MemSlides: 다계층 메모리 기반 에이전트 프레임워크를 이용한 개인화 슬라이드 생성 및 다턴 로컬 수정

왜 중요한가

개인화된 프리젠테이션 생성을 위해서는 장기적 선호와 세션별 제약을 분리해 관리해야 한다. MemSlides는 long-term memory와 working memory를 구분하고, user profile memory와 tool memory를 더해 지속적 개인화와 재사용 가능한 실행 경험을 유지한다. 이를 통해 라운드 단위 수정 시 전체 덱 재생성을 줄이고, 다턴 대화에서의 일관성과 신뢰성을 높인다.

핵심 기여

MemSlides 도입

다턴 로컬 수정이 가능한 개인화 프리젠테이션 에이전트인 MemSlides를 제시한다. 세션 상태를 유지하고 대상 구간에 한정된 업데이트로 재생성을 줄인다.

계층형 메모리 프레임워크

Long-term memory를 user profile memory와 tool memory로 구분하고, Working memory를 세션 상태로 두어 지속적 선호와 재사용 가능한 실행 경험을 저장·전이한다.

다중 페르소나 프로파일 뱅크

다양한 페르소나 및 의도에 대해 30개 프로파일 엔트리로 구성된 다인 페르소나/다의도 프로파일 뱅크를 구축해 평가에 활용한다.

로컬 수정 기반 평가

세션 초기 아이덴티티와 도구 메모리 주입이 라운드-0 페르소나 정렬 및 로컬 수정의 신뢰성을 높임을 실험으로 입증한다.

핵심 아이디어 이해하기

출발점: 기존 슬라이드 생성 시스템은 개인화가 충분히 반영되지 못하고, 수정 시 전체 덱 재생성으로 인한 비효율과 디그프트(drift)가 발생한다. 이 문제는 프롬프트 기반 접근으로는 해결이 어려웠다. 해결 원리: MemSlides는 계층형 메모리 구조를 통해 장기적 사용자 선호와 세션별 제약을 구분 저장하고, 로컬 수정 스코프를 제한하는 Plan–Act–Guard 파이프라인을 적용한다. 구현 원리의 핵심은 다음과 같다: (1) user profile memory가 의도-선호를 보존하고, (2) working memory가 현재 세션의 제약과 임시 선호를 유지하며, (3) tool memory가 재사용 가능한 실행 경험과 도구 체인을 보존한다. 달라지는 점: 라운드-0에서의 페르소나 정렬이 향상되고, 로컬 수정의 성공률과 검증 속도가 개선되며, 여러 모델에서 일반 품질도 유지된다.

방법론

전체 접근은 4단계 구성으로 나뉜다: (1) 메모리 계층 구성: long-term memory(유저 프로필 메모리, 툴 메모리) + working memory(세션 상태); (2) 로컬 수정의 실행 계약 생성 및 Plan–Act–Guard 파이프라인으로 편집을 제약적으로 수행; (3) User profile memory의 라이프사이클: 초기 제약 추출 → 현재 작업에 맞는 프로필 버킷 라우팅 → 작업 종료 시 consolidation; (4) Tool memory의 2차 흐름: 라운드-스코프 실행 경험과 운영-스코프 도구 체인 경험을 분리 관리한다.

주요 결과

주요 결과는 아래와 같다. 페르소나 맞춤성 평가에서 MemSlides가 GPT-5 및 GLM-5 기반에서 Content, Structure, Visual, Specificity 모든 축에서 우위를 보였고, Gemini 3.1 Pro에서도 Content/Structure/Specificity에서 우세했다. 일반 품질 평가에서도 MemSlides는 경쟁 시스템과 비교해 전반적으로 동등하거나 우수한 품질을 유지했다. 도구 메모리 주입의 로컬 수정 능력은 Closed-Loop Completion, Strict Verify에서 향상을 보였으며 First Correct Edit 시간과 Core Tool Time Ratio를 감소시켰다. 로컬 편집의 예시로, 타깃 요소에만 패치를 적용하는 방식이 전체 덱 재생성보다 비효율을 줄였고, 다회전 수정에서도 콘텐츠 일관성 및 페르소나 정렬이 지속적으로 유지되었다.

기술 상세

아키텍처: MemSlides는 2단계 메모리 구조(I) Long-term memory( User profile memory, Tool memory ), (II) Working memory로 구성된다. Round-start 시 Working memory는 Q0에서 선택된 페르소나 버킷을 기반으로 P_u를 재구성하고, q0의 제약(C0)을 추출해 A0로 매핑한다. Round t에서 zt는 피드백에 의해 업데이트되고 Deck는 S_t = G_edit(S_{t-1}, x, P_u, τ, z_t)로 수정된다. Tool memory는 Round-scope execution experience E_t^round와 Operation-scope tool-chain experience E_{t,k}^{op}로 표준화되어 저장되며, 메모리는 Round-end에 Consolidation을 통해 장기 메모리로 반영된다. 다중 턴에서의 로컬 수정은 Patch 기반의 컨트랙트를 생성하고, Target slides의 선택자에 따라 CSS 업데이트나 Semantic batch styling 등을 우선 적용한다. Guard 프로토콜은 patch가 스냅샷 해시와 연계되도록 하며, 일치하지 않는 경우 재바인딩 힌트를 통해 deck-wide rewrite를 방지한다. 실험 프로토콜은 다중 페르소나-다의도 은행에서 페르소나 정렬, 도구 메모리 주입의 로컬 수정 신뢰도, Working memory의 carryover를 평가한다.

한계점

제시된 증거는 제어된 페르소나-다의도 평가와 진단용 로컬 수정 설정에 한정되며, 실제 사용자 배포 연구나 더 넓은 인간 연구가 포함되지 않았다. 프로필 뱅크 구성은 프로토타입적이며, 실사용에서의 개인정보 관리 및 메모리 감사 기능은 추가 연구 필요하다.

실무 활용

MemSlides는 다턴 로컬 수정과 계층형 메모리로 개인화된 프리젠테이션 생성에 적용 가능하다. 기존 시스템의 재생성 비효율을 줄이고, 페르소나 준수를 높이며, 로컬 수정 시 정확도와 신뢰성을 향상시킨다.

기업 발표 자료 자동화 with 지속적 페르소나 맞춤
학술 프리젠테이션의 세션별 스타일 유지
마케팅 프리젠테이션의 페르소나-의도 균형 개선
다양한 직무군을 위한 프로필 은행 기반 PPT 생성

코드 공개 여부: 공개

코드 저장소 보기

키워드

MemSlides(메모리-기반 프레임워크)personalized presentation(개인화 프리젠테이션)hierarchical memory(계층형 메모리)long-term memory(장기 기억)working memory(작업 기억)tool memory(툴 메모리)localized revision(로컬 수정)

용어 해설

유저 프로필 메모리(user-profile-memory): — 다수의 작업 간에 사용자의 선호와 스타일 정보를 저장하는 장기 메모리 모듈로, Round-0 개인화 및 교류 전반에 걸쳐 일관된 프리퍼런스를 제공한다.
툴 메모리(tool-memory): — 에이전트의 도구 실행 이력과 재사용 가능한 실행 경험을 저장하는 메모리로, 로컬 수정 시 도구 호출의 신뢰성과 재현성을 높인다.
작업 기억(working-memory): — 현재 세션의 활성 임시 메모리로, 수정 라운드 간의 제약과 임시 선호를 추적한다.
라운드-0 개인화(round-0 personalization): — 초기 생성 시점에서의 개인화 신호를 의미하며, 이후 세션에서 작용하는 기본 프레임을 구성한다.
로컬 편집(localized editing): — 전체 덱을 재생성하지 않고 영향받는 슬라이드 영역에 국한하여 수정한다.
메모리 통합(memory-consolidation): — 일시적 기억에서 장기 기억으로 유의미한 정보를 선택적으로 반영하는 과정으로, 재작업 시 재활용되는 정보를 관리한다.