EditPPT: 基于结构化工具使用的多智能体与双模态验证器的忠实长幻灯片编辑

# 基于结构化工具使用多智能体与双模态验证器的忠实长篇幻灯片编辑
来源：https://arxiv.org/html/2608.20381
###### 摘要

自动化幻灯片编辑需要同时满足修改准确性、保持保真度以及对幻灯片长度的鲁棒性。现有的基于大语言模型的系统在处理真实世界的演示文件时常常失败，因为它们依赖于理想化的中间表示或开放式代码生成，这在长篇幻灯片中容易导致级联错误。我们提出了EditPPT，一个多智能体框架，它将幻灯片编辑重新表述为一个受限的工具选择问题。通过使用原生PowerPoint COM接口执行局部形状级操作，EditPPT在保留用户创作幻灯片的原生结构的同时，缩小了大语言模型的行为空间。通过在不同模态上分离验证，我们的双模态验证器能够对指令保真度和视觉质量进行更稳健的评估。我们还介绍了DeckEdit-Bench，一个包含28个人工创作的幻灯片集、582张幻灯片和183个编辑提示的基准测试，涵盖短篇、中篇和长篇幻灯片层级。实验表明，EditPPT整体上实现了99.5%的执行率、88.7%的幻灯片定位F1分数、82.5%的指令遵循率和91.5%的对象保持率，同时在长篇幻灯片上也保持了强大的性能。我们的代码和基准测试在此处可用 (https://anonymous.4open.science/r/EditPPT-0E27/)。

EditPPT：基于结构化工具使用多智能体与双模态验证器的忠实长篇幻灯片编辑

Jiheon Kim1Kyudan Jung2Jaegul Choo2KAIST AI\{ben8169, kyudan, jchoo\}@kaist\.ac\.kr

## 1引言

幻灯片是商业、学术和专业环境中组织和沟通信息的普遍媒介\(Shiet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib10)\)。因此，自动化幻灯片工作流程已成为一项高价值任务。近期系统在根据自然语言指令、源文档和用户偏好生成演示文稿方面取得了快速进展\(Geet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib58); Zhenget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib7); Yanget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib59); Zenget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib60); Zhenget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib9); Wuet al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib3)\)；然而，可靠的幻灯片编辑仍然是一项重大挑战\(Junget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib11); Ofengendenet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib5); Janget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib2)\)。与生成不同，幻灯片编辑严格受限于三个同时约束：修改准确性、保持保真度和对幻灯片长度的鲁棒性。一个编辑系统必须在执行请求的修改时，保持无关内容和格式不变。至关重要的是，这种保持行为必须在演示文稿长度和复杂性增加时保持稳定，因为非预期的字体、布局或形状变化可能使整个幻灯片集无法使用。

图1说明：EditPPT在跨幻灯片长度时保持了强大的编辑能力，同时保留了未请求的对象。图2说明：（a）规划器将用户的高层次意图翻译为针对特定幻灯片的规范。（b）解析器将目标幻灯片转换为结构化JSON；图像由视觉语言模型进行描述。（c）多智能体调度器将每个幻灯片元素路由到相应的子智能体。（d）每个子智能体使用任务特定参数调用工具。（e）工具通过COM执行编辑。（f）大语言模型验证器重新解析编辑后的幻灯片，比较编辑前后的状态，并验证任务完成情况。一旦通过，视觉语言模型会检查视觉缺陷。一个主要障碍是理想化的编辑表示与原生`.pptx`文件之间的不匹配。许多基于大语言模型的流程在正则化的HTML、代码或结构化标记表示上运行，其中层、坐标和对象边界是显式的\(Geet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib58); Zhenget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib7); Yanget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib59); Janget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib2)\)。用户创作的演示文稿很少满足这些假设，因为它们包含分组对象、隐式格式、不一致的布局以及语义角色与文件级类型不同的伪影\(Wuet al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib3); Panet al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib6)\)。通过代码生成或OOXML编辑直接操作原生文件可以避免一些表示损失，但它要求大语言模型合成脆弱的有状态程序或编辑复杂的模式，其中小的定位错误可能在幻灯片间传播\(Anthropic,2026d (https://arxiv.org/html/2608.20381#bib.bib4); Junget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib11); Ofengendenet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib5)\)。这些故障模式在长而密集的幻灯片中变得更加明显，然而现有基准测试仍然强调相对简短、生成式、基于HTML或模块化的编辑场景。

我们的关键观察是，实际编辑比包含它们的文件更规整。尽管原生幻灯片结构不规则，但大多数用户请求可以分解为对常见对象类型（包括文本框、表格、图表、形状和图像）的有界操作。这促使我们提出了EditPPT，一个长度鲁棒、布局感知的框架，它将幻灯片编辑表述为一个受限的工具选择问题：大语言模型解释指令并选择类型化的操作，而执行则由通过COM接口确定性的形状级工具处理。EditPPT结合了基于COM的解析器、具有狭窄工具范围的专家编辑智能体以及模态解耦的验证器，后者检查指令完成度和视觉布局异常，从而减少开放式程序合成或原始文件结构修改引起的级联错误。

为了评估这个场景，我们引入了DeckEdit-Bench，一个深度导向的基准测试，包含28个人工创作的幻灯片集、582张幻灯片和183个自然语言编辑提示，涵盖短篇（≤10张幻灯片）、中篇（11至30张幻灯片）和长篇（>30张幻灯片）层级。如图1 (https://arxiv.org/html/2608.20381#S1.F1)所示，EditPPT完成了99.5%的基准实例，并实现了88.7%的幻灯片定位F1分数、82.5%的指令遵循率和91.5%的整体对象保持率；图3 (https://arxiv.org/html/2608.20381#S1.F3)中的定性比较进一步说明了它在应用请求编辑的同时保留无关幻灯片内容的能力。在长篇幻灯片上，它保持了90.5%的幻灯片F1分数、86.6%的指令遵循率和91.7%的保持率，而PPTPilot和Talk-to-Your-Slides随着幻灯片长度的增加表现出更强的指令遵循退化。这些结果表明，原生、受限的工具执行缓解了实际幻灯片编辑中由长度引起的误差级联。

图3说明：演示文稿编辑策略的定性比较。EditPPT将执行约束为类型化的形状级工具，减少了对无关幻灯片内容的意外编辑。#### 贡献。

我们的主要贡献总结如下：

- 我们提出了EditPPT，一个工具增强的多智能体框架，它将幻灯片编辑重新表述为一个受限的工具选择问题，通过原生PowerPoint COM接口执行形状级操作。
- 我们发布了DeckEdit-Bench，一个深度导向的基准测试，包含28个人工创作的幻灯片集和183个提示，捕捉了真实世界演示工作流程的结构复杂性和长度多样性。
- 我们通过实验证明，EditPPT显著优于现有的代码生成和结构编辑基线，同时在幻灯片长度扩展方面表现出强大的稳定性。

## 2相关工作

#### 演示文稿自动化。

大量工作研究了自动化演示文稿构建，包括指令驱动的幻灯片合成、学术论文到幻灯片的生成以及交互式幻灯片创作系统\(Geet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib58); Zhenget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib7); Yanget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib59); Zenget al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib60); Zhenget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib9); Wuet al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib3)\)。这些系统通常在正则化的表示空间中运行，如HTML、结构化标记或生成的代码，当系统从头开始控制布局时这些方法很有效，但不太适合编辑具有分组对象、不一致层、隐式格式和语义-结构不匹配的用户创作`.pptx`文件。因此，我们的工作关注一个不同的场景：指令驱动的原生PowerPoint幻灯片编辑，其中系统必须识别预期目标、应用局部修改，并保留原始文件中的无关内容和格式。

#### 演示文稿编辑基准测试。

近期基准测试已开始将演示文稿编辑作为首要智能体任务进行评估。Talk-to-Your-Slides引入了TSBench用于高效的基于对象模型的幻灯片编辑\(Junget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib11)\)，PPTArena在真实幻灯片上评估了具有结构和视觉判断的PowerPoint原位编辑\(Ofengendenet al\.,2025 (https://arxiv.org/html/2608.20381#bib.bib5)\)，DECKBench研究了多智能体HTML工作流中的多轮学术幻灯片生成和编辑\(Janget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib2)\)。这些工作确立了指令遵循、局部性和视觉质量对幻灯片编辑的重要性。DeckEdit-Bench通过强调在具有异构PowerPoint对象和布局伪影的原生、人工创作的幻灯片上的长度扩展来补充它们。

阶段输入输出规划用户指令幻灯片级任务解析目标幻灯片形状JSON状态分发任务和形状专家调用执行类型化参数COM编辑文本验证编辑前/后状态接受或恢复视觉验证编辑后幻灯片截图接受或视觉修复器调用

表1：EditPPT流水线使每个步骤都基于PowerPoint解析后的对象，从规划到验证。

## 3方法

### 3.1概述与设计原理

EditPPT通过一个五阶段流水线处理编辑请求（图2 (https://arxiv.org/html/2608.20381#S1.F2)）。给定用户提供`.pptx`幻灯片集和自然语言指令，系统（i）将相关幻灯片解析为原生PowerPoint对象的结构化表示，并辅以选择性的视觉元数据，（ii）将指令分解为每个幻灯片的任务列表，（iii）将每个任务分派给专家智能体，（iv）通过PowerPoint COM接口执行确定性的形状级操作，（v）使用互补的结构和视觉验证器验证结果，然后接受编辑或触发恢复。该流水线针对单个PowerPoint应用程序实例顺序运行，使用幻灯片级检查点来支持恢复。表9 (https://arxiv.org/html/2608.20381#A4.T9)总结了每个阶段的输入和输出。

系统幻灯片长度性能效率执行率↑幻灯片F1↑指令遵循↑保持率↑视觉质量↑平均时间（秒/幻灯片）↓平均成本（×10−2美元/幻灯片）↓PPTPilot短篇66.7%80.8%69.7%83.8%84.8%24.94.93中篇86.4%83.2%68.1%78.5%90.0%8.93.03长篇85.4%69.8%52.6%88.2%84.7%11.54.38总体80.3%76.8%60.6%83.6%87.3%11.33.75Talk-to-Your-Slides短篇64.8%75.9%52.1%72.6%76.3%122.33.24中篇39.5%61.3%39.6%85.6%82.6%109.30.63长篇50.0%57.7%34.9%93.2%73.7%89.20.47总体49.7%60.7%38.1%88.6%77.8%100.90.79Claude Code + PPTX Skill短篇100.0%93.8%83.3%81.8%94.6%83.826.85中篇100.0%95.6%92.8%86.2%91.6%27.38.94长篇100.0%95.2%95.4%82.0%84.7%26.07.09总体100.0%95.3%93.4%83.8%88.2%30.49.20EditPPT短篇100.0%86.6%76.8%93.7%92.7%69.69.45中篇100.0%87.0%78.7%90.9%93.4%36.55.60长篇97.9%90.5%86.6%91.7%86.7%40.79.36总体99.5%88.7%82.5%91.5%89.9%40.87.74

表2：DeckEdit-Bench上的总体和分长度比较。每个评估实例对应一个幻灯片集-提示对。幻灯片F1表示幻灯片定位F1分数。指令遵循是在成功定位的幻灯片上的完全或部分编辑成功率。保持率表示对象保持率，反映形状级保持能力。平均时间和成本按每张幻灯片报告，成本单位为10−2美元。粗体值表示最佳结果，下划线值表示总体结果中的次佳结果。关键设计选择是使用正在运行的PowerPoint应用程序作为解析和编辑的共享接口，这基于最近的研究证据：对于结构化幻灯片编辑，基于对象模型的幻灯片操作可能比像素级GUI控制更高效且更能保持风格\(Junget al\.,2026 (https://arxiv.org/html/2608.20381#bib.bib11)\)。像`python-pptx`这样的静态库仅暴露了应用程序解析的幻灯片状态的部分视图，使得条件编辑变得困难。直接的OOXML编辑111Office Open XML (OOXML)是现代Microsoft Office文件（包括.pptx）的基于XML的包格式。PowerPoint幻灯片集存储为包含XML部件、关系文件和媒体资产的ZIP包。因为XML通过显式标签和属性编码层次结构和元数据，序列化的OOXML对于基于大语言模型的处理来说往往冗长且令牌效率低下。需要操作碎片化的底层XML结构，使得基于大语言模型的编辑既昂贵又脆弱。相比之下，EditPPT使用COM查询和修改活动的PowerPoint应用程序，恢复PowerPoint解析的对象状态用于解析，并在相同的应用程序上下文中应用有界的形状级操作进行编辑。

这一区别对于检查或修改序列化OOXML的Claude风格PPTX编辑工作流尤为重要。如图4 (https://arxiv.org/html/2608.20381#S3.F4)所示，EditPPT解析器不仅仅是相同文件内容的另一种序列化，而是一个紧凑的应用程序解析表示，它消除了包级XML冗余，同时保留了可编辑的对象状态。在解析的2,313张幻灯片中，这将输入大小从36.48M原始XML令牌减少到8.45M解析器令牌，减少了76.8%，并将估计的输入成本降低了4.32倍（表5 (https://arxiv.org/html/2608.20381#S6.T5)）。在复杂幻灯片上优势更大，因为原始OOXML在多个XML部件中重复样式、坐标、关系和对象元数据，而EditPPT暴露了编辑智能体实际可以操作的对象。

这种表示和执行对齐减少了整个流水线中的歧义。解析器暴露了PowerPoint解析后的可编辑对象，专家智能体仅选择类型兼容的工具，验证器检查语义完成度和视觉布局完整性。因此，局部编辑失败在长而内容密集的幻灯片集中传播的可能性降低。

### 3.2规划与定向解析

EditPPT首先将用户指令转换为幻灯片级编辑任务，然后解析