Table of Contents
明白，重新设计PPT大纲，每个创新点都带上"理论依据→方法→实验证据"的完整论证链，经得住质询。
答辩PPT大纲（修订版，8分钟，14页） #
Slide 1：封面（10秒）
Slide 2：问题与动机（40秒）
- 一句话背景：社交媒体评论的重要性
- 两个未解决的问题（用红色标出）：
- 问题1：如何让LLM生成用户真正满意的评论？（不是"能生成"，而是"生成得好"）
- 问题2：如何自动度量"满意"？（BLEU/ROUGE不适用于开放式评论）
- 现有方法的不足：单步直接生成、评估维度单一、生成与评估割裂
Slide 3：本文工作总览（30秒）
- 一张闭环图：生成 → 评估 → 反馈 → 再生成
- 三个创新点对应图中三个环节
- 底部：技术栈一行字（FastAPI + React + LLM API）
创新点1：链式分析生成框架（Slides 4-5，共1分钟） #
Slide 4：为什么不能直接生成？（30秒）
标题：“直接生成 vs 链式分析生成”
| 直接生成（现有方法） | 本文方法 | |
|---|---|---|
| 做法 | 帖子→LLM→评论（一步到位） | 帖子→分析→Prompt组装→生成（三阶段） |
| 问题 | LLM缺乏对帖子的深度理解，易跑题、风格不对、内容空洞 | 先提取关键信息，再针对性生成 |
- 底部理论支撑（一行字）：
- Plan-then-Generate范式：NLG经典理论认为生成应分为"规划→实现"（Reiter & Dale, 2000）
- 分解式提示优于单步提示：Least-to-Most Prompting (Zhou et al., NeurIPS 2022)、Plan-and-Solve Prompting (Wang et al., ACL 2023)
Slide 5：消融实验证据（30秒）
标题：“每个组件都在起作用”
- 柱状图：5组条件的综合满意度对比（EXP-1实际数据）
- 旁边放一个实际对比案例：同一帖子，基线 vs 完整框架的生成结果
- 底部结论一句话：“完整框架相比基线提升XX%，去掉任意组件均导致评分下降”
被质询时：
“这不就是正常的工程流程吗？” → “确实是工程方法，但关键在于我们用消融实验量化了每个阶段的贡献。此前没有人在社交媒体评论场景下做过这样的系统性验证。分解式方法优于单步方法在其他任务上已被证实（Zhou 2022, Wang 2023），本文在评论生成场景下提供了新的实证。”
创新点2：多Agent仿真评估框架（Slides 6-9，共2.5分钟，最重点） #
Slide 6：为什么需要多Agent？（40秒）
标题：“单一评分 vs 多视角评估”
- 左边：传统方法——一个指标（BLEU）或一个LLM打一个分 → 无法反映受众多样性
- 右边：本文方法——8个Agent从不同视角独立评分 → 模拟真实受众的多元反应
- 核心论点：同一条评论，严谨的人觉得差、幽默的人觉得好——这种分歧本身就是有价值的信息
- 底部理论支撑（三篇核心文献，每篇一句话）：
| 文献 | 支撑什么 |
|---|---|
| Zheng et al., NeurIPS 2023 | LLM作为评判器与人类评估一致性>80%（LLM-as-Judge有效） |
| Argyle et al., Political Analysis 2023 | 不同Persona Prompt可模拟不同群体的观点分布（角色模拟有效） |
| Park et al., UIST 2023 | LLM智能体可模拟可信的人类社会行为（仿真可行） |
Slide 7：Agent设计原则（30秒）
标题：“8个Agent的设计不是随意的”
- 设计原则表：沿三个轴覆盖多样性
| 多样性轴 | 覆盖范围 | 对应Agent |
|---|---|---|
| 严格度（严 → 宽） | 挑剔 ↔ 宽容 | 资深爱好者、批判者 ↔ 路人用户、幽默爱好者 |
| 关注点（理性 → 感性） | 逻辑数据 ↔ 情感共鸣 | 理性分析者 ↔ 情感共鸣者 |
| 视角（专业 → 大众） | 深度分析 ↔ 实用趣味 | 资深爱好者、理性分析者 ↔ 路人用户、实用主义者 |
| 立场（倾向性 → 中立） | 有偏好 ↔ 无偏好 | 幽默爱好者、批判者 ↔ 中立观察者 |
- 一句话：“确保任何一条评论都能被从专业性、趣味性、情感性、实用性等多角度审视”
Slide 8：4个评估维度（20秒）
标题：“满意度 = 愿不愿意发出去”
- 4个维度用图标+一句话解释：
- 场景适配度：搭不搭？
- 风格达成度：像不像？
- 自然度：真不真？
- 互动潜力：有人理吗？
- 综合满意度 = 四维度等权平均
Slide 9：Agent有效性验证（40秒）
标题：“三重验证：Agent评估是靠谱的”
| 验证 | 方法 | 结果 |
|---|---|---|
| EXP-2 基准测试 | 好评/差评各10条，看Agent能否区分 | Mann-Whitney U检验 p < 0.05（实际数据） |
| EXP-3 评估者间信度 | 8 Agent对150条评论，计算ICC | ICC = XX（实际数据） |
| EXP-4 差异性验证 | 各Agent评分分布箱线图 | 幽默爱好者给幽默评论高分，资深爱好者更严格（实际数据） |
- 底部结论：“Agent之间既有一致性（信度合格），又有系统性差异（符合人设设计），说明评估框架有效且有区分度”
被质询时：
“这不就是换了个Prompt吗？” → “Argyle(2023)在Political Analysis上实证表明，Persona Prompting输出的观点分布与对应真实人群具有统计显著一致性。我们的EXP-4也验证了不同Agent确实产生系统性差异——资深爱好者的平均评分比幽默爱好者低X分，且在专业性维度上差异最大。这不是随机噪声，是符合人设预期的系统性偏差。”
“为什么是8个Agent？为什么不是5个或20个？” → “8个Agent沿严格度、关注点、视角、立场四个轴覆盖了主要的受众类型。太少（如3个）缺乏多样性，太多（如20个）引入冗余且增加计算成本。EXP-3的信度分析可以验证当前数量是否足够——如果ICC已达到良好水平，说明8个Agent的采样已足够稳定。”
创新点3：反馈优化闭环（Slide 10，40秒） #
Slide 10：评估结果如何驱动生成改进
- 上半部分：流程图（识别短板 → 增强Prompt → 再生成 → 评分提升）
- 下半部分：一个实际案例的前后对比
| 优化前 | 优化后 | |
|---|---|---|
| 评论 | “这个产品不错，推荐购买。” | “从续航和屏幕素质来看确实有提升，不过这个定价…建议等618再下手，到时候应该能省个几百。” |
| 短板维度 | 互动潜力 2.1分 | 互动潜力 3.8分 |
| 增强指令 | — | “请加入能引发回复的元素” |
- 底部：EXP-5数据——“30条低分评论优化后，短板维度平均提升X分（paired t-test, p < 0.05）”
被质询时：
“这不就是改了下Prompt吗？” → “关键不在于’改Prompt’本身，而在于系统自动识别哪里需要改、改什么。短板维度由8个Agent的评估结果自动决定，增强指令由维度映射表自动选择。这是一个可复现的自动化优化流程，不是人工调参。”
实验总览 + 系统演示（Slides 11-12，共1.5分钟） #
Slide 11：实验结果总览（50秒）
标题：“6组实验，用数据说话”
| 实验 | 结论 |
|---|---|
| EXP-1 消融 | 完整框架比基线提升XX%，各组件均有贡献 |
| EXP-2 基准 | Agent能有效区分好/坏评论（p < 0.05） |
| EXP-3 信度 | ICC = XX，Agent评估内部一致 |
| EXP-4 差异 | 不同Agent评分模式符合人设预期 |
| EXP-5 反馈 | 短板维度平均提升X分（p < 0.05） |
| EXP-6 交叉 | 幽默型在生活类最优，理性型在争议类最优 |
Slide 12：系统演示（40秒）
- 2-3张系统截图或现场演示
- 走一遍：输入帖子 → 选风格 → 生成 → 评估报告（雷达图+Agent评语）→ 反馈优化
结论（Slides 13-14，共30秒） #
Slide 13：结论
本文围绕"如何生成用户满意的社交媒体评论"这一问题，提出了三项技术贡献：
（1）链式分析生成框架：将Plan-then-Generate范式引入评论生成，消融实验验证了各组件的有效贡献，完整框架比基线提升XX%。
（2）多Agent仿真评估框架：基于LLM-as-Judge和Persona Simulation理论，构建了8个差异化Agent的4维度评估体系，基准测试和信度分析验证了评估的有效性。
（3）评估反馈优化机制：实现了生成-评估-优化的完整闭环，反馈优化使低分评论的短板维度平均提升X分。
Slide 14：致谢 + Q&A
时间分配 #
| 部分 | 幻灯片 | 时间 | 说明 |
|---|---|---|---|
| 问题与动机 | 1-3 | 1分20秒 | |
| 创新点1 | 4-5 | 1分钟 | 理论(Plan-then-Generate) + 消融数据 |
| 创新点2 | 6-9 | 2分30秒 | 理论(3篇文献) + 设计原则 + 三重验证 |
| 创新点3 | 10 | 40秒 | 案例对比 + 配对检验数据 |
| 实验+演示 | 11-12 | 1分30秒 | |
| 结论 | 13-14 | 30秒 | |
| 合计 | 14页 | 8分钟 |
创新点2给了最多篇幅（4页），因为它是最大创新点，也最容易被质询。每一页都有支撑：理论文献→设计逻辑→实验数据，形成完整的论证闭环。