AI PPT 生成:用三层质量检查 + 用户行为学习实现「生成即交付」

你用 AI 做过 PPT 吗？

如果做过，大概率经历过这几件事：配色跟公司模板对不上、排版均匀得像方格纸、每页信息密度一模一样、图表坐标偏差肉眼可见。你花在改 PPT 的时间可能比 AI 生成的时间还长。

这些问题不是 LLM 能力不行，也不是提示词写得不够好。是系统架构的设计思路有问题。

本文基于几套开源工具（ppt-master、PPTAgent、SlideGenius-AI）的源码分析，整理出三个核心问题及其对应的架构设计思路。如果你在做相关产品，或者正在评估选型，这些内容应该能帮到你。

🔧 问题 1：模板用不对

解法：读懂模板再动手

大多数工具的「支持企业模板」，实际操作是：你上传 .pptx → 提取背景图和 logo → 在这个背景上自由排版内容。

这不是在用模板。这是在模板的皮肤上涂鸦。

打开 PowerPoint，视图→幻灯片母版，你会看到三层结构：母版定义全局视觉语言，版式定义每类页面的骨架，幻灯片只填充具体内容——所有视觉规范从上层继承。

关键在这里：这些规范是用 EMU 单位写死在 XML 里的。「标题字号 44pt」「正文距左边距 0.8 英寸」——这些数字决定了这套模板的视觉 DNA，而不只是背景图长什么样。

正确的做法，不是训练更大的模型，而是把 .pptx 拆开，读里面的规范。

.pptx 本质上是个 ZIP 包，核心 XML 在三个目录：

• ppt/slideMasters/    — 母版定义（全局视觉语言）
• ppt/slideLayouts/ — 版式定义（每类页面的骨架）
• ppt/theme/ — 主题定义（配色、字体方案）

开源项目 PPT Master 的 pptx_template_import.py是目前最完整的实现：输入一个 .pptx 模板，输出三组结构化数据：

• manifest.json — 版式元数据（占位符位置、字号、字体的精确约束）
• svg/ — 每层渲染并标注占位符引导线
• assets/ — 可复用资源

拿到 manifest.json 之后，系统就知道了：「封面标题要放在 (x=457200, y=274638)，宽度 8229600 EMU，用微软雅黑 Light 44pt。」——这不是估算，也不是猜测，这是模板里硬性规定好的约束条件。

📚 问题 2：生成的内容空洞

解法：给 LLM 准备好素材再让它组装

大多数工具的交互逻辑是：用户输入一个主题 → LLM 立刻从头写到尾。

对于简单汇报还行，一旦遇到技术分享、行业分析这类知识密集型场景，输出的东西往往比较泛泛。

为什么？因为 LLM 最擅长的事情不是无中生有，而是根据已有信息进行提取、重组、提炼。给它足够多且质量过关的参考资料，整理出来的效果远好于让它凭空编。

所以正确的做法，不是只让用户提供一个 Topic，而是接入三条素材管线：

• 个人知识库：
  本地散落各处的 PDF、Word、Obsidian 笔记、飞书/腾讯文档、网页收藏、会议录音转写稿
• 联网搜索：
  最新行业数据、竞品动态、技术博客、政策变化
• 结构化数据源：
  公司 BI 报表、Excel 数据表、内部数据库 API 接口

这三类来源格式不同，需要先统一转成 Markdown，再进入检索环节。

检索策略方面，推荐知识图谱 + 全文检索的混合召回：图谱解决关联问题（PPT 的内容不是孤立的），全文索引解决精确查找（「Q3 营收是多少」这种查询）。联网搜索作为补充通道，填补知识库的时间差。

执行顺序：图谱召回 → 全文精排 → AI 组织语言 → 注入 prompt。

🔍 问题 3：生成完就完事，质量没保障

解法：三层检查 + 用户行为学习

当前大多数 AI PPT 工具，生成完就完事。没有质量检查，没有迭代闭环。

正确的系统必须有三层质量检查：

第一层：规则检查（自动化，零 token）

• 文字是否超出占位符边界
• 颜色是否匹配主题色板
• 字号是否符合字体层级

第二层：视觉检查（半自动化）

程序能算出指标，但阈值靠人定。比如词数可以自动统计，但「80词算多还是少」取决于企业场景；坐标偏差能精确到像素，但「偏5px能不能接受」因项目而异。初始阈值由人设定，后续通过用户修改行为自动调优，逐步减少人工介入。

• 页面节奏（连续密集页不超过 3 页）
• 信息密度（单页词数 > 80 需要拆分）
• 图表坐标精确度

 第三层：语义检查（AI 驱动）

• 大纲逻辑链是否完整
• 每页标题是否准确概括该页内容
• 数据页的结论是否被数据支撑

迭代闭环：发现问题 → 自动修正 → 再检查 → 直到通过。不是「生成即交付」，是「检查通过后才交付」。

比自我检查更进一层：系统从每次使用中学习，越用越好。

五个学习机制：

1. 用户修改行为记录
   — 用户上传修改后的 .pptx，系统逐页逐元素对比新旧差异（字号、颜色、位置、文本），再用 LLM 提炼修改意图。规则抓差异，AI 推意图，两者串联才是完整的修改记录。
2. 用户偏好画像
   — 从历史修改构建偏好（视觉、结构、内容），下次生成时自动注入，不用每次重复指定。
3. 模板版式统计与调优
   — 记录每种版式的使用频率和被修改次数，长期运行后系统对企业模板的理解超过大多数人类用户。
4. 隐式反馈 + 显式评分
   — 是否保存了生成的 PPT（保存 = 满意）、用户主动打分，两种信号结合比单一信号可靠得多。
5. 知识库动态调权
   — 用户采纳的素材调高权重，删掉的降低权重，知识库从静态存储变成动态演进的知识网络。

进化路径：

每次用户修改 → 记录修改行为 → 下次生成时注入偏好画像

长期运行后 → 模板版式统计调优 → 对企业模板的理解超过大多数人类用户

知识库动态调权 → 素材采纳率持续提升 → 系统越用越懂用户需要什么

✍️ 写在最后

做一个能真正交付的 AI PPT 系统，核心就三件事：

1. 读懂模板：
   把 .pptx 拆成 XML 看清楚规范，不猜测，只读取。
2. 接好素材管线：
   个人知识库 + 联网搜索 + 结构化数据，让 LLM 从素材中组装而不是从零编造。
3.  建好闭环：
   三层质量检查 + 用户行为学习，生成完不是终点，是下一次更好的起点。

三件事都不需要什么前沿技术。难点在于愿意把工程投入花在这些「不性感」的地方，而不是模型换新、参数调优。

🎯关注「鱼生」的公众号，一起探讨智能体开发！