ARTICLE · 1377107
AI做的PPT能改吗?SlimOffice拆解三种技术路线
TECH INSIGHT
AI做的PPT能改吗?SlimOffice拆解三种技术路线
最近要做一场内部技术分享,手头已有文档、大纲和散乱笔记。我想让AI直接把它变成一份能讲的PPT。
科技 · 产业 · 人
深度观察
试了一圈才发现:同样是「AI生成PPT」这五个字,背后走的是完全不同的技术路线。有的截图糊图塞进文件,有的把HTML解析还原成OOXML,还有的直接在原生.pptx的XML节点上动刀。
选错了路,你可能拿到的是一个「看起来像PPT但一个字都改不了」的壳子;选对了路,你拿到的就是能继续打磨的真稿。先搞懂底层机制,再选工具。
01
KEY INSIGHT
.pptx 到底是什么格式(先扫个盲)
很多人不知道一件事:一个.pptx文件本质上就是一个.zip压缩包。
你把 talk.pptx 的后缀改成 .zip,解压缩之后会看到这样的结构:
├── [Content_Types].xml
├── ppt/
│ ├── presentation.xml ← 总控
│ ├── slides/slide1.xml ← shape位置文字图片
└── media/image.png ← 配图
类比一下就好理解:一张幻灯片 = 一层网页;每个 shape = 网页里的 <div>,有坐标和样式;整套模板 = CSS 样式表;图片 = <img> 引用的源文件。
.pptx 是微软的 Office Open XML(OOXML) 标准格式。它比老版 .ppt 好在:一是人能直接看懂,二是任何能读写 zip + xml 的语言都能操作它。
理解了这一层,你就知道为什么 AI 生成 PPT 的路线分叉了:
01
截图型:渲染成一堆 PNG 塞进 ppt/media/,slideN.xml 里只有背景图引用 → 文字不可编辑
02
DOM解析型:把 HTML 解析回 shape 节点 → 理论上可编辑,但保真度取决于解析质量
03
原生OOXML直写型:直接在 IR 上操作,写出真正的 .pptx → 保真度最高且完全可编辑
第三条路是目前技术上最干净的选择,也是我们后面要重点拆解的路径。
02
TECHNOLOGY
AI 生成 PPT 的三条主要技术路径
市面上主流方案大致可以归为三类,每种背后的设计哲学都不一样。但走哪条路,决定了你最后拿到的是「能改的真稿」还是「改不动的图」。
路径A:LLM出内容 → HTML渲染 → Playwright截图 → pptxgenjs打包成PPTX(图片型)
代表项目:LandPPT。优势是产品形态完整(账号体系、模板管理、讲稿、配音导出 MP4),适合企业级部署。短板是标准可编辑 PPTX 依赖商业授权,默认走图片型路线。
路径B:Markdown源码 → Vite编译Vue → DOM截图/pptxgenjs导出 → PPTX
代表项目:Slidev。对技术团队体验极佳,支持代码高亮、LaTeX公式、Mermaid图表,热更新速度快。但它不是专门做 PPT 的工具;导出的文件没有真正的 shape 层级,编辑自由度为零。
路径C:LLM直接操控 PPT 的 IR(中间表示)→ 序列化成原生 OOXML 文件
这是最彻底也最复杂的一条路。它不生成 HTML 也不截图,直接在内存中构建对象树(IR),然后通过 serializer 写出标准的 .pptx 文件。代表项目:SlimOffice(https://github.com/sliiu/slimoffice),下面拆它的实现细节。
03
KEY INSIGHT
SlimOffice 是怎么做到「一句话到一页可编辑PPT」的
核心思路:把 AI 生成 PPT 拆成十几个确定性阶段,LLM 只负责创意和内容,代码负责纪律和格式。
问题来了:这么多阶段里,AI 到底插手哪几步?先看一个例子。假设输入是「帮我做一份关于向量数据库的技术分享,大概15页」。
第一步:Brief 解析——把你的话翻译成任务
用户随口一句话不够结构化,系统先做规范化映射。核心在 deckgen/brief.ts 的 coerceDeckBrief:
01
topic → 主题;audience → 受众;mode → deck / keynote / essay
02
photoRhythm → 配图节奏策略(首尾大图锚点 / 全文配图 / 无图纯文字)
03
folio → 是否加页码
这些决策都是规则引擎做的,不需要 LLM,确保后续阶段有统一的设计契约。
第二步:大纲生成——让 LLM 搭骨架
调用 LLM,传入 topic 和 brief,输出 YAML 格式的 Outline:
title: 向量数据库技术分享
slides:
- title: 什么是向量数据库
bullets: [非结构化数据的数字表征, 向量、索引、相似度检索]
imageIdea: 传统数据库 vs 向量数据库对比示意图
改完大纲才进入后续的批量生产——但问题是:接下来的每一步,LLM 到底在哪一步接手?
第三步:DesignSpec 预决策——定下整组PPT的视觉基因
在进入逐页生成之前,系统需要先回答一个问题:「这组 PPT 应该长什么样?」design-spec.ts 让 LLM 一次性选定三个维度:
01
VisualSystem:Editorial / Swiss / Ink Board / Folio 等;每种有独立字体栈和禁则。比如 Ink Board 是「瓷纸配近黑墨」。
02
ColorTheme:具体配色方案
03
PhotoRhythm:配图节奏
这三个决策一旦确定就贯穿全篇不再改变,避免 AI 今天用 Editorial 明天切到 Swiss 的拼贴感。
第四步:PagePlan —— 版面规划(纯规则,不动 LLM)
根据大纲的每一段,给每页指定具体的 Layout + Variant 组合。这是一个确定性映射:
01
封面 → cover/fullbleed / cover/text-only
02
引言 → section/divider
03
要点/对比 → split-left/bullets / data-table/multi-column
04
收尾 → close/fullbleed / closing/statement
page-plan.ts 里有大量白名单校验逻辑,防止出现「这个页面用了根本不存在的版式」这种低级错误。这里没有任何 AI 推理,纯粹靠规则库完成。
到这里,准备工作做完了。但真正的硬骨头在下一步——怎么让模型直接画出能看的画布?
第五步:Canvas Author —— 逐页内容填充(最核心的AI环节)
这一步是 SlimOffice 最精彩的部分,也是整条链路最容易被质疑的地方:模型真能把排版做好吗?答案是——它会做,但要被约束。
对于每一页,系统把前面产出的 PageJob(标题、要点、imageIdea、composition提示)一起喂给 LLM,要求它输出一份 JSON 格式的 CanvasDeck:
{
"system": "editorial",
"slides": [{
"elements": [
{ "kind": "text", "slot": "h1", "text": "什么是向量数据库" },
{ "kind": "image", "src": "PHOTO" }
]
}]
}
关键约束有两条:词汇表(vocab.ts)限制 LLM 只能用白名单里的元素种类;语义槽位(slot)让每块内容知道自己是什么类型,方便后处理检查。多页时分 chunk 并行调用,降低 token 消耗。
第六步:Snap —— 几何规范化(确定性后处理,不涉及AI)
LLM 输出的 JSON 往往不规范。snap.ts 做的是硬性对齐:fontSize 落到 typeScale 档位(11-80px),bbox 裁剪到 CANVAS 安全区(四周留 5% inset),图片 URL 合法性校验,float effect 超过 2 个的强制裁掉,CJK 换行遵循 kinsoku 规则。
这步完全是代码,没有 AI 参与,作用是保证无论 LLM 怎么发挥,最终输出的尺寸都在设计规范之内。
第七步:Reflect —— 设计质检(双重关卡)
snap 之后的页面还不是完美的。这里有两道守门员程序——
Structural Gates(reflect-canvas.ts):检查内容结构完整性。空白的 KPI 卡片不合格,缺少关联关系的复杂 shape也不合格。
Layout Gates(layout-gates.ts):检查视觉层面的美观度,查看是否有下面的问题:大片空白、一列里标题和正文中间隔了很大的空隙、一行标题末尾只剩一个字孤零零挂在下一行。
如果发现问题,进入第八步修复;如果没有,直接进入后续阶段。但问题是:AI 真的能自己把这些「不合格」的页面挑出来修好吗?
第八步:Repair Pass —— 局部重绘修复
但问题不是「重做」,而是「只改出错的地方」。系统再次调用 LLM,只重写出问题的页面,保留其他已合格的页面。每次修复都会带上 reflect 的具体问题描述作为 prompt,最多执行 1-2 轮。
还有一个隐藏杀手锏:如果 LLM 有多模态能力,系统还会跑 Visual Review——把所有页面渲染成截图,送视觉评审模型打分,找出评分最低的 ≤3 页针对性重绘。
问题来了:到这里,生成出来的 PPT 就完事了吗?
没有,最后还有两个动作。
1. autoAnimatePresentation():基于 outline 的 speech plan 自动控制动画时机,无需手动调每一页 timing。
2. emitPresentation() + serializer:把 IR 序列化成真实 .pptx。每张 slide 对应一个 slideN.xml,每个 shape 一对 XML 节点,最后用 fflate 打包输出。
整个过程大约 1-3 分钟,最终产出的是一个可以用 PowerPoint、WPS 或 Keynote 打开并自由编辑的真实 .pptx 文件。
04
WORKFLOW
完整流程图
把上面的阶段串起来,整个流水线长这样:
输入 → Brief解析 → 大纲生成(可改)→ DesignSpec → PagePlan
↓
★ Canvas Author → Snap → Reflect(双重守门)
↓
【有问题?】Repair Pass + Visual Review → Animate + Emit → .pptx
前置三关(纯规则):Brief 解析、PagePlan、Snap 都走确定性逻辑。
核心关卡(AI驱动):Canvas Author 逐页填充,vocab 约束种类、slot 标记语义。
质检闭环:Reflect 查 structural(空 KPI / 缺关联)再查 layout(大片空白 / 孤立字符 / 重复数据),触发 Repair;有视觉模型再跑截图评审。
最终 serializer 把整棵 IR 写成标准 OOXML,字体嵌入、媒体打包、输出 .pptx。
05
KEY INSIGHT
和其他方案怎么选?横向对比四个维度
前面拆了 SlimOffice 的原理。但市面上还有 LandPPT、Slidev、Marp + python-pptx 等方案——到底该怎么选?看下面六个维度就够。
| 部署难度 | ||||
| 输出美观度 |
可编辑性和内网能力才是分水岭——前者决定你能不能改稿,后者决定公司能不能用。但这里有个容易踩的坑:内网能用 ≠ 能随时改稿。
| PPTX 可编辑性 | ||||
| 内网/离线部署 |
剩下两个维度偏进阶场景:
| Agent 集成 | ||||
| 额外能力 |
那么到底该怎么选,需要看下面三个问题:
1. 你最看重 PPT 的「修改自由度」还是「开箱速度」?
2. 需要内部多用户协作吗?
3. 有现成的 AI API 预算吗?
4. 是要长期维护的知识库,还是一锤子分享的临时物料?
答案会直接指向下面四组场景。
场景一:给自己或团队快速产出一份质量过硬的分享PPT,有AI预算
→ 选 SlimOffice。配合 MCP 接入 Cursor 这类 Agent,可自动成稿并在线微调。
场景二:需要一个多人协作平台,有账号体系和模板管理需求
→ 选 LandPPT。产品形态最完整,从生成到讲稿到配音到 MP4 导出一条龙,支持 Helm/Kubernetes 部署。
场景三:你是开发者,分享主题本身就是技术方向
→ 选 Slidev。Markdown 即内容,代码高亮、LaTeX公式、Mermaid 图表都可以放;代价是导出的 PPTX 只是图片壳子。
场景四:预算紧张,只想写点 Markdown 就出片,完全离线运行
→ 选 Marp + python-pptx。零外部依赖,纯 CLI 驱动,完全可控。
∞
THE END
写在最后
回到开头:散乱笔记在手,你要的是一份能讲的 PPT。现在你知道判断标准了——不要问能不能生成,而要问生成完还能不能改。
下次给 AI 一个分享主题时,记住这条:好工具不该让你导出完之后还得重新手动调整每一页。
写在最后
看到这儿,说明你把它读完了。这类文章能走多远,只取决于两件事:你的在看和转发。
顺手关注并设为星标,下一篇更新第一时间见。
END














































































