用 AI 做 PPT 两个月经验分享——站在巨人的肩膀上

两个月前，我把一份 AI 生成的 PPT 发给同事。

他回了五个字：这个改不了。

我打开一看，标题是图，正文是图，那个我想改的错别字，也是图。二十四页，没有一个能点进去的文本框。

那次之后我才认真琢磨这件事。这两个月我把这条路重新走了一遍，中间换过三套方案、烧掉不少生图额度、也把公司母版做废过一次。这篇就是这两个月的账。

面向完全没做过的人写，所以有些概念我会从头解释一遍。已经熟的可以跳着看图，每张图我都尽量做到脱离正文也能看懂。

图 1｜判断一份 PPT 是不是"真的能改"，有四条硬标准，最快的一条只要三秒

先说结论：分水岭不是好看，是能不能改

先给个能立刻用上的自测方法。

打开那份 PPT，鼠标点一下标题。光标能插进去、能选中单个字，那是真文本框。整块被选中、四周出现图片的控制点，那就是一张图。

三秒钟，比任何评测都准。

往深了说，业界现在判断"真可编辑"有四条标准，我把它们并成一张图放在上面：

第一，每段文字是独立的文本对象，可以选中、可以改字号，而不是画在图上的像素。

第二，每个图形是原生的形状、图表、连接线，而不是一张贴上去的矢量图或者截图。

第三，母版和版式还在。母版这个词后面我会专门解释，你先理解成"PPT 的底图"。

第四，文字有没有溢出，是用真实的字体宽度算出来的，不是靠猜。

四条里最要命的是第一条。整页出一张图塞进 PPT 这种做法，在圈内被明确归为不可编辑；先截个图当背景、再在上面叠一层文本框的，算"部分可编辑"——字能选中，但它是浮在图上的补丁，底下那张图纹丝不动。

我踩的第一个坑：把"生成"当成了全部

一开始我觉得图片式挺好的。

生图模型现在的审美确实比大部分人手搓的强，一句话出一页，视觉冲击力拉满。我拿它做过两版汇报材料，同事看完都说好看。

问题出在第三版。领导要改一个数字。

那一刻我才意识到，我交出去的不是 PPT，是二十四张海报的合订本。改一个数字，等于重画一张图，而重画的那张图和旁边二十三张的构图、光照、字重全对不上。

这不是某个工具的锅。GitHub 上有个四千多星的项目就是纯图片路线，说明书写得明明白白，人家从来没说自己能改。是我自己没分清"生成"和"交付"是两件事。

后来我在另一个项目的 issue 区看到有人专门开需求，标题就叫「图片转可编辑 PPT 做成独立功能」。你看，掉进同一个坑的不止我一个。

图 2｜同一页 PPT，三种做法交出来的东西完全不同：图片式只有一层，网页式压根不是 PPTX

打开 AI 之前，胜负已经定了一半

这一节可能是全文最反直觉的。

新手默认 PPT 是"打开工具开始做"，老手知道 PPT 是"把手上的料摆出来"。做得快不快、好不好，八成取决于你动手之前手里有没有东西。

我一开始的素材库就是个收藏夹。看到好文章存一下，看到好图存一下，两个月存了几百条。真到做 PPT 的时候，我在里面翻了四十分钟，一条都没用上。

原因很简单：收藏的是别人的成品，我需要的是能拆下来用的零件。

后来我把素材库改成了四层。

第一层，原始材料。原文、原图、原始数据，一个字不改地存着。它的唯一职责是可追溯——将来有人问"这个数字哪来的"，你能翻出来。

第二层，结构化笔记。这是最关键的一层，也是大部分人缺的一层。一份材料进来，我会把它拆成三份：一句能当结论用的话、支撑这句话的证据、以及这个概念该长成什么样的图形。拆完各归各位。没拆解过的材料不许进这一层。

第三层，可复用的视觉组件。用过一次觉得好的版式、配色、图表样式，单独存下来。下次遇到同类内容直接调。

第四层，母版和品牌资产。公司模板、字体、Logo 规范。这层最少动，但最不能丢。

判断一条素材该不该进库，我只问一句：将来我会以什么形式把它取出来？答不上来的，就是收藏夹里的又一条尸体。

图 3｜素材库不是文件夹堆文件。判断进不进库，就问一句"将来我怎么把它取出来"

别手搓，已经有人把轮子造好了

这条赛道的成熟度，超出我一开始的想象。

我把 GitHub 上做 PPT 的项目挨个翻了一遍，数据是这两天现查的：最大的一个四万四千多星，还在天天提交；做 Office 文件命令行工具的那个两万七千多星；我最后用上的那套 skill 是四千九百多星。这不是什么冷门方向，是已经卷起来的赛道。

我最后选了两个东西，各管一段。

一个负责做稿和视觉。这是一套开源的 skill，装进本地 agent 就能用，自带十二套视觉主题、一千零二十个版式页面、八千五百七十六个可调控件。你不用懂设计，选个主题，剩下的它铺。生成完可以在浏览器里直接改，改完导出 PPTX。

另一个负责出厂体检和定点修补。是个单文件的命令行工具，不用装 Office 就能读写 .docx、.xlsx、.pptx。它的价值不在生成，在"检查"——一份 PPT 做完了，它能告诉你结构对不对、有没有隐藏的问题、文件本身合不合规范。

这里插一个我搞错的事。我一度以为这个命令行工具是微软官方开源的，还挺放心地装了。后来查了一眼仓库归属，发现根本不是微软，是另一个团队做的，开源协议也不一样。

工具本身没问题，我现在还在用。但这件事提醒我一个习惯：装任何工具之前，花十秒看一眼它的归属和最近一次更新时间。这两个信息能挡掉八成的坑。

图 4｜横轴是产物能不能改，纵轴是项目还活不活跃。挑工具先看右上角

选主题这件事，我建议你直接看图。下面这四套是我用得最多的，风格差别很大，实际感受一下比听我描述有用：

图 5｜十二套主题里的四套内页实拍。一千多个版式的意思是，绝大多数内容你都能找到装得下的格子

反直觉的一步：先画一张"假 PPT"

这一节是我这两个月最大的收获。

新手的流程是：写内容 → 让 AI 出 PPT → 觉得不好看 → 反复调。我卡在这个循环里很久，每次都在调，每次都差点意思。

后来我改了顺序：内容定稿之后、动手做之前，先用生图模型把这一页画出来。

画出来的这张图不能改字、不能编辑，纯粹是一张图。但它不是配图，它是这一页的验收标准。有了它，后面所有工作变成了"照着这张图，用可编辑的对象把它复刻出来"。

差别在哪？

没有这张图的时候，你和 AI 都在猜"好看应该是什么样"，猜的过程就是反复返工。有了这张图，目标从模糊的审美判断变成了明确的复刻任务。而复刻这件事，AI 干得非常好。

我给这张图起名叫锚点稿。它有几个硬性要求：

必须 4K，3840×2160。低了看不清细节，复刻的时候没法对齐。

必须真 16:9。和目标 PPT 同比例，否则复刻出来构图全变。

必须整页画，不是画一个元素。标题在哪、留白多少、几个模块怎么排，都要在这张图里定死。

至于提示词怎么写，我把自己的模板整个拆开放在下面。这套结构我改了十几版，现在稳定在十三段：

图 6｜生图提示词的十三段结构。标红那段是全篇最关键的，下一节专门讲

逐段说明一下，你可以直接照着填：

用途和资产类型。开头就说清楚这是什么，比如"一张信息密度高的 16:9 演示文稿关键页"。别让模型猜。

参考图的角色。如果你给了风格参考图，必须明写"只参考什么、不要复用什么"。我的原话一般是这样：只参考它的底色、光线语言、材质质感和中文字体效果，不要复用它的布局、标签和模块结构。不写这句，模型会把参考图整个抄一遍。

这一页要讲什么。一句话说清，并且要包含"这页必须同时出现哪几个东西"。

场景描述。如果有场景，写清楚。可信、有张力，但别夸张。

版式分区。这段我用百分比切：顶部 14% 放标题，上面三分之二放主流程，下面三分之一放状态图。给具体数字，模型的执行力会好很多。

核心逻辑。这页要表达的硬逻辑写清楚。比如一个状态机，正常路径是什么，超时走哪儿，报错走哪儿，哪个状态不许自动重试。

视觉调性。高级、克制、信息图风格，或者别的什么，说清楚。

配色。这段的关键不是列色号，是给颜色分配语义。我一般这么写：琥珀色代表人的决策权，青绿色代表本地安全动作，珊瑚红只给风险和失败，米白色给文字。分配了语义，模型画出来的图才有逻辑，不是好看的色块。

逐字文案清单。下一节专门讲，全篇最重要的一段。

字体要求。粗体现代中文无衬线，字号要能投影看清，不要小段落正文。

禁止清单。不要 Logo、不要商标、不要编造的数字、不要水印、不要多余文字、不要通用软件仪表盘的样子。这段能挡掉大量翻车。

修正提示词。单独准备一段，专门用来改文字，后面细说。

验收重点。你自己看图时要检查什么，写下来，避免看着好看就通过了。

生图模型写中文必错，得靠锁字

这是我烧掉最多额度才明白的一件事。

生图模型画中文，几乎必错。少笔画、多笔画、生造字、同一句话渲染两遍，什么都有。这不是提示词写得不够好，是模型能力的边界。

我一开始的做法是反复改提示词，把要求写得越来越详细。没用。改到第五版，字还是错的。

正解是在提示词里单独开一段，把图上要出现的每一句中文逐字列出来，并且明确要求每条只渲染一次。

写法大概是这样：

Text (verbatim, render each exactly once):"风突然起来，系统怎么不乱""风险进入""冲突重排""人车机分工""回执对账""UNKNOWN ≠ FAILED""禁止自动重发"

两个细节容易漏掉。

一是必须逐字列，不能概括。写"标题写风险处理流程"没用，得把那七个字原样写出来。

二是必须锁定出现次数。不加"每条只渲染一次"，模型很喜欢把同一句话在图上画两遍，一个在标题位，一个在角落里。

加了这段之后，我的一次成功率从大概三成提到八成以上。剩下那两成，靠下一节的办法收拾。

图 7｜同一段需求，左边没写逐字清单，右边写了。红圈是错字和重复渲染的地方

字错了别重画，发第二轮

剩下那两成怎么办？

新手的本能反应是：图上有个错字，让模型重新生成一张。

千万别。

重新生成意味着模型重新构图。你会得到一张文字对了、但布局变了、光照变了、箭头位置也变了的新图。而你原本只想改两个字。我最惨的一次连改三轮，越改越不像，最后回头去翻第一版。

正确做法是发第二轮，而且这一轮只动文字。

我固定用的修正提示词是这样：

只改文字和标签，保持整个构图、光照、物体、箭头和配色系统不变。允许出现的文字只有以下这些：[把逐字清单原样再贴一遍]每条只渲染一次。删掉其他所有文字。别的什么都不要改。

关键在"别的什么都不要改"这句。它把构图锁死，模型只在文字层动手。

这条经验值多少钱？我算过，按我前期的返工频率，光这一条每个月能省掉几十次无效生成。

图 8｜同一张锚点稿的两轮。中间那步只替换文字，构图、光照、配色全部锁死

锚点稿定下来之后，还有一步别忘了：把它拆解回素材库。

这张图的配色语义、版式分区、信息层级、图形语言，都是你花钱买来的资产。拆下来存进第三层，下次做同类页面直接调，不用从头试。我现在大概攒了三十多套，新页面的锚点稿命中率越来越高。

三条路怎么选：主题、母版、还是重做

锚点稿有了，接下来是把它变成能编辑的 PPT。

这里有三条路，选错了后面全是返工。

第一条，用现成主题。没有公司模板要求，就选一套主题，让它按版式铺。最省事，成品度也够，我自己八成的场合走这条。

第二条，跟随公司母版。有公司模板必须走这条。

第三条，原生重做。现成版式装不下你那张锚点稿的时候走这条，用程序化的方式直接生成 PPT 对象。

先解释母版是什么，因为这是新手最容易吃亏的地方。

你可以把母版理解成 PPT 的底图。所有页面天生带着它的颜色、字体、页眉页脚和 Logo 位置。你在页面上看不到它，但它一直在。公司发给你的那个模板文件，值钱的部分就是这个。

AI 不懂这个。你要是只说"参考这个模板的风格"，它会把母版当成一张普通图片，照着重画一遍。看着像，实际上母版已经没了——你交出去的文件，同事拿回去套自己的页面时全乱。

我做废过一次就是这么废的。

所以指定母版的时候，措辞必须硬。我现在固定这么写：

我有一个公司标准的 PPT 母版文件，你必须把它作为视觉权威。我需要在里面替换内容，但母版的背景、字体、Logo 一个像素都不许动。请走模板跟随流程，不要重建。

对比一下这句错误写法：

你参考这个母版的风格做一下。

"参考"和"跟随"是两个完全不同的指令。前者给了 AI 自由发挥的权限，后者没有。

这里要补一句实话。我用的那套开源 skill，官方版本其实不支持上传公司模板当母版——它们的仓库里，这个需求的 issue 现在还开着。我现在用的母版跟随流程，是我自己在它基础上扩出来的一层，配合那个命令行工具做母版和版式的保留。

所以如果你直接装官方版，别指望开箱就有这条路。要么等它支持，要么走第三条路自己搭，要么在导出后用命令行工具把母版补回去。

图 9｜三个判断节点，三个出口。有公司模板就没得选，必须走中间那条

生成完不算完：出厂体检

PPT 导出来了，很多人到这一步就交付了。

我现在会再走一道。

导出之后，我用那个命令行工具做三件事：读一遍文件的结构统计，扫一遍已知的问题，跑一遍文件格式的合规校验。这三件事全是只读的，几秒钟就完。

如果发现要改字，我不在原文件上改，而是让它另存一个副本。原文件永远保留，这样改坏了随时能退回去。

这一步能捞回来什么？我实际捞到过的：某一页的图片槽是空的（生成的时候漏了）、标题字体和其他页不一致、以及一份文件里混进了两种不同的正文字号。这些用眼睛看很难发现，尤其是二十页以上的稿子。

但这里有个边界，我必须说清楚，这也是我认为全文最该记住的一句话：

能改文件，不等于能保真编辑。

命令行工具能打开文件、能改文字、能读结构，这是真的。但母版、动画、SmartArt、嵌入对象、以及那些你没动过的页面能不能原样保留，是另一件事，需要单独验证。

把"能改文件"直接当成"能保真编辑"来用，是这条路线上最容易出的事故。工具站在出口做体检，不代表它能替代前面的生产环节。

图 10｜体检只读不写，要改字就另存副本。红字那句是整条流水线的边界

让 AI 自己看一眼它做的东西

还有最后一关：视觉检测。

渲染成功不等于好看，更不等于对。页面能打开，只证明它没崩。

我一开始是自己一页页看。二十页看下来眼睛就花了，而且越看越麻木，第十五页之后基本是在走过场。

现在我分成两半。

几何问题交给机器。元素有没有重叠、有没有出界、文字有没有溢出、字号够不够大，这些全是可以算的。业界现在的做法是读真实的字体宽度来算文字会不会撑破框，而不是靠估算——估算会漏掉那些"自动缩小字号"偷偷藏起来的溢出。

审美问题交给人。这一页想说的事说清楚了吗、视觉重心对不对、和上一页的气质连不连贯，这些机器判不了。

中间还有一层，是让多模态模型看图。把每一页导成图片、拼成总览图，让模型逐项核查变形、遮挡、出界、对比度、文字溢出，有问题的页面修完再复检一遍。这一层的价值在于它不会累，第十五页和第一页一样认真。

要提醒一句：别指望多模态模型判几何。它看"两个框有没有重叠"经常看错，这件事该由确定性的程序来做。让它做它擅长的——看气质、看有没有明显不对劲的地方。

图 11｜能算的交给机器，说不清的留给人。中间那层让模型看图，价值在于它不会看到第十五页就累了

顺便说一条排版上的硬规矩，我从那套 skill 里学来的，现在写任何东西都在用：标题默认不加粗。

层级靠字号、颜色、位置和留白建立，不是靠加粗。一份 PPT 里到处是粗体，等于没有重点。同理，也别用缩小字号来塞更多内容——一页装不下就拆成两页，把字缩到十四号以下是在自欺欺人。

把整条流水线串起来

前面拆得很碎，这里合成一张图。

图 12｜从平时吸收到交付回流。每一段下面标的是这一步的产物和卡点

四段，八步。

第一段是平时。吸收材料、拆解、归位。这段不占做 PPT 的时间，但决定了做 PPT 的时间。

第二段是启动。目标、受众、页数、交付格式，动手之前全部定死。这一步我会让 agent 生成一份清单落到文件里，后面所有环节都对着它做，避免做到一半跑偏。

第三段是生产。判路由、冻内容、画锚点稿、装配成可编辑对象。这段最花时间，也最出活。

第四段是收口。机器体检、视觉检测、交付、把这次的资产拆回素材库。最后这个动作最容易被跳过，但它是让下一次更快的唯一原因。

你的第一次：六步跑通

不要一上来就搭完整流水线。先跑通一次，哪怕内容随便。

第一步，装工具。把那套 PPT skill 和那个命令行工具装进你的本地 agent。装完先确认能调起来。

帮我安装 PPT skill 和 officecli，装完各跑一条最简单的命令，确认两个都能在本地调用。

第二步，冻参数。别急着让它做，先让它把这次的目标定下来。

我要做一个关于「季度复盘」的 PPT，受众是部门同事，目的是让他们看懂这季度我们卡在哪。大概十页，最后要能导出可编辑的 PPTX。你先帮我把这些参数冻结成一份清单，再动手。

第三步，画一页锚点稿。先只画封面或者第一页，跑通流程再铺开。

生成一张 4K（3840×2160）真 16:9 的演示文稿关键页视觉稿。版式：顶部 14% 放标题，中间放三个并列模块，底部放一行结论。配色用深蓝底加青色高亮，珊瑚红只用于风险项。 Text (verbatim, render each exactly once)： "季度复盘" "做成了什么" "卡在哪里" "下季度怎么走" 禁止：Logo、商标、编造的数字、水印、多余文字。

第四步，装配成可编辑的。把锚点稿作为视觉基准交给 skill。

把这张锚点稿作为视觉基准，装配成可编辑的 PPTX。文字必须是真文本框，不许把整页当图片贴进去。

第五步，体检。

对这份 PPTX 跑一遍体检：结构统计、问题扫描、格式校验。有要改的地方另存副本，不要覆盖原文件。

第六步，自己看一眼。导成图片翻一遍。这一步别省，机器看不出气质。

跑完这六步，你手里会有一份能交出去、别人能接着改的 PPT。然后再回头看前面那些环节，会顺很多。

最后

这两个月最大的体会，不是 AI 让做 PPT 变快了。

是它把"返工"这件事的成本压下来了。

以前一页不满意，改的是版式、是字号、是配色，动一处牵一片。现在一页不满意，改的是那张锚点稿，改完重新装配一次，两分钟的事。

前面那些看起来很啰嗦的规矩——先画后制、逐字锁文案、只改文字不改构图、体检另存副本——省的都不是第一次的时间，是第二次、第三次的时间。

如果你只从这篇文章里拿走一件事，我希望是那个三秒自测：点一下标题，看光标能不能进去。

进不去的，那不是 PPT。