告别传统做PPT,我用 AI Agent 搭了一条 PPT 生产线
- 2026-06-23 13:36:40
思路路线：痛点（为什么）→ 理念（怎么想）→ 流程（怎么做）→ 技术（凭什么）→ 效果（值不值）→ 坑（要注意什么）→ 工具（怎么复用）→ 展望（未来怎样）
一、做 PPT 的痛，谁懂？
传统ppt困境循环基本上是这样的：
找模板（30分钟）→ 改模板（1小时）→ 填内容（2小时）→ 调格式（1小时）→ 被打回重做（无限循环）会写内容的人不会设计，会设计的人不懂业务。两边对着 PPT 互相嫌弃，效率极低。
后来我试着用 AI Agent 来解决这个问题。前期翻了不少开源 PPT skill 和方法论——sandun Bento Grid 卡片系统、huashu、guizangPPT skill、ppt-master 本地生产框架——拼拼凑凑，最后跑通了一套 7 步流程。
二、先丑后美
大多数人做 PPT 的第一件事是找模板。我以前也这样。但这恰恰是最浪费时间的做法——模板选错了，后面全是返工。
这套流程的底层逻辑很简单：先把内容做对，再做好看。具体拆成三个阶段：
后面流程里的 Phase A（大纲）、Phase B（策划稿）、Phase C（设计稿）就是按这个顺序来的。
三、完整流程：七步出 PPT
┌─────────────────────────────────────────────────────────────┐│ 需求调研--叙事大纲 → JSON大纲 → SVG策划稿 → 画布预览 → 选风格 ││ → 渲染设计稿 → 导出PPTX ││ ││ 每个阶段之间都有【确认门】，人工审核后才继续 │└─────────────────────────────────────────────────────────────┘
Step 1: 需求调研
先把资料堆在一起：产品文档、销售材料、客户案例、竞品分析。然后搞清楚三件事：
产物是一份 Markdown 格式的需求大纲。
这一步最重要的是定叙事逻辑。我们用的是金字塔原理——结论先行、以上统下、归类分组、逻辑递进——把每一页分配到叙事线里的一个具体任务上。
MD 大纲是给人看的，团队可以直接编辑。
JSON 大纲是给机器吃的
带
layout_hint、narrative_task、evidence这些字段，后续渲染引擎直接消费。流程上先写 MD 确认方向，确认后转 JSON。
【需求确认门】：展示大纲给用户，确认章节结构、内容方向、受众目标后再继续。
Step 2: 生成 JSON 大纲
使用 outline-architect skill，输入资料和需求，输出结构化大纲。
每一页的 JSON 结构：
{ "title": "单体大模型无法支撑复杂业务的执行闭环", "narrative_task": "让听众意识到单体大模型存在根本性的能力缺陷", "evidence": [ "多数 Agent 只能在简单场景下实现单轮对话（来源：Gartner 2024）", "复杂任务的执行仍需大量人工干预（来源：内部测试数据）" ], "layout_hint": "three-column"}几条硬规则，踩过坑才总结出来的：
• 标题必须是行动判断句，不是名词堆砌。"失控的 AI 基建正在吞噬预算" 而不是 "AI 基建现状概述" • narrative_task写的是听众心理变化，不是作者意图。"让听众意识到…" 而不是 "介绍…"• evidence至少 2 条，必须标注来源，不编造数据• layout_hint指定布局类型（three-column / left-text-right-visual / center-hero 等），AI 根据这个选卡片组合
Step 3: 渲染 SVG 策划稿
用 sandun-ppt skill（Phase B）逐页渲染 SVG 策划稿。
为什么用 Bento Grid 卡片系统？因为"在左边放一段文字，右边放一张图"这种指令对 AI 来说太模糊了——它会给你无数种可能，每次都不一样。卡片式布局把设计决策压缩成三个问题：放几个卡片？每个多大？里面放什么？AI 从预定义的布局组合里选就行，输出稳定多了。
Bento Grid 布局规则（画布 1280x720）：
策划稿故意做得很"丑"：浅灰背景 #F5F5F5，白色卡片 + 浅灰描边 #E0E0E0，圆角 rx=12，深灰标题 #1A1A1A，中灰正文 #4A4A4A。不许加渐变、光效、毛玻璃、深色主题、装饰性图形。这一步的目的是验证内容和结构，不是做设计——好看的事后面再说。
Step 4: 画布预览与批注
把 SVG 全部上传到 cowart 画布（基于 tldraw 5.1.1 的无限画布插件）。
画布解决的问题很直接：
产物就是一组带批注的策划稿 SVG。哪里不对，直接在画布上标出来。
【策划确认门】：在画布上逐页过一遍布局、信息完整性、卡片逻辑，确认了再往下走。
Step 5: 选风格
到这一步，策划稿还是一堆灰色方块。接下来要给它穿衣服。
我们前期扒了不少开源 PPT skill 的设计系统，拼出了一个 80+ 种预设的风格库：
温度分类：大胆、中性、安静
风格库不是按"好看不好看"分类，而是按温度——视觉冲击力的强弱：
场景速查表
按受众 × 内容类型快速定位风格方向：
两种选风格的方式
方式一：从风格库选择
使用 style-selector skill，AI 根据受众、内容类型和品牌调性，从风格库中推荐 3 个差异化方向。差异维度：
推荐的 3 个方向会故意拉开差异：一个稳妥底盘、一个反差方向、一个大胆尝试。不然你给用户三个蓝色商务风，他也不知道选哪个。
方式二：参考资料反推
给 AI 看一份已有的 PPT 或品牌手册，让它逆向提取设计 token（色值、字体、间距、材质、光效规则），自动生成 design.md。
提取完成后还能归纳到风格库，变成一个新的可复用预设。
这种方式特别适合：客户有品牌规范但没有 PPT 模板、或者看到某个竞品的 PPT 想要类似风格。
输出：design.md
不管哪种方式，最后都输出一份 design.md，里面写清楚这套 PPT 长什么样：
色值和字体用结构化数据，渲染引擎直接读。材质和情绪用自然语言描述——AI 理解"冷白顶光、半透明玻璃质感"比理解一串枚举值好得多。
Step 6: 渲染设计稿
用 sandun-ppt skill（Phase C）。逻辑很简单：JSON 大纲提供内容，design.md 提供视觉规范，两个拼一起就能渲染。
具体做的事：
• 加载 design.md，把策划稿的灰色替换成品牌色• 加上渐变、光效、材质 • 图片槽位用 prompt-enhanceskill 增强提示词，然后生成 AI 配图• 输出最终 SVG
卡片布局和内容结构不动，只换皮肤。骨架在 Phase B 已经定了。
【预览确认门】：在画布上审查视觉效果和品牌一致性，过了再导出。
Step 7: 导出 PPTX
试过两条导出路径：
方式一：原生可编辑 PPTX（推荐）
用 ppt-master 的 svg_to_pptx 转换器。它把 SVG 里的 <text> 元素解析为 DrawingML 原生文本框，导出后文字可以直接双击编辑。
转换对照表：
<text><tspan> | <a:txBody> |
<rect> | <a:prstGeom> |
<path> | <a:custGeom> |
<image> |
有个坑：SVG 中的文字必须用 <text> + <tspan>，不能用 <foreignObject>——那个会变成截图，文字没法编辑。
方式二：图片版 PPTX（兜底）
用 pptx-exporter skill，每页 SVG 截图嵌入 PPTX。视觉 100% 保真，但文字不可编辑。赶时间、不需要二次修改的时候用这个。
四、几个核心技术要点
Bento Grid：为什么用卡片不用自由排版
试过让 AI 自由排版，出来的东西每次都不一样，根本没法稳定输出。卡片就不一样：
卡片1（宽 600px）+ 卡片2（宽 600px）= 两栏布局卡片1（宽 1200px）= 单一焦点卡片1（宽 400px）× 3 = 三栏并排每个卡片有明确的边界、间距（至少 20px）、圆角。AI 只管三件事：放几个卡片、每个多大、里面放什么。决策空间小了，输出就稳了。
堆叠模型
每一页 PPT 由 5 层从底到顶堆叠：
L0 底色 + 网格 ──── 纯色背景（#F4F8FF）+ 极淡网格线L1 Outfill 铺底图 ─ 全幅 AI 生成背景图L1.5 可读性蒙层 ──── 半透明白色蒙层，确保文字可读L2 Bento Grid 卡片 ─ 内容卡片层L3 文字层 ────────── 标题、正文、数据不是每一页都需要所有层。信息密集型页面直接 L0 + L2 + L3；视觉冲击型页面走 L0 + L1 + L1.5 + L3。
Outfill 铺底图模式
不是每页都适合卡片。有的页面就需要一张大背景图加叠文字，做出沉浸效果。怎么选：
图片提示词差异：
• 卡片内嵌图：「内容居中填满，1:1 构图」 • 铺底图：「整体偏浅偏亮，上方/中央 40% 保持低对比度，供文字叠加」
prompt-enhance：提示词改写---出好图的方法
AI 生图最大的问题是提示词太模糊。这个 skill 做的事就是把模糊的描述改写成能出好图的提示词。六个方法：
GPT-Image-2-Studio 里已经内置了：输入提示词，开"提示词增强"开关，GPT-4o 自动改写，改完直接交给 gpt-image-2 生图。一键搞定。
画布预览
做 PPT 最烦的事之一是"看不到全局"。一页页翻，改了第 5 页不知道第 12 页是不是也要改。
cowart 画布（基于 tldraw）把所有页铺在一个无限画布上。23 页一屏可见，结构问题、重复问题、节奏问题一眼就能发现。配合 AI sidebar，选中几页一起改也行。
五、效果展示
耗时对比
| 总计 | 16 小时 | 2 小时 |
质量上的区别
传统方式靠个人审美，容易出"套模板感"，内容和设计绑在一起，改一处动全身。这套流程的好处是每层独立——改内容不影响设计，换风格不动结构。
六、经验教训
最大的教训：别跟 AI 一起瞎转圈
前期浪费了不少时间。自己想方案、自己写 prompt、自己跑效果，做了几轮发现思路全是错的。后来才学会先做 Deep Research——看别人怎么做的，再决定自己的路线。这一步能省掉 80% 的弯路。
调研工具推荐：
• Grok：实时技术动态和趋势数据
做对了什么
1. 内容先行。大纲阶段花的时间越多，后面返工越少 2. 用 Bento Grid 卡片系统约束 AI 输出，不然每次排版都不一样 3. cowart 画布预览，所有页铺开一屏看，迭代快了很多 4. 每个阶段加确认门，AI 跑偏了能及时拉回来 5. 每一步都沉淀成 skill，下次做 PPT 不用从零开始
三个确认门
确认门是整套流程里最值得保留的设计。AI 生成速度很快，但方向错了，越快越浪费。
Anti-Slop 检查清单
AI 生成的内容有个通病：看起来像那么回事，细看全是空话。我们在每一步都嵌了质量检查，最后归纳成几条硬规则：
1. 标题必须是行动判断句。"失控的 AI 基建正在吞噬预算"，不是 "AI 基建现状概述" 2. 证据必须标注来源。不编造数据 3. 不用"赋能""助力"这类词。用具体动词，说清到底做了什么 4. 叙事写听众心理变化。"让听众意识到…" 而不是 "介绍…" 5. 章节内页面要有逻辑递进，不是并列罗列
七、暴力出图模式
除了完整 7 步流程，还有一个更简单直接的暴力模式——跳过策划稿和画布预览，直接从大纲拼设计稿：
JSON 大纲 + design.md → Codex 直接拼带设计效果的大图 → 画布上调皮肤 → 导出 PPTX它省掉了中间的策划稿渲染和画布批注，把 Phase B 和 Phase C 压缩成一步。适用于：
• 时间紧，需要快速出效果 • 内容已经非常确定，不需要反复修改 • 重点是视觉冲击，不是内容逻辑推敲
风险：消耗多token，内容和设计混在一起，改内容要重做设计；跳过了策划确认门，大纲有逻辑问题时发现成本更高、
实际项目中，建议先用暴力模式快速出一版效果图给客户看方向，确认后再走完整流程做最终版。
八、用到的 Skill
| outline-architect | ||
| sandun-ppt | ||
| style-selector | ||
| prompt-enhance | ||
| bento-slide-renderer | ||
| pptx-exporter | ||
九、工具清单
十、展望
• 打通端到端自动化管线，从需求到 PPTX 一键完成 • 画布预览升级为 Review Canvas，以 Lovart 形式扩展——支持 AI sidebar 批量操作、多人实时批注和审核 • 跨格式输出，同一套内容输出 PPT / 视频脚本 / 演讲稿 / 一页纸 • 风格库持续扩充，从当前 80+ 种覆盖更多垂直行业（医疗、法律、地产等） • 动画和转场支持，SVG 带动画标签直接导出到 PPTX
但说到底，再好的生产线也救不了空洞的内容。AI 能帮你做得更快、更好看，"说什么"和"为什么说"还是得人来想。这一点大概不会变。
