judgments	User profile memory가 personalization을 개선하는지 평가
DeepPresenter-style general quality	Personalization이 overall deck quality를 해치지 않는지 평가
Diagnostic matched-pair modify evaluation	Tool memory가 localized edit을 개선하는지 평가
Qualitative carryover cases	Working memory가 session constraint를 보존하는지 확인

4-3. Engineering notes

1. Preference lifetime을 분리한다
   • Long-term preference와 temporary current-deck constraint를 섞지 않는다.
2. Local edit은 local하게 유지한다
   • Scoped patch, selector, coverage check를 사용한다.
3. Completion을 guard한다
   • Target coverage가 검증되기 전에 agent가 finalize하지 못하게 한다.
4. Tool experience는 user preference와 분리해 저장한다
   • Editing skill은 user style과 같지 않다.
5. Long-term memory consolidation은 신중하게 한다
   • 모든 temporary preference를 persistent profile에 쓰면 안 된다.

5. Evaluation

5-1. Personalization

논문은 user profile memory가 여러 dimension에서 round-0 persona alignment를 개선한다고 보고한다. GLM-5와 Gemini 3.1 Pro judge에서는 MemSlides가 두 baseline 대비 모든 column에서 이긴다. GPT-5 기준으로도 SlideTailor보다 Content, Structure, Specificity에서 앞서고, DeepPresenter보다 Content, Visual, Specificity에서 앞선다.

Model family 전체 평균에서 MemSlides는 DeepPresenter보다 다음만큼 개선된다.

Dimension	Improvement
Content	+1.37
Structure	+0.53
Visual	+1.66
Specificity	+1.19

SlideTailor와 비교하면 다음과 같다.

Dimension	Improvement
Content	+2.73
Structure	+2.95
Visual	+2.79
Specificity	+3.08

이는 단순히 더 예쁜 slide가 아니라 persona-alignment gain이다.

5-2. General deck quality

논문은 같은 generated deck에 대해 DeepPresenter-style quality check도 수행한다. 결과는 MemSlides가 competitive한 PPT generation quality를 유지하면서 personalization을 개선함을 보여준다. Personalization이 broken deck quality를 대가로 얻어져서는 안 되기 때문에 이 구분이 중요하다.

5-3. Localized revision

Tool-memory injection은 diagnostic matched-pair setting에서 modify behavior를 개선한다.

보고된 값은 다음과 같다.

Metric	Without/low tool memory	With tool memory
Closed-Loop Completion	0.815	0.963
Strict Verify	0.310	0.534
Time to First Correct Edit	609.5s	242.5s
Core Tool Time Ratio	1.0x baseline	0.327x

Pair-level count는 모든 pair에서 이기지는 않음을 보여준다. 이는 좋은 reporting이다. 논문의 claim은 universal dominance가 아니라 overall reliability와 search efficiency 개선이다.

5-4. Working memory evidence

논문은 working memory carryover에 대한 qualitative evidence를 제공한다. 이전 feedback에서 나온 active temporary preference가 같은 deck의 이후 local edit에 영향을 줄 수 있다. 또한 반복된 local feedback이 reusable profile preference가 되는 cross-job profile consolidation case도 보여준다.

이는 별도의 quantitative metric이 아니라 qualitative evidence다.

5-5. What really matters in the experiments

1) Persona gain은 planning-level이다

논문은 Structure가 template retrieval accuracy를 제외하고 Specificity가 distractor persona를 사용하기 때문에 gain이 단순한 template matching만은 아니라고 주장한다.

2) Locality 자체가 metric이다

System은 requested edit을 만족하면서도 non-target region을 건드릴 수 있다. MemSlides는 local revision을 final visual success뿐 아니라 scope control로도 평가해야 한다고 주장한다.

3) Tool memory는 process memory다

Tool memory는 user가 무엇을 좋아하는지가 아니라 agent가 어떻게 edit하는지를 개선한다. 이는 유용한 분리다.

4) Working memory는 아직 정량 평가가 부족하다

Qualitative carryover는 case evidence로는 설득력이 있지만, 더 체계적인 multi-turn metric이 있으면 claim이 강화될 것이다.

6. Limitations

1. Evaluation은 일부 judge-based다
   • Persona-alignment와 deck quality는 model judge에 의존한다.
2. Working memory evidence는 qualitative하다
   • 더 quantitative한 delayed-carryover metric이 있으면 도움이 된다.
3. Slide generation stack dependency가 있다
   • 결과는 underlying slide rendering 및 editing tool에 의존할 수 있다.
4. Profile consolidation risk가 있다
   • Temporary preference를 long-term memory로 잘못 승격하면 future job에 해가 될 수 있다.
5. Privacy 문제가 있다
   • User profile memory는 recurring preference와 민감할 수 있는 work style을 저장한다.
6. Template과 design diversity가 제한적일 수 있다
   • User profile bank가 모든 real-world presentation style을 포괄하지 못할 수 있다.
7. Latency와 tool cost가 있다
   • Plan-Act-Guard와 verification step은 process cost를 추가한다.
8. Conflict policy가 어렵다
   • Current request, template, profile, working memory가 충돌할 수 있다.
9. Full product study가 없다
   • 실제 team을 대상으로 한 longitudinal human use가 필요하다.
10. Local edit scope가 global intent를 놓칠 수 있다
    • Local하게 들리는 일부 user request가 global consistency를 함의할 수 있다.

7. My Take

7-1. Why this matters for my work

MemSlides의 핵심은 “memory를 붙인 slide agent”가 아니다. 더 중요한 점은 authoring agent memory를 lifetime과 function으로 분리했다는 것이다.

이는 slide를 넘어 재사용 가능하다. 모든 creative/document agent에는 다음이 필요하다.

• long-term profile
• current-session working state
• tool execution memory
• scoped revision protocol

하나의 dialogue buffer만으로는 충분하지 않다.

7-2. Reuse potential

Document editing agents

Local revision과 Plan-Act-Guard는 report, blog post, paper, design document에도 적용할 수 있다.

Personalized assistants

User profile memory는 모든 prompt에 맹목적으로 주입할 것이 아니라 intent-conditioned되고 routed되어야 한다.

Tool-use agents

Tool memory는 execution experience를 user preference와 분리해 저장할 수 있다. 이는 agent가 안정적으로 edit하는 법을 배우는 데 도움이 된다.

Multi-turn creative workflows

Working memory는 temporary preference가 revision turn 사이에서 사라지는 것을 막는다.

7-3. Production considerations

• Profile memory에 대한 user control을 추가해야 한다.
• 어떤 preference가 적용되었는지 보여줘야 한다.
• Session-only memory와 persistent memory를 명시적으로 분리해야 한다.
• Preference를 consolidate하기 전에 confirmation을 요구해야 한다.
• 모든 local patch와 touched element를 log로 남겨야 한다.
• Non-target drift를 first-class metric으로 추적해야 한다.
• User profile에는 privacy-preserving storage를 사용해야 한다.

7-4. Follow-up papers

• PPTAgent
• DeepPresenter
• SlideTailor
• AutoPresent
• MemGPT / Letta
• MemoryBank
• Mem0
• A-MEM
• Agent-Native Memory System papers

8. Summary

• MemSlides는 personalized slide generation을 multi-turn authoring으로 다룬다.
• User profile memory, working memory, tool memory를 분리한다.
• Scoped local revision은 작은 edit이 full-deck regeneration으로 번지는 것을 막는다.
• Plan-Act-Guard는 edit scope와 completion을 명시적으로 만든다.
• 핵심 insight는 personalization에 memory lifetime separation과 locality-aware revision이 필요하다는 점이다.