原创 XDash 2026-10-28 20:12 上海

我让它继续调研，尤其是去 Grok 上看看网友的测评体验。它收集了一圈，自称推荐了个最好的 skill。

1/

这两周为了宣传我新写的《前线开发工程师（FDE）》一书 ，在准备下周刘润直播间的直播分享内容。

据说到时候形式是我跟主持人在腾讯会议连线，投屏讲 PPT，再推流出去。

于是本周我开始肝 PPT。

其实去年上半年我就开始尝试用 AI 做 PPT 来出课程了（参见 fde4.ai 、diy-jarvis.com ）。

试过通用 Agent 比如 Manus、Genspark，也有专门做 PPT 的垂直 PPT。当时只能说，体感极差。

  • 有些看似演示图效果好（有平滑的卡片、现代感的配色和丰富的排版层级），但实际做出来完全不是那么回事，需要大量调教，自己想办法写 prompt / 找 skill；
  • 有些在浏览器里表现良好，但只要尝试导出为 PPTX 格式，或者导入到其他常用演示软件中，往往就会遇到各种排版问题：字号比例失调，段落换行错位；
  • 有些即便浏览器里和本地原生文件的视觉效果接近，但只要想编辑一下，就会发现本地软件里变成了难以拆解的组合对象，或者整页/整个模块被渲染成不可修改的图片。

总之最后我选择了折中方案：让 AI 帮我出简洁美观的初稿作为参考，然后我在本地开个 PowerPoint 对着它手搓、优化、加入个人印记。

不过这次刘润直播间分享的时间紧任务重，我决定花点时间调研下，看看 2026 年了，AI 做 PPT 现在发展到哪一步了。

这任务交给了我自研的 Agent。

2/

在素材准备阶段，我的自研 Agent（家庭贾维斯）首先承担了材料梳理的工作。

我给贾维斯设定了四条规则：

  • 第一，必须先研读我提供的真实素材，整理出逐页对应的提纲，不能脱离材料补充空泛套话；
  • 第二，必须使用同一批核心业务内容制作多款真实 demo 进行风格对比，不能用无关的通用模版做演示；
  • 第三，选定风格后，必须先制作包含代表性版式的标准样页，待我确认样页之后，再展开全量页面的制作；
  • 第四，最终交付的文件，必须能够在本地演示软件中正常编辑，不接受将页面转成整张图片的交付方案。

在此基础上，它整理出了一份 30 页的逐页提纲。

提纲确定之后，任务进入到了视觉风格的探索阶段。

3/

在最初的视觉探索中，Agent 经历了一次路径纠偏。

一开始，Agent 调用了系统内置的旧版 ppt 技能，根据已确认的提纲生成了三种基于 HTML 预览的视觉方案。

但在准备进一步制作全量页面时，我向 Agent 确认了一个关键问题：这个方案导出的 PPTX 文件，所有元素是否正常可编辑，支持我后续人工介入、手动编辑精调？

面对这个要求，Agent 诚实地说明了局限：当前的 HTML 渲染路径虽然在浏览器中的呈现效果良好，但在转换为本地演示文档时，难以确保每个文字块与背景图形都能转换为独立的本地对象。

随后，Agent 开始尝试研究现有的 HTML 转换路径，试图通过转换规则来解决问题。

但没有更好的方案。我果断叫停。

不能再走老路了，磨刀不误砍柴工。

4/

我让它继续调研，尤其是去 Grok 上看看网友的测评体验。它收集了一圈，自称推荐了个最好的叫 PPT Master 的 skill。

切换到底层支持原生格式的 PPT Master 之后，排版不再依赖早先 HTML 模版的预设样式。

Agent 挑选了整场分享中具备代表性的 6 个典型版式，制作了一批标准样稿：

  • 演示封面
  • 120 分钟内容总览导览
  • 章节大标题转场页
  • 典型商业内容页
  • 核心金句页
  • 总结结尾页

这 6 页样稿覆盖了后续制作涉及的主要排版，包括标题与正文的字号比例、深炭底色与橙色高亮的搭配规则、信息卡片的内边距以及多列布局的网格间距。

一些中间产物截图如下（非最终稿，我后来大幅做了调整）：

待我确认了这 6 页样稿的排版规则后，Agent 才被允许调度底层引擎，按照既定规则展开后续 24 页内容的批量制作。

完成后，Agent 自动打开了本机的 Keynote，对可编辑性进行了确认。

我自己也接管过来，亲自点点戳戳，看各个元素是否会出现意外移位、字体丢失等。看来没啥问题。

5/

这是个什么技术原理呢？我好奇就研究了下。

以往许多网页端工具导出的演示文档之所以难以在本地软件中编辑，主要原因在于排版模型的差异。

前端开发常用的 HTML/CSS 属于流式布局，元素尺寸通常依靠内容自适应撑开；而本地演示软件（如 PowerPoint 或 Keynote）的底层是基于绝对坐标系统的二维矢量画布，文本框和图形都具有固定的坐标与宽高。将流式结构强行转换为绝对坐标结构时，文字渲染差异容易导致折行计算错误，进而产生重叠。为了维持视觉外观，部分方案便退化为将内容切片为图片。

PPT Master 采用的处理路径不同：它要求生成的中间代码是受严格规范约束的 SVG。

SVG 与 Office 原生的 DrawingML 在排版逻辑的世界观上更为接近，两者都是基于绝对坐标系统的二维矢量描述方式。SVG 作为标准的文本标记语言，便于模型编写，利于在浏览器中快速预览，也能通过 DOM 解析进行规则检查。

在 SVG 生成完毕后，引擎通过转换逻辑，将 SVG 中的 <text> 文本节点、<rect> 矩形节点和 <path> 路径，对应映射到 DrawingML 的原生文本框与几何形状中，而不是作为整幅图像嵌入。这一机制最终使得生成的文档在本地打开时，保持了 398 个独立可编辑文本框的基础结构。

该底层渲染引擎已开源，感谢原作者 hugohe3 的工作，相关代码可参考 GitHub 仓库：

https://github.com/hugohe3/ppt-master

6/

这次之所以能生成原生可编辑的 PPTX 文件，底层的渲染支持来自开发者 hugohe3 开源的 PPT Master 引擎。该引擎通过代码逻辑处理了从结构定义到原生图形的转换问题。这是开源社区已有的技术方案，并不是我的劳动自研成果。

而我的自研 Agent 的实际价值，体现在将零散的工具与个人知识库连接起来，组织成一条分工明确的执行链路。

在整个制作流程中，自研 Agent 串联了以下协作分工：

  • 接入我的 Obsidian 知识库，研读逐字稿与参考材料，整理出结构化的 30 页提纲，处理了原始素材的版本差异；
  • 由 huashu-design 这个视觉设计的 skill（推荐，最近出了新版）在初期进行视觉探索与多风格推演；
  • 调度 PPT Master 引擎完成代码处理与文档生成；
  • 在文档生成后，执行文字回读比对、对象层级检测以及内容层面的事实审计；
  • 最后，将生成的 PPTX、SVG 源文件、逐页预览图、联系表缩略图，以及配套的 outline.md 和 product-facts.md 整理归档，输出到 Obsidian 的指定目录下。

它承担的是流程编排、规则把控与材料调度的角色，协助理顺了从知识库材料到最终文件的交付路径。

7/

所以，回到标题：AI 做 PPT，现在走到哪一步了？

我这次跑通的是一套以概念阐述、商业推演、架构模型和高反差文字为主的 120 分钟知识分享型幻灯片。

以它为例观测，AI 确已经能够交付一份可以在本地软件中继续编辑的完整初稿。

但它依然需要使用者提供清晰、结构完整的输入材料；在排版方向的判断上，依然依赖人来做出审美与场景决策；初版生成中也依然可能出现长标题溢出等边界问题，需要通过流程中的校验机制来拦截修正。

如果你平时也有制作 PPT 的需求，希望尝试类似的 Agent 辅助方式，可以参考以下 5 点建议：

  1. 先拿真实材料测试：尽量使用手头正在推进的具体工作材料进行尝试，而不是只看通用的示例模版，这样能更准确地检验工具在实际语境下的处理表现。
  2. 提前确认输出格式：在投入大量时间调整之前，先确认导出的文件在本地软件中是否为原生对象，文字与色块能否自由选中并继续修改。
  3. 基于同等内容对比风格，确认样稿后再全量推进：选取包含典型结构的单页或双页材料，对比不同视觉风格；风格确定后，先锁定几页代表性版式，确认符合要求后再铺开制作其余页面。
  4. 在日常使用的本地软件中实际检验：导出后直接打开文档进行编辑操作，检验文字增删时版面结构的稳定性。
  5. 分层验收：将文字信息、视觉版式和数据事实分开检查，避免只关注整体缩略图而忽略局部细节中的事实偏差。

欢迎关注 & 购买我的新书——《前线部署工程师（FDE）》。

跳转微信打开

原文链接：https://mp.weixin.qq.com/s?__biz=MzA4NDk5OTgzMg==&mid=2650596652&idx=1&sn=26a85362bfe26d881f5033855ddca012