AI 生成 PPT 制作

PPT 转编辑格式

GordenSuperPPTSkills 原理：史上最强 PPT Skill：图片 PPT 转可编辑 PPTX 文档【模仿别人的路线】

一句话总结：

给一张 PPT 截图，用 GPT 看图拆出文字、各个装饰元素，AI 重绘素材，再按坐标在 PPT 里面拼回去，实现截图转可编辑 PPT

ppt-master【根据文档内容，从头新建一份结构、排版都合理的 PPT，可以参考一套设计规范（统一字体、配色）】

输入是 Markdown / 文档文本，不是截图。模型输出布局描述，本地脚本生成 DrawingML，全部元素都是 PPT 原生矢量对象，不是 AI 绘图生成的图片。

对比维度	ppt-master	GordenSuperPPTSkills
技术路线	文档→SVG 矢量→DrawingML 原生对象，无图片生成环节	提示词→AI 生成 PNG 图片→GPT‑4V 视觉拆解还原，先生图再逆向重建
可编辑程度	✅全部元素原生 PPT 对象：文字、表格、形状、图表均可直接编辑；图标是矢量形状	✅文字是原生文本框；背景、图标、装饰是 AI 生成的图片对象，不能编辑形状颜色，只能整体替换图片
输入源	PDF/Word/markdown/ 文本素材，优先文档内容	主题描述、也支持 PPT 截图图片逆向还原
风格一致性	spec_lock 全局锁定规约，每页严格遵守统一网格配色，风格稳定	靠生图模型保证视觉风格；生图每次会有随机波动，页面之间容易出现细节偏差
复杂布局能力	适合答辩、汇报、文档转 PPT；极度花哨异形布局能力有限	适合炫酷、艺术感、复杂异形版式；生图擅长视觉冲击力强页面
原生 PPT 特性	原生支持 PPT 动画、切换效果、演讲备注、复用企业模板	不支持原生动画；还原出来的 PPT 没有原生动画；只能做页面内元素摆放
token & 成本	消耗大模型文本 token，不消耗图像生成 token	消耗文本 token + 高额图片生成 token 成本，整体开销更高
表格处理	输出 PPT 原生表格，单元格可以直接修改	表格会被识别成图片，表格很难还原成原生可编辑表格
故障风险	大模型输出非法 SVG；本地脚本校验拦截，拒绝坏页	生图崩坏、视觉识别坐标偏移、图标细节和原图不一致、文字 OCR 识别错误
技术门槛	依赖 Python 环境，本地脚本链路复杂	同样需要 Python，依赖 GPT4V + 生图模型，对外网模型依赖更强

PPT 生成总结

双层寻址：语义间接层隔离业务层与底层物理层

两层寻址体系：

上层（Agent 视角）：slot_id语义名字 cover_title_cn，人类可读，不关心 PPT 内部实现；
下层（脚本视角）：物理地址 shape_id / paragraph / run，直接映射 OOXML 底层；
中介对照表：detail.json，打通语义槽和底层坐标。

通用思想：但凡 LLM 操作复杂底层系统，优先加一层领域间接层，模型操作领域对象，确定性代码翻译成底层调用。

软约束优于硬拦截：提防模型 “钻规则空子”

项目里真正发生过什么

每个文本框在 detail.json 里有一个 max_chars（大概能装多少字）。最早的设计是：

超过就报错
建议加 --strict，超框直接拒绝保存

Agent 的目标立刻变了：不再是「写一句完整、好看的话」，而是「必须过这道检查」。最省事的办法是把后半句砍掉，结尾加 ...。

于是你看到的是半句话，比字稍微挤出框还难看。校验通过率上去了，成品质量下去了。这就是截图说的「钻空子」。

通用 Agent 开发的可复用经验

凡是给 LLM 设置校验规则，都要反问自己：如果模型钻规则漏洞，会产出什么劣质产物？

❌不要：失败直接阻断输出
✅推荐：告警 + 保留产物，把决策回传给上层 Agent 做迭代闭环

这套逻辑正好对应前面提到的闭环：脚本打告警 → Agent 读取渲染后的 PNG + 日志 note → 修改edits.json重新构建。

简单单一句话总结：机器只报坑，不拍板；把要不要改、改不改的决定权还给 Agent，形成循环迭代。

文本 Spec 之外，必须增加视觉闭环环（做 PPT、海报、PDF、网页 UI 都一样：结构化输入无法证明视觉输出。）

**存在问题：**文本契约edits.json只能描述 “填什么文字”，无法校验排版溢出、占位符残留、章节前后不一致这类视觉问题。

闭环链路：

build_pptx输出PPT → LibreOffice无头转PDF → pdftoppm切PNG图片 → Agent 读图校验 → 更新 edits 再构建。

每一步的作用：

build_pptx：根据edits.json文本规格生成原生 PPT 文件
LibreOffice 无头转 PDF：把 PPT 转成标准 PDF，统一渲染效果，规避不同 Office 版本的渲染差异
pdftoppm 切 PNG：把每一页转成像素图片，把视觉产物变成机器可读的输入
Agent 读图校验：用多模态大模型 “看” 图片，检查溢出、错位、残留、样式不一致等视觉问题
更新 edits 再构建：根据校验结果反向修改文本规格（比如缩短文字、调整字号参数），重新生成，直到视觉合格

通用范式：凡是生成 PDF、PPT、海报、UI 这类强视觉产物，都可以套用：

生成结构化spec → 渲染为可视产物 → 校验可视产物 → 修改spec迭代。

AI 制作 PPT 的思路总结

需求调研 → 资料搜集 → 大纲策划 → 生成策划稿 → 生成设计稿

1. 忘了“一键生成”，从“提问”开始

聊到大纲，我又把我用了多年的一个“笨方法”教给了AI——便利贴法。

过去我做复杂PPT时，会把每一页的核心内容写在一张张便利贴上，贴满一墙。这样逻辑结构一目了然，哪里不好就撕掉，顺序不对就调换，高效又直观。

现在，我们把它做进了产品里。每一个页面，就是一张“数字便利贴”，让你看得清清楚楚，调得明明白白。

便利贴法

下面这个我们项目在用的正式版Prompt，也直接开源给你，让你也能拥有一个顶级的“PPT结构架构师”：

# Role: 顶级的PPT结构架构师

## Profile
- 版本：2.0 (Context-Aware)
- 专业：PPT逻辑结构设计
- 特长：运用金字塔原理，结合**背景调研信息**构建清晰的演示逻辑

## Goals
基于用户提供的 **PPT主题** 和 **背景调研信息 (Context)**，设计一份逻辑严密、层次清晰的PPT大纲。

## Core Methodology: 金字塔原理
1. 结论先行：每个部分以核心观点开篇
2. 以上统下：上层观点是下层内容的总结
3. 归类分组：同一层级的内容属于同一逻辑范畴
4. 逻辑递进：内容按照某种逻辑顺序展开

## 重要：利用调研信息
你将获得一些关于主题的搜索摘要。请务必参考这些信息来规划大纲，使其切合当前的市场现状或技术事实，而不是凭空捏造。
例如：如果调研显示"某技术已过时"，则不要将其作为核心推荐。

## 输出规范
请严格按照以下JSON格式输出，结果用[PPT_OUTLINE]和[/PPT_OUTLINE]包裹：

[PPT_OUTLINE]
{
  "ppt_outline": {
    "cover": {
      "title": "引人注目的主标题",
      "sub_title": "副标题",
      "content": []
    },
    "table_of_contents": {
      "title": "目录",
      "content": ["第一部分标题", "第二部分标题", "..."]
    },
    "parts": [
      {
        "part_title": "第一部分：章节标题",
        "pages": [
          { "title": "页面标题1", "content": [] },
          { "title": "页面标题2", "content": [] }
        ]
      }
    ],
    "end_page": {
      "title": "总结与展望",
      "content": []
    }
  }
}
[/PPT_OUTLINE]

## Constraints
1. 必须严格遵循JSON格式。
2. **页数要求*：{{PAGE_REQUIREMENTS}}

2. 去大量检索资料。（用 grok）

大纲只是骨架，血肉需要真实、准确的信息来填充。这个因为很多工程上的问题，我们自己项目用的是国内的搜索接口。

资料检索

3. PPT 居然还有策划稿？

拿到内容后，多数人就直接让AI上设计了。但我们多加了一个操作——策划。

啥，PPT还要做策划呢？我想这个词很多PPT设计师都没听过，五年前，我也一样。

那时候我去到了一家国内顶尖的PPT设计公司，他们的PPT报价是1万+一页。

他们有一个专门的岗位，叫策划师。没错，你前面看到的，需求调研、资料检索，大纲规划，这事儿都归他们干。

策划师岗位

他们最终会提供一个PPT草稿给到设计师，每页什么位置要放什么元素，用什么样的版式，全都固定好。

就像这样：

策划稿版式

真正让AI去做PPT的时候，你也可以试试一样的处理。先让AI生成一个，不要各种复杂效果，简简单单，清清爽爽的页面初稿。

页面初稿

到后面再去加设计的效果：

设计效果

我们做了大量测试，发现这套人类专家的工作流，AI完全能理解！策划部分负责版面规划，设计部分来做风格样式，跑下来的效果非常好。

你啥都不用干，等AI跑完这套流程就能用，甚至都不太需要改。

那当然，如果是一些特别重要的PPT，你也可以在策划稿阶段精调内容，再去让AI跑最终的设计，把效率和颜值都最大化。

4. 用这个 PPT 技巧让 AI 跑设计。（卡片式布局的思路）

有一个可以给到“夯爆了”的PPT技巧，叫卡片式布局。

啥是卡片式布局呢，喏，你在苹果的发布会上经常能看到。把内容放进了一个个卡片里。

卡片式布局

这样做有三大好处：

能装： 一页里能清晰地承载大量信息。
灵活： 卡片数量、大小、位置可以随意组合，版式变化无穷。
AI能懂： 这是最关键的！我们发现，“卡片”是AI最容易理解和掌握的一种设计语言。

市面上的 AIPPT 大多是调用 Banana 或者生成 html，我们采用了生成整页 SVG 的方案。

SVG是一种PPT里兼容性最好的格式，生成的这个SVG代码你可以直接拖到Office 2016以上的版本里去做使用。

我们把这套方法论，写成了一段精确的指令，告诉AI如何像顶级设计师一样思考布局。这可以说是我们项目的核心壁垒之一，今天也一并分享了：

内容页的便当网格 (Bento Grid) 布局
这是一种灵活的网格系统，其布局应由内容本身的需求驱动，而非僵硬的模板。通过组合不同尺寸的卡片，创造出动态且视觉有趣的布局。
- 核心原则:
    - 灵活性: 卡片数量不固定。可以是 1, 2, 3, 4, 5 或更多个，取决于如何更好地呈现信息。
    - 层级感: 使用卡片尺寸建立视觉层级。最重要的信息放在最大的卡片上。
    - 留白: 在所有卡片之间保持至少 20px 的间距。
- 布局组合示例:
    - 单一焦点: 一张大卡片覆盖大部分区域 (w=1200, h=580)。适用于单一、有力的信息或详细的图表。
    - 两栏布局:
        - 50/50 对称: 两张等宽的卡片。
        - 非对称: 一张较宽的卡片（如 2/3 宽度）用于主内容，一张较窄的（1/3 宽度）用于辅助信息、数据或图片。
    - 三栏布局: 三张等宽的卡片，适合并列比较三项内容。
    - 主次结合: 一张大的居中卡片，两侧各一张小的垂直卡片。
    - 顶部英雄式: 顶部一张宽幅“英雄”卡片，下方是 2-4 个较小的等宽卡片网格。
    - 混合网格 (自由度最高): 自由混合各种尺寸的卡片，例如一个中等方块、两个小的水平矩形和一个垂直矩形。这种方式可以极大地适应不同内容的需求。

如果大家自己去跑也很简单，拿你刚刚用Grok检索到的内容结果，加上我下面这段提示词：

作为精通信息架构与 SVG 编码的专家，你的任务是将完整的文字内容转化为一张高质量、结构化、具备高级感、简洁感和专业感的 SVG 演示文稿页面。要求如下：

1.画布: SVG viewBox 必须是 0 0 1280 720。

2.内容页的便当网格 (Bento Grid) 布局
这是一种灵活的网格系统，其布局应由内容本身的需求驱动，而非僵硬的模板。通过组合不同尺寸的卡片，创造出动态且视觉有趣的布局。
- 核心原则:
    - 灵活性: 卡片数量不固定。可以是 1, 2, 3, 4, 5 或更多个，取决于如何更好地呈现信息。
    - 层级感: 使用卡片尺寸建立视觉层级。最重要的信息放在最大的卡片上。
    - 留白: 在所有卡片之间保持至少 20px 的间距。
- 布局组合示例:
    - 单一焦点: 一张大卡片覆盖大部分区域 (w=1200, h=580)。适用于单一、有力的信息或详细的图表。
    - 两栏布局:
        - 50/50 对称: 两张等宽的卡片。
        - 非对称: 一张较宽的卡片（如 2/3 宽度）用于主内容，一张较窄的（1/3 宽度）用于辅助信息、数据或图片。
    - 三栏布局: 三张等宽的卡片，适合并列比较三项内容。
    - 主次结合: 一张大的居中卡片，两侧各一张小的垂直卡片。
    - 顶部英雄式: 顶部一张宽幅“英雄”卡片，下方是 2-4 个较小的等宽卡片网格。
    - 混合网格 (自由度最高): 自由混合各种尺寸的卡片，例如一个中等方块、两个小的水平矩形和一个垂直矩形。这种方式可以极大地适应不同内容的需求。


请你根据我的内容输出SVG代码，我的内容是：