PART 01 · 概念
Agent：会自己干活的AI
普通AI对话就是这样：你问一句，它答一句。你想要一个PPT？它给你一段文字大纲，然后你自己去PowerPoint里排版。
Agent反过来了。你告诉它"帮我做一套关于新能源政策的8页PPT"，它会自己规划步骤、调用工具、生成文件、检查结果。中间大部分环节你不用插手。
普通AI对话 你：帮我写个PPT大纲AI：好的，这是大纲...你：然后呢？AI：你自己去PPT里排版吧 → 你还得干80%的活 | | AI Agent 你：帮我做套新能源PPTAgent：我来规划步骤...生成蓝图 → 扫描文字 →写代码 → 生成PPTX → 渲染检查→ 交付可编辑文件 → 你只需要确认和提意见 |
说白了，Agent = AI大脑 + 工具双手 + 自主规划。它能自己决定"用什么工具""按什么顺序""怎么检查"，像雇了一个数字员工。
在这个PPT项目里，Agent做的事情包括：
1. 理解需求：分析PPT主题，规划8页的内容结构
2. 调用ImageGen：用AI图像生成模型，画出每页的设计蓝图
3. 精准扫描：逐像素扫描蓝图中的文字，提取位置、大小、颜色
4. 写代码生成：用PptxGenJS编写脚本，生成可编辑PPTX
5. 渲染检查：调用PowerPoint渲染成图片，跟蓝图并排对比
6. 迭代修复：发现差异，自己改代码，重新生成再验证
这些步骤全部由Agent自主完成。你要做的事很简单：在几个关键节点看一眼，说"这页可以"或者"标题再大一点"。
PART 02 · 选模型
不同任务，用不同的"大脑"
很多人以为AI就是"一个模型干所有事"。在这个PPT项目里，Agent实际上调用了三种不同的AI模型，各有各的活：
① GPT ImageGen：AI的"设计师"
做PPT最难的地方其实不是写文字，是设计。配色、布局、图表样式、视觉层次，这些东西没有标准答案，靠审美和经验。大多数人卡在这里。
ImageGen解决的就是这个问题。你描述需求，它生成一张完整的PPT页面设计图。这项目里8页PPT的视觉方案全部由它生成。
实际用法：告诉ImageGen"生成一页关于绿色氢能产能数据的PPT设计图，深蓝色系，左侧表格右侧柱状图，底部四张卡片"。它直接给你一张能用的设计图。
GPT ImageGen生成的PPT蓝图，相当于AI出的设计稿
② GPT5.5：AI的"工程师"
蓝图有了，但它是图片，不可编辑。下一步是把图片变成真正的PPTX文件。这需要写代码，需要理解布局逻辑，需要精确的坐标计算。
GPT5.5负责这部分。它分析蓝图中的元素分布，算像素到英寸的坐标转换，写PptxGenJS脚本，生成可编辑的PPTX。
// GPT5.5生成的代码片段 const pptx = new PptxGenJS(); pptx.defineLayout({ name: "16x9", width: 13.333, height: 7.5 }); const slide = pptx.addSlide(); // 标题，完全可编辑的文本框 slide.addText("第42号令推动", { x: 0.48, y: 0.28, w: 9.57, h: 0.60, fontSize: 28, bold: true, color: "012E5C" }); // 柱状图，原生可编辑图表 slide.addChart(pptx.ChartType.bar, data, opts); pptx.writeFile({ fileName: "slide.pptx" });
这段代码不是我写的。GPT5.5看了蓝图之后，自己算出坐标、自己写出来的。说实话第一次看到的时候我有点惊讶。
③ 视觉模型：AI的"质检员"
生成PPTX后，怎么知道它像不像蓝图？Agent调用视觉模型，把PPTX渲染成PNG，跟原图并排对比，逐区域检查差异。
左边是ImageGen蓝图，右边是PPTX渲染结果。视觉模型自动对比差异
选模型的原则：看任务
| | 🧠 要推理和写代码 选GPT5.5类模型逻辑和代码能力强 | | |
给初学者的建议
别纠结"哪个模型最好"。换个问法："我这个任务需要什么能力？"需要画图就找ImageGen，需要写代码就找GPT5.5，需要看图就找视觉模型。Agent会帮你自动调度，你不用操心选哪个。
PART 03 · 用Skills
Skills：给Agent装上"专业插件"
大模型是Agent的大脑，但光有大脑不够。还得给它专业知识和操作工具。这就是Skills。
什么是Skills？
打个比方：你雇了一个聪明的大学生，智商很高但没做过PPT。你给他一本《PPT制作标准操作手册》，他看完就知道该怎么做了。Skills就是这本手册。
每个Skill里装着一套标准操作流程、专业规则、代码模板和素材资源。Agent加载Skill后，就拥有了那个领域的专业能力。
| | |
| "帮我做PPT"+ 加载cyber-ppt Skill→ 按标准流程生成→ 质量可控 | Skill提供了：三阶段流程、坐标转换规则质量检查标准、11000+图标库 |
本项目用了哪些Skills？
1. cyber-ppt：PPT制作全流程技能包
三阶段流程（分析→蓝图→生成），含坐标转换规则、排版标准、图标库（11000+图标）、质量检查脚本
2. image-to-editable-ppt：图片转可编辑PPT
将图片或扫描PPT重建为对象级可编辑的PPTX，支持元素提取和文字分离
3. pptx-render-compare：渲染对比
将PPTX渲染为PNG，跟参考图并排对比，生成像素差异报告
4. pptx-generator：PPTX生成器
JSON驱动，11种幻灯片类型，5套配色，支持图表、表格、时间线、图片
怎么用？四步
| 发现：找到你需要的Skill 在Agent对话中直接说"帮我做PPT"，Agent会自动搜索可用的Skills。也可以手动搜关键词，比如"PPT""文档""图片处理"。 比如输入"帮我从蓝图生成可编辑PPT"，Agent自动找到 cyber-ppt 和 image-to-editable-ppt |
| 安装：一键加载 找到合适的Skill后，确认安装就行。Skill会自动加载到Agent环境里，规则、脚本、素材全包。 安装后Agent说"Skill已加载"，就可以开始用了 |
| 使用：告诉Agent"做什么" 装好Skill后，你不需要学Skill的内部结构。用自然语言说你的需求就行，Agent按Skill定义的流程自动跑。 你：用cyber-ppt skill， 从蓝图生成PPT，逐页生成供我预览 Agent：好的，按照cyber-ppt的三阶段流程执行： Phase 1: 分析蓝图内容 → 锁定文字和组件 Phase 2: 生成设计蓝图 → 确认视觉方案 Phase 3: 生成可编辑PPTX → 逐页交付 开始执行 Phase 1... 你不需要知道"Phase 1"是什么。Agent按Skill流程自动走 |
| 反馈：在关键节点确认 Skill流程里有确认门。Agent干完一个阶段会暂停，等你点头了再继续。这是质量控制的设计。 比如第1页PPT生成后，Agent暂停。你预览一下，说"基本可接受"，它就继续生成第2页 |
实际执行流程
真实对话记录（简化版）
第一轮：提需求
用cyber-ppt skill从蓝图生成PPT，逐页生成供我预览
Agent：好的。已加载cyber-ppt Skill。检测到8页蓝图。按Phase 3流程逐页生成。先从第1页开始...
第二轮：Agent自主执行
Agent：第1页完成了。生成蓝图重建计划 → 文字扫描（46行）→ 元素清单（15项）→ 图标选择（5个tabler-outline）→ PptxGenJS代码生成 → PowerPoint渲染 → 并排对比图。请预览。
交付物：slide-01.pptx + 渲染图 + 对比图
第三轮：用户确认
基本可接受，单独生成第2页，以后每页都单独生成
Agent：好的，slide-01确认通过。开始生成slide-02...
就这三轮对话。中间Agent自己完成了几十个操作步骤：读文件、写JSON、选图标、写代码、调PowerPoint、生成对比图。我要做的就是在几个节点看一眼，说"可以"或者"改一下"。
Agent生成的PPTX渲染效果。所有文字可编辑，所有形状可调整
10个月宝宝每天需要喝多少奶粉？
