SeaSlides：用于智能体幻灯片生成的语义抽象层

# SeaSlides: 面向智能体幻灯片生成的语义抽象层
来源：https://arxiv.org/html/2608.03298

###### 摘要

智能体演示文稿生成必须保留源内容、维持连贯的视觉设计、渲染专门对象，并产出可用的工件。现有系统只满足部分要求：模板保留规律性但限制适应性，而自由形式的 HTML 或 SVG 给予模型灵活性，却以底层渲染决策为代价。这种不匹配使长篇幅技术演示文稿变得脆弱，尤其是当幻灯片包含公式、代码或数据图形时。我们提出 SeaSlides，一个围绕语义抽象层构建的智能体幻灯片生成框架。模型不是编写坐标、内联样式或原始 SVG 几何，而是通过可复用组件和能力模块编写结构化幻灯片内容，而模板负责布局、样式和渲染。我们分别在 HTML 和 Typst 中实例化这一原则：SeaSlides-HTML 使用模板定义的 DOM 组件，而 SeaSlides-Typst 使用模板函数和基于包（package-backed）的模块。能力模块将公式、代码和图表路由到专用渲染器，三个反馈阶段在导出前定位构建错误、项目约束违反和视觉缺陷。两个系统保留各自后端特定的语法和契约，同时共享相同的创作边界。在评估中，我们将 128 个任务的 UltraPresent 验证设置与 SeaSlidesBench-Rich 结合，后者是一个新的 32 任务基准，强调数学、代码、伪代码、表格、图表和图示。在四个生成模型上，两个 SeaSlides 后端都比重度使用 SVG 的生成方式产生更可读、更面向内容的源码。在四个模型中的三个上，SeaSlides 后端在富内容宏平均上取得最高分，同时保持有竞争力的整体定性表现。这些结果支持语义抽象作为一种跨演示文稿后端的实用创作原则。

## 引言

演示文稿是在研究、教育和专业实践中传达技术思想的主要媒介。生成演示文稿不只是对文档进行摘要。系统必须在一个多幻灯片的叙事中保留源含义，产生连贯的视觉工件，并让该工件在导出后仍然可编辑。技术演示文稿还带来额外的约束，因为公式、代码和数据图形依赖专门渲染，而非普通文本布局。近年来的系统试图为这一任务寻找更具表现力的表示。PPTAgent 在参考幻灯片指导下编辑 PowerPoint 结构（Zheng et al. 2025 (https://arxiv.org/html/2608.03298#bib.bib1)）；AutoPresent 生成结构化的可视化程序（Ge et al. 2025 (https://arxiv.org/html/2608.03298#bib.bib3)）；PPT-Master 使用 SVG 作为可编辑中间表示（He 2026 (https://arxiv.org/html/2608.03298#bib.bib9)）；DeepPresenter 生成 HTML 幻灯片并根据渲染观测对其进行修订（Zheng et al. 2026 (https://arxiv.org/html/2608.03298#bib.bib2)）。这些系统展示了可执行工件的价值，也暴露了一个长期存在的权衡：僵化模板保留视觉规律性，却限制了适应性；自由形式的代码、SVG 和 HTML 提供更大的控制力，但让模型承担更多视觉实现责任。根本问题在于，输出表示往往同时充当渲染层的创作接口。坐标程序要求直接进行位置决策，SVG 要求几何与样式。HTML 可以依赖浏览器布局，但生成文件仍倾向于将幻灯片内容与周围视觉系统和一次性修正混在一起。因此，模型必须在设计每张幻灯片的同时保留源事实，然后调试它刚刚生成的表示。在一份较长的演示文稿中，样式会漂移，视觉逻辑会重复。全局修订变得更困难，而数学、代码和其他技术对象往往被近似处理，而不是委托给可靠的渲染器。

我们认为，演示文稿智能体应当改而通过一个*语义抽象层*工作。模型选择叙事和证据，然后通过模板契约声明的操作来表达每张幻灯片。后端拥有这些操作背后的布局、样式和专门渲染。这不是固定模板填充：契约约束实现词汇，但不固定内容、幻灯片顺序或组件选择。参见图 1 的说明文字：SeaSlides 工作流及其语义抽象层。准备阶段提供源材料和选定或新建的模板；Strategist 将叙事和设计意图记录在 content_design_spec.md 中，Executor 将其转换为后端特定的语义内容。分阶段审查在导出前将可执行的失败信息返回给 Executor。为了实例化这一思想，我们提出 SeaSlides，一个面向可靠且可编辑幻灯片生成的智能体框架。图 1 (https://arxiv.org/html/2608.03298#Sx1.F1) 展示了分工。Strategist 将请求、源材料和模板契约转化为演示文稿级设计规范；Executor 将该计划实现为后端特定的语义内容。内容文件承载有源依据的陈述、幻灯片结构和演讲者备注，而模板定义排版和组件行为。可复用组件捕获反复出现的演示结构，能力模块渲染那些受益于专用工具的对象。SeaSlides 将这一创作层与分阶段环境反馈相结合。构建诊断首先暴露局部执行错误，脚本化检查随后测试项目级要求，而视觉审查仅用于需要渲染证据的缺陷。这种排序提供了具体的修复信号，并避免对已被环境定位的失败进行基于图像的审查。我们在两个后端特定系统中实现同一原则。SeaSlides-HTML 将模板定义的 DOM 组件与 Chromium 渲染相结合，使用 MathJax 和 Prism 处理专门内容，然后通过 SVG 序列化已稳定的幻灯片 DOM，以导出 PNG 和可编辑 PPTX。SeaSlides-Typst 使用 Typst（Typst 2023 (https://arxiv.org/html/2608.03298#bib.bib27)）和 Touying（Touying 2024 (https://arxiv.org/html/2608.03298#bib.bib28)），直接编译为 PDF 和 PNG，并使用 SVG 中间表示导出可编辑 PPTX。两个系统保留不同的语法、契约和渲染栈；它们共享的是语义创作与视觉实现之间的责任边界。我们在 128 个任务的 UltraPresent 验证设置和新的 32 任务 SeaSlidesBench-Rich 上进行评估。两个 SeaSlides 后端都比重度 SVG 生成方式产生明显更可读、更面向内容的源码。在富内容任务上，SeaSlides 后端在四个生成模型中的三个上领先，同时保持整体竞争力。我们的主要贡献有三点：

1. 我们提出*语义抽象层*，作为面向智能体幻灯片生成的模型侧创作原则。模型通过可复用操作编写结构化内容，而不是直接生成渲染几何和局部样式。
2. 我们在 SeaSlides-HTML 和 SeaSlides-Typst 中实现该层，两者各有自己的组件契约和渲染路径，并将其与分阶段环境反馈相结合。
3. 我们提出 SeaSlidesBench-Rich，一个面向技术演示文稿的 32 任务基准，并将其与 128 任务 UltraPresent 验证设置一起，同时使用渲染质量和模型创作源码指标进行评估。

## 相关工作

#### 文档到幻灯片生成。

早期系统大多将幻灯片生成视为内容选择加布局。PPSGen 从学术论文中提取显著句子（Hu and Wan 2013 (https://arxiv.org/html/2608.03298#bib.bib8)）；DOC2PPT 联合建模科学文档的内容与布局（Fu et al. 2022 (https://arxiv.org/html/2608.03298#bib.bib5)）；D2S 先检索文本、图形和表格，再进行查询条件化摘要（Sun et al. 2021 (https://arxiv.org/html/2608.03298#bib.bib6)）。后来的系统将长文档生成分解为提纲构建、内容接地和幻灯片实现（Bandyopadhyay et al. 2024 (https://arxiv.org/html/2608.03298#bib.bib7); Liang et al. 2025 (https://arxiv.org/html/2608.03298#bib.bib11)）。这一系列工作确立了源保真度和演示文稿级叙事的重要性。SeaSlides 处理的是问题的另一层：智能体向渲染器表达该叙事时所使用的表示形式。

#### 模板、编辑与视觉程序。

演示系统在向模型暴露多少视觉实现方面各不相同。KCTV 填充手工设计的模板（Cachola et al. 2024 (https://arxiv.org/html/2608.03298#bib.bib4)），而 PPTAgent 选择和编辑参考幻灯片（Zheng et al. 2025 (https://arxiv.org/html/2608.03298#bib.b