.pptx') print('done') " ``` 外部真实图片页的正确 PPTX 结构应是： - 第 1 层：`images/slide-XX.png` 作为整页背景图（包含模型生成的背景和文字）。 - 第 2 层：`source` 指向的真实图片作为独立 PPT picture object，按 `slide_spec` 坐标贴在背景上，可在 PowerPoint 里选中、拖动、缩放。 ### 模板克隆模式（Codex 原生路径）你自己就是多模态 agent——直接 `Read` 模板每页 PNG 抽取视觉风格，写成 `template_profile.json`（schema 见 `template_analyzer.py` 里的 `TemplateProfile`，每个 layout 写上 `reference_image`），然后按上面流程出图时把对应模板页作为 reference image 传给 `image_generation` tool。 **不需要配 `VISION_*`**——你就是 vision。 ### 与下面「--backend codex」的区别 | | 原生路径（本节） | --backend codex | |---|---|---| | 适用场景 | **你就是** Codex agent | 你是 Claude Code / 其他 agent，借用本机 codex CLI | | 调用方式 | 直接调 `image_generation` tool | spawn `codex exec --full-auto` 子进程 | | 出图层数 | 1 层 | 2 层（agent → python → codex exec） | | 速度 | 几秒/张 | 30-60s/张 | | 可靠性 | tool 参数精确 | 自然语言 relay，偶发失败 | | 需要 API Key | 不需要 | 不需要 | --- ## 可选：走 codex CLI 出图（--backend codex，非 Codex caller 用） > **如果你就是 Codex agent，不要走这条路——用上一节的「原生路径」代替。** 当你用 Claude Code / OpenClaw / 其他 agent 运行本 skill，但本机装了 codex CLI 且已登录（`codex login`），可以借用它的凭据出图，省掉配 `OPENAI_API_KEY`： ```bash python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md --backend codex ``` 默认后端仍是 `openai`（直调 API，快、并发稳、每页 3-10s）。`--backend codex` 是逃生口，适合"只跑 1-2 张图试水、不想配 key"的场景。 **Tradeoffs**： - ✅ 不需要在本 skill 配 `OPENAI_API_KEY` - ⚠️ 慢：每页多一层 agent loop，单页 30-60s+，10 页可能 5-10 分钟 - ⚠️ 计费不变：gpt-image-2 是按图计费，不在 ChatGPT 订阅内，codex 只是代你刷额度 - ⚠️ 可控性差：aspect_ratio / quality / reference_image 靠自然语言指令让 codex 转发，偶发失败相关 env（都可选）： ```bash CODEX_CMD="codex exec --full-auto" # 覆盖 codex 调用方式（默认这串） CODEX_IMAGE_MODEL=gpt-image-2 # 传给 codex 的目标模型 CODEX_TIMEOUT_SECS=900 # 单页超时 GPT_IMAGE_BACKEND=codex # 不想每次敲 --backend 就设这个 ``` 模板克隆的 vision 分析同理——当 caller agent 自己是多模态时（Claude Code / 多模态 codex），可以直接 `Read` 模板 PNG 抽取风格，不用配 `VISION_*`；只有 caller agent 是纯文本模型时才需要外挂 vision provider。 ## 生成流程（指定风格） **先 md 后 json**：md 给人看、方便 diff / review / 改文案；json 由 md 派生，喂给 `generate_ppt.py`，标为 generated，不手改。 1. 用户给一份大纲 / 已有的 slides_plan.json；如果用户只给常见场景和主题，先按上方“场景 recipes”选择一个 `examples/<id>/` 作为结构参考 2. Agent 按下面 md 规范写一份新的 `slides_plan.md`，与用户确认文案： ````markdown --- title: MediWise Health Suite 商业计划书 --- ## 1. [cover] MediWise Health Suite 副标题：家庭健康管理智能平台年份：2026 ## 2. [content] 市场痛点：健康管理的两类割裂痛点一：高频无深度 ... ## 6. [data] 效率对比：使用 MediWise 前后 ... ```` - h2 格式：`## N. [page_type, layout=layout-05] 本页标题行` - `N.` 可省（按出现顺序自动编号）；`[page_type]` 可省（默认 `content`）；`layout=` 只在模板克隆模式需要 - `page_type`: `cover` / `agenda` / `section` / `content` / `data` / `quote` / `closing` / `other` - h2 标题行 → json 里 `content` 的第一行；下面的正文 → 正文 3. 用户 OK 后，转 json： ```bash python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json ``` 4. 选风格：从 `styles/` 里挑一个，对应 `styles/<id>.md`；如果使用了 recipe，优先采用 `recipe.md` / frontmatter 里的 `recommended_style`，需要视觉预览时先看 `docs/distilled-styles.md` 5. **构造 slide_spec**（Agent 步骤）：读 `styles/<id>.md` 的视觉规范，为 `slides_plan.json` 每页构造 `slide_spec`（每个元素的 type、content、position、style），写入每页的 `slide_spec` 字段。格式见下方"指哪改哪"章节 6. 调脚本： ```bash python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md ``` 7. 产物在 `<cwd>/outputs/<timestamp>/`： - `images/slide-XX.png` -- 每页 PNG（16:9，1536x864） - `prompts.json` -- 每页用到的完整 prompt（便于复盘 / 二次微调） - `metadata.json` -- slide_spec 版本历史（支持精确编辑和回滚） - `<title>.pptx` -- 16:9 PPTX；默认背景与文字是整页图片，通过 `external_image` 放入的真实图片会作为独立 PPT 图片对象叠加 ## 可编辑模式（默认关闭）普通模式仍优先保证 gpt-image-2 的整页审美，输出背景和文字为整页图片。只有用户明确要求“可编辑 PPTX / 文字可以改 / 元素可拆 / 图片可移动 / 原生形状”时，才启用可编辑模式；不要根据内容类型自行默认开启。 ### 核心原则 **不要禁止 gpt-image-2 在初始视觉稿中生成标题、正文、数字、表格、Logo 或关键图表。** 模型仍先生成完整成品页，以保留整体构图、材质、光效和文字与视觉之间的关系；可编辑模式是生成后的重建步骤。 ### 效果优先与轮次控制可编辑模式以最终视觉效果和对象级可编辑质量为首要目标，不强制单轮完成；但必须区分低成本检查轮次与高成本生成轮次： - **检查轮次可以多轮**：scene schema、字体可用性、文字溢出、对象越界、图片比例、黑白底边缘、对象移动、PPTX 回渲染和人工看图都可以重复执行，不因追求少轮而跳过。 - **生成轮次逐级升级**：优先调整字体、坐标、裁切、圆角、层级等确定性参数；其次走 A1 原像素提取和 A2 遮挡补全；再只对失败的复杂素材做 B AI 分离/重生成；只有整体构图、视觉层级或风格明显不合格时，才允许重生整页。 - **局部问题只修局部**：一个图层、一个文本框或一个槽位失败时，不得默认重新生成已经通过检查的其它内容。 - **每轮保留当前最佳版本**：在 `quality-report.json` 记录本轮问题、修复范围、所用路由和结果；新版本没有带来可见提升时停止，不要为了“多试一次”让版式随机漂移。 - **真实素材仍以保真为先**：Logo、产品 UI、医学影像、论文图表、财务数据和证据截图不得为了减少轮次而改走 AI 重绘。推荐顺序： ```text 完整视觉稿 / 用户参考图 -> 一次性 scene 规划与对象分层 -> 原生对象重建 + A1/A2 素材处理 -> 多轮低成本预检与回渲染 -> 仅对失败范围做局部修复或 B 路由 -> 只有结构性失败才重生整页 -> 选择历史最佳版本交付 ``` ### 可编辑模式的回渲染前置检查（必须）可编辑 PPTX 必须能被重新渲染成图片，供多模态 agent 逐页读取并人工验收；要求与模板克隆模式相同。**在跑任何 `--editable` 命令之前，必须先检查本机是否有可执行的 PPTX 渲染后端：** ```bash python3 scripts/render_template.py --check ``` - Windows：PowerPoint COM > LibreOffice - macOS：Keynote AppleScript > LibreOffice - Linux / 兼容层：实际可执行的 LibreOffice / `soffice` 不能只检查文件路径或安装包是否存在，必须以 `--check`、PowerPoint COM 启动、Keynote AppleScript 探测或 `libreoffice --version` 的实际结果为准。鸿蒙、Termux、容器和特殊架构同样不得假设 LibreOffice 可运行。如果没有可用后端，停止可编辑模式并告知用户安装 PowerPoint、Keynote 或 LibreOffice；不得生成一个未经回渲染检查的 `-editable.pptx` 并声称成功。安装方式与上方“模板克隆模式”的渲染后端说明相同。 `generate_ppt.py --editable` 会在开始生成前执行同等预检；构建完成后自动把 `-editable.pptx` 回渲染到 `<session>/editable_renders/page-XX.png`。agent 必须逐页读取这些 PNG，检查字体替换、换行、对象错位、边缘和视觉差异。纯文本 agent 无法完成这一步时，必须明确要求用户或另一个多模态 agent 看图验收，不能把自动报告当作人工验收。用户明确要求可编辑时，agent 必须： 1. 先运行 `python3 scripts/render_template.py --check`，确认回渲染后端真实可用； 2. 正常完成 `slides_plan.md` → `slides_plan.json` 和单页视觉冒烟； 3. 保存每页完整视觉稿为 `visual-master`； 4. 为每页建立 `slide-XX.scene.json`、clean plate、独立素材和质检证据； 5. 调用显式的 `--editable` 模式； 6. 读取 `<session>/editable_renders/page-XX.png` 逐页人工检查，不能只看自动报告。 ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --style styles/dark-aurora.md \ --editable \ --editable-scenes editable_scenes/ ``` - `--editable` 默认关闭；未传时，现有生成、编辑、回滚和普通 PPTX 打包行为不变。 - `--editable-scenes` 指向包含 `slide-01.scene.json`、`slide-02.scene.json` 等文件的目录。 - 省略 `--editable-scenes` 时，会尝试 `<session>/editable_scenes/`。 - CLI 会在生成前拒绝不可用的回渲染环境，并在构建后自动生成 `<session>/editable_renders/page-XX.png`。 - scene 缺页、素材丢失或格式错误时，**不得静默**退化成整页图片并声称可编辑；应保留普通 PPTX 和中间证据，然后明确失败。 - 成功时同时保留 `<title>.pptx` 和 `<title>-editable.pptx`。 ### Scene 元素每个 scene 使用真实像素画布坐标，至少声明 `slide_number`、`canvas`、`clean_plate` 和按 `z_index` 排序的 `elements`。支持： | type | 用途 | | --- | --- | | `native_text` | 标题、正文、日期、数字、标签、徽章文字；输出 PowerPoint 原生文本框 | | `image_layer` | 照片、主视觉、插画、复杂纹理和无法合理转成 shape 的对象；输出独立图片层 | | `native_shape` | 矩形、圆角矩形、圆、五角星和线条；输出原生 PowerPoint shape | | `connector` | 架构图、流程图的直线连接线和箭头 | scene 中的路径优先写相对于 scene JSON 的相对路径，便于示例和 session 整体移动。完整示例见 `examples/editable-pptx/case05-summer-poster/slide-01.scene.json`。 ### 重叠素材的 A1 → A2 → B 路由 1. **A1 原像素直接提取（默认）**：轮廓完整、遮挡少、边缘干净时直接从完整视觉稿提取。多个彼此重叠的素材默认作为一个连接组合层提取，不强行拆成残缺对象。 2. **A2 原像素 + 遮挡补全**：保留可见原像素，对对象背面或对象移走后暴露的 clean plate 做补全。 3. **B AI 分离或重生成**：仅当 A1/A2 的毛发、毛绒、半透明、玻璃、白色主体、复杂水彩边缘或遮挡补全效果不合格，或用户明确要求设计模式时启用。不要因为 B 更方便就跳过 A1。每次升级必须在 `quality-report.json` 记录原因。Case 05 的毛绒角色、白色冰淇淋与水彩云混合，A1/A2 边缘不稳定，因此使用 B 生成单色键背景的组合素材，再本地去背景。 ### Clean plate 与页面类型 - 保存 `visual-master.png`，不要覆盖原始成品页。 - 文字和独立图片对象必须从 `clean-plate.png` 中移除；移动对象后不能露出第二份相同对象。 - API edit 只能在显式 repair mask 内合成，mask 外像素必须锁定。 - 简单渐变、霓虹光带、纯色卡片可使用确定性插值；出现幽灵字、色块、暗圆或明显补丁时必须拒绝。 - 数据页把标题、标签和数字分别建立 `native_text`，不要把整张数据卡当成不可编辑截图。 - 架构图、流程图和规则信息图优先重建为 `native_shape` + `native_text` + `connector`，不要仅在截图上覆盖文字。 ### 交付门槛每页至少保留： ```text editable/slide-XX/ ├── visual-master.png ├── clean-plate.png ├── repair-mask.png # 使用局部修复时 ├── layers/*.png ├── edge-check-white.png # 有透明图片层时 ├── edge-check-black.png └── quality-report.json ``` 交付前必须检查：scene schema、PPTX 对象名称与数量、mask 外像素变化、黑/白底边缘、文字修改、图片移动、`editable_renders/page-XX.png` 以及人工视觉效果。初始报告状态为 `rendered_pending_manual_review`；只有多模态 agent 或用户逐页目测后才能判定通过。向用户报告普通 PPTX、`-editable.pptx`、输出目录和 `editable_renders/` 路径，并说明哪些视觉仍作为独立图片层存在。 ## 外部真实图片贴入（推荐精确流程）默认规则：用户提供真实图时，优先按原图保真后贴，不要让 `gpt-image-2` 重画这张图。使用 `slide_spec` 声明外部图片槽位：这套流程只在元素声明了 `type: "external_image"` / `image_overlay` / `external_image_placeholder` 且 `source` 能解析到真实本地图片文件时启用。没有真实图片 source 的普通生成、模板克隆、纯占位布局和老的自由风格生成不受影响。如果用户明确说“更重视画面融合效果，不需要一定贴原图 / 可以重绘 / 可以图生图”，可以走参考图模式：把图片作为 generation reference 输入给模型，而不是最终独立后贴。此时版面通常更融合，但不保证像素级保真，PPT 里也不会有可单独选中的原图对象。参考图模式可用 `type: "image_reference"`，或在 `external_image` 上显式写 `render_mode: "reference"` / `preserve_original: false`： ```json { "elements": { "mood_reference": { "type": "image_reference", "source": "/absolute/path/to/photo.png", "purpose": "只作为视觉参考，允许模型融合重绘，不作为独立 PPT 图片对象后贴" } } } ``` 不要对高精度素材使用参考图重绘：医疗影像、病理图、诊断依据、实验/工程读数、财务表格、论文图表、法律证据截图、产品 UI 精确截图等都应默认走 `external_image` 保真后贴，并在交付前提示用户核对。 ```json { "elements": { "hero_photo": { "type": "external_image", "source": "/absolute/path/to/photo.png", "layout_intent": "auto", "tailor_to_asset": true, "slot_strategy": "fit-within", "fit": "contain", "slot": { "padding": 0.012, "bleed": 0, "fill": "#F7F7F5", "mask_placeholder": false, "sanitize_background": false, "draw_frame": false, "outline_width": 0, "skeleton_canvas_fill": "transparent", "skeleton_fill": "transparent", "skeleton_shape": "corners", "skeleton_outline": "#000000", "skeleton_outline_width": 2, "skeleton_ticks": false } } } } ``` 生成时脚本会自动做四件事： 1. **先规划槽位，再生成 skeleton**。脚本会优先读取模板 profile 里的 `external_image_slots`，或根据模板摘要推断“左图右文 / 右图左文 / 底部图表 / 中央主视觉”等候选区域；然后结合本页文字量、标题长度、真实图片数量、真实图片宽高比和素材分类（照片 / 图表 / 文档 / 架构图等）打分选位，先产出 `position` / `computed_bbox` / `auto_layout_reason` / `layout_planning_profile`。skeleton 只是把这个规划结果画给模型看，不负责临时想位置。 2. 读取 `source` 真实图片尺寸。如果声明了 `tailor_to_asset: true` 或 `slot_strategy: "fit-within"`，脚本会把 `position` 当作“可用区域”，按真实图片宽高比在其中计算 `computed_bbox`；这个 bbox 会同时用于 prompt、骨架参考图和最终 PPTX 贴图。这样不是生成后再临时缩放，而是在 `gpt-image-2` 出图前就量体裁衣。 3. 在 `outputs/<timestamp>/references/slide-XX-asset-skeleton.png` 生成一张透明画布的角标骨架参考图，把最终真实图会覆盖的 `final_image_rect_px` 标出来，并作为 reference image 传给 `gpt-image-2`。这只用于引导模型不要把关键信息放进该区域；**每页只调用一次 `gpt-image-2`，不是先生成一张再用骨架二次重生。** 4. 打包 PPTX 时，按同一个 bbox 用 `python-pptx` 把 `source` 指向的真实图片作为独立图片对象贴入。默认不画额外框，也不铺遮罩；也不会默认清理 `gpt-image-2` 生成图。真实图片不应被合成进 `images/slide-XX.png`，否则用户无法在 PPT 里单独拖动。如果生成后发现真实图片槽位压到大面积文字或图形，优先按下面两种方式处理： 1. **预生成前微调槽位**：改 `slide_spec.elements.<id>.position`（或 `anchor` / `padding`），让真实素材移动到更干净的区域，再重新生成该页。只要槽位位置变了，就必须重新生成背景；不要只在 PPTX 里移动最终图片，否则背景内容仍可能压住新位置。 2. **二次版式修复**：当第一页整体风格已经满意，只是局部内容压入槽位时，用 `--edit SLIDE --external-slot-repair`。该模式会同时把当前页和新的 `asset-skeleton` 作为 reference image 传入，要求模型保持原风格但重排文字/图形，让槽位空出来。示例：把真实图区域右移并重排当前页： ```bash python3 scripts/generate_ppt.py \ --session outputs/20260529_120000 \ --edit 3 \ --external-slot-repair \ --element-updates '{"hero_photo":{"position":[0.60,0.16,0.32,0.60],"anchor":"center"}}' ``` 同时，每个包含外部真实图片的页面都会在 `outputs/<timestamp>/external_image_trace/slide-XX/` 记录完整中间链路： - `step1-real-on-blank.png`：把真实图片按最终坐标和大小先贴到空白页上，用来确认“真实图最终应该出现在这里”。 - `step2-reference-outline-blank.png`：去掉真实图片，只保留给 `gpt-image-2` 的角标定位参考图；默认透明画布，不铺白底。定位区域使用 `final_image_rect_px`，也就是最终真实图实际会覆盖的像素矩形，而不是外层 slot。这张图同时会复制到 `references/slide-XX-asset-skeleton.png` 并作为 image reference 输入。 - `step3-generated-background.png`：`gpt-image-2` 根据 step2 reference 生成的背景图，尚未贴入真实图片。 - `step3-image2-raw.png` / `step3-sanitized-background.png`：只有显式设置 `sanitize_background: true` 时才会出现，用于兜底清理模型已经画出的占位块；默认不启用。 - `step4-final-overlay-preview.png`：在 step3 上按 step1 同一坐标贴回真实图片的预览图，用来和 PPTX 最终效果对照。 - `manifest.json`：记录每个外部图片的 `source`、`slot_bbox_norm`、`inner_rect_norm`、`reference_rect_px`、`final_image_rect_px`、padding、bleed、素材尺寸和比例。关键原则： - reference skeleton 负责“告诉模型哪里不要放关键信息”，不是要求模型画白色空框。 - 模板克隆 / `--template-strict` 与外部真实图片槽位同时存在时，生成阶段会同时传入两张 reference：模板页用于学习风格，`asset-skeleton` 用于标记后贴图片覆盖区；不要二选一，否则模型只看模板页时不会知道最终图片位置。 - 外部真实图片页不能简单堆叠“模板照片/图片区 prompt”和“留空 prompt”。构造 prompt 前必须先消解冲突：模板只提供配色、字体、网格、节奏和装饰语言；模板里的照片区、图片框、全幅图、裁切图等都视为已被真实图片槽位替代。 - 构造 `slide_spec` 时，`position` 不能随便选，也不要默认固定右侧。模板克隆模式下，优先让模板 profile 提供 `external_image_slots`，或从模板布局摘要推断候选图片区，再根据本页文字量、真实图片数量、真实图片比例和页面类型打分：文字多时优先保证标题/正文阅读区；图片多或比例极端时优先用模板原有分栏/上下布局；无法共存时减少装饰和假视觉主体，而不是让真实图压内容。 - 推荐先写 `layout_intent: "auto"`，不手写 `position`。脚本会读取模板候选槽位、真实图尺寸、文字量、图片数量和比例来选择位置，写入 `position` / `computed_bbox` / `auto_layout_reason`；只有自动规划不理想时才用人工 `position` 覆盖。 - 使用 `layout_intent: "auto"` 时，`slide_spec.layout` 尽量写清图片区方向和结构，例如"左文右图 / right image / right landscape photo / 底部图片 / portrait rail"。自动规划会优先从这些方向性描述和模板候选槽位推断真实图区域；描述过泛时，重文本页可能退化到保守的小图槽位。 - `position` 默认可作为“允许使用的区域”；`computed_bbox` 才是脚本算出的最终真实图片槽位。 - 如果你想完全固定坐标，不要量体裁衣，直接写 `bbox`，或设置 `slot_strategy: "exact"` / `tailor_to_asset: false`。 - 最终精度由 `python-pptx` 坐标保证，不由模型画框保证。 - `skeleton_outline_width` 只控制给模型看的骨架参考图；`outline_width` / `draw_frame` 才控制最终 PPT 里是否出现可见框。 - prompt 中不写归一化坐标；位置通过透明角标 reference 图控制，避免模型错误解释数值坐标，也避免闭合框被理解成真实图片框。 - `skeleton_canvas_fill` / `skeleton_fill` / `skeleton_outline` / `skeleton_outline_width` / `skeleton_shape` 只影响参考骨架图。默认 `skeleton_canvas_fill: "transparent"` 且 `skeleton_shape: "corners"`，只在 `final_image_rect_px` 四角画短角标，不画闭合矩形、不铺白底，避免模型把 reference 理解成真实图片框或白色占位块。需要旧行为时显式设 `skeleton_shape: "outline"`。 - `sanitize_background` / `mask_placeholder` 不是推荐路径；它们只适合清掉极轻微的占位痕迹，不适合解决文字或图形大面积压住槽位的问题。遇到压内容，按“微调槽位并重生”或“二次版式修复”处理。 - 默认最终不画外框、不插入任何底色矩形，只贴真实图片；`mask_placeholder` 会被忽略，避免在真实图下方产生可拖动白底。只有显式设置 `draw_frame: true` 且 `outline_width > 0` 时，才会额外画无填充边框。 - 推荐默认：`tailor_to_asset: true` + `slot_strategy: "fit-within"` + `fit: "contain"` + 少量 `padding`。这会完整保留原图，并让骨架图从一开始就是按素材比例预留的。 - `fit: "contain"` 保留完整图片；`fit: "cover"` 会居中裁剪图片来铺满槽位。 - 如果要“严丝合缝”无白边，使用 `fit: "cover"`、`padding: 0`、`outline_width: 0`，并设置很小的 `bleed`（例如 `0.0015`-`0.003`）让图片比槽位多铺出约 1-3px，抵消 PowerPoint / Quick Look 渲染取整和抗锯齿缝隙。 - 如果想“预留一点但不要莫名空隙”，不要靠后期 `contain` 硬塞进一个比例不匹配的大框；应使用 `fit-within` 先算好比例匹配的槽位，再用很小的 `padding` 做设计留白。 - 交付前必须抽查 `external_image_trace/slide-XX/manifest.json`：重点看 `final_image_rect_px` 是否符合视觉预期，`auto_layout_reason` 是否选中了正确的左右/上下区域。若横图被算成小缩略图、竖图过窄或位置压内容，先补清楚 `slide_spec.layout` 的方向意图，或显式设置 `position`，再重新生成该页背景并重新打包 PPTX。整体原理图保存于 `docs/external_image_overlay_logic.txt`；修改外部真实图片链路时，先对照这张图确认顺序仍是“模板/页面/素材画像 -> 候选槽位打分 -> 透明 skeleton -> 背景生成 -> 后贴真实图 -> 质检/有限修复”。 ## 生成流程（模板克隆） 1. **拿到模板 .pptx**（用户提供 / 内部模板库 / 网络下载） 2. **（可选）先单独渲染并人工挑选**----大模板（>15 页）建议先 `python3 scripts/render_template.py xxx.pptx`，再从 `template_renders/<stem>/` 里挑 8-12 张代表页复制到 `template_renders/<stem>_curated/`，供 vision 分析。页数越精，layout 命中越准 3. **生成 slides_plan.md → 转 slides_plan.json**（见指定风格流程第 2-3 步）。每页 `slide_number` / `page_type` (`cover` / `agenda` / `section` / `content` / `data` / `quote` / `closing` / `other`) / `content`；想精准对位时在 h2 里加 `layout=layout-NN`（NN = 模板第 N 页 / 你期望对应的模板页编号） 4. **出图冒烟**。API 直连 / 非 Codex 原生路径跑 `generate_ppt.py`： ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --template-pptx xxx.pptx \ --template-images template_renders/xxx_curated \ --template-strict --slides 1 ``` 如果当前 agent 自己是多模态模型，也可以先看模板 PNG 写出 `template_profile.json`，再这样跑，完全不需要 `VISION_*`： ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --template-profile template_profile.json \ --template-strict --slides 1 ``` 先 `--slides 1` 出封面冒烟，效果 OK 再跑全量。如果当前 agent 就是带原生出图能力的 Codex，不要用上面的 `generate_ppt.py` 命令负责出图；先生成 / 读取 `template_profile.json`，再按“Codex 原生路径”直接调当前会话的图片生成 tool 输出第 1 页 PNG，用户确认后再生成全量页面并打包。 5. **告知用户产物路径** ### 模板页面挑选 / 复用原则 **核心原则：尽量做到 1 page : 1 layout**----同一份 deck 里每个 slide 用不同的模板页作 reference，观众会觉得每页都是新内容；如果同一个独特 layout 出现 2-3 次，观众下意识会想"为什么又是这页"。 vision 分析时会给每个 layout 标 `reuse_friendly`： TemplateProfile 每个 layout 除了 `id` / `page_type` / `summary` / `json_schema` / `reference_image`，还会尽量保存： - `visual_signature`：这页最明显的视觉差异点，例如"右图左文"、"编号时间线"、"三卡片网格"。 - `content_capacity`：适合承载的信息密度，避免把长文塞进强视觉页。 - `best_for` / `avoid_for`：适合或不适合的内容结构。 - `variation_tags`：英文短标签，用来帮助比较和错开 layout 形态。生成时会用 `assign_layouts()` 优先分配未使用 layout；即使 plan 没有手写 `slide_spec`，命中的模板 layout 也会以精简版 `template_layout_profile` 写进 `metadata.json`，便于后续编辑、贴图槽位规划和复盘。 | reuse_friendly | 典型 layout | 多次使用的代价 | | --- | --- | --- | | `false`（不可复用，(!) 强警告） | 封面、3 个具名角色插画页、独特场景图（雪山/广播塔/复古收音机）、5 步骤 zigzag 各步独有图标、novelty 数据中央装置 | 视觉重复非常明显，观众会困惑 | | `true`（可复用，但仍建议错开，(i) 弱提示） | 纯文字、卡片网格、通用列表、章节小节标题 | 不致命，但平白浪费模板里的其它好版式 | Agent 在搭 plan 时的执行策略： 1. **优先把模板里 N 个不同 layout 分配给 N 页 slide**（N 不够就在 SKILL 里看 reuse_friendly=true 的部分挑能复用的） 2. **如果 plan 里某页内容结构非常相似（比如多个"5 步骤流程"），先尝试改写内容用不同 layout 表达**（4 步骤 + 5 步骤分别用不同流程页），而不是同一个 zigzag 用两次 3. **冒烟跑完后，看 `Layout 复用检测` 那段输出**：(!) 必须改，(i) 看情况改；改 plan 里相应 slide 的 `layout_id` 即可 4. **看完 profile JSON 选 layout**：`cat <cwd>/template_cache/<sha256>.json | jq '.layouts[] | {id, page_type, reuse_friendly, visual_signature, content_capacity, summary}'`；如果是多模态 agent 自己生成的 `template_profile.json`，就读取那个文件。 `generate_ppt.py` 在派发任务前会自动跑一次复用检测，把警告打到终端，不阻塞执行。 ## Skill 调用规范当用户说"做一份 PPT" / "生成幻灯片"时： 1. **先问三件事**（不要直接动手）： - 内容 / 页数 / 观众是谁？ - 风格偏好？按 `styles/` 和 `docs/distilled-styles.md` 的场景类目映射推荐 1-2 个；**或者用户上传自己的 .pptx 模板**（走 `--template-pptx`，自动渲染） - 是否需要单页测试一张图先看效果（API 直连用 `--slides 1`；Codex 原生路径直接生成第 1 页 PNG） 2. **先写 slides_plan.md** 给用户确认文案（md 是 source of truth，人审阅友好） 3. **转 slides_plan.json**：`python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json`（json 标为 generated，不手改；要改文案回到 md 改再转） 4. **构造 slide_spec**（Agent 步骤）：读 `styles/<id>.md` 了解视觉规范，然后为 `slides_plan.json` 每页构造 `slide_spec`，写入每页的 `slide_spec` 字段（格式见"指哪改哪"章节）。这一步让后续修改能精确到每个元素 5. **出图冒烟**： - API 直连 / 非 Codex 原生路径：跑 `generate_ppt.py --slides 1` 出封面冒烟，效果 OK 再跑全量 - 当前 agent 就是带原生出图能力的 Codex：按上方“Codex 原生路径”直接调当前会话的 `image_generation` tool 生成 `outputs/<timestamp>/images/slide-01.png`；不要用 `generate_ppt.py --backend codex` 6. **告知用户产物路径**，产物在 `outputs/<timestamp>/`，`<title>.pptx` 可直接打开 ### 面向用户的表达规范对普通用户汇报时，默认不要解释 `slide_spec`、`metadata.json`、`element-updates`、JSON Schema、pytest 命令等内部实现，除非用户明确问技术细节。用户最关心的是： 1. 做出来的 PPT 是否好看、能不能直接用。 2. 哪些场景稳定，哪些场景需要人工验收。 3. 是否只改了指定页 / 指定内容。 4. 最终输出目录和 PPTX 文件在哪里。 5. 当前不足是什么，例如背景/文字仍是整页图片、数字小字需复核；真实 logo/产品图需提供素材，才能作为独立图片对象放入。如果需要介绍修改能力，优先引用 `docs/edit_guide.md` 的场景分级、before / after 案例和当前不足，不要把实现链路放在用户前面。当用户说"改第 X 页的 XX"时： 1. **找到 session**：先用 `--list-sessions` 列出现有 session，确定要编辑的是哪个 2. **读 metadata.json**：查看对应 slide 的 slide_spec，找到目标元素 3. **确认修改内容**：告知用户当前内容，询问新内容 4. **构造编辑指令**：用 `--element-updates` 指定要改的元素和新内容 5. **执行 --edit**：`python3 scripts/generate_ppt.py --edit X --session <ts> --element-updates '{"elem_id": {"content": "new"}}'` 6. **告知结果**：新版本已生成，PPTX 已更新 ## 仅生成部分页 ```bash python3 scripts/generate_ppt.py --plan my_plan.json --style styles/dark-aurora.md --slides 1,3,5 ``` 跑过的页有同名 PNG 时会自动跳过，方便逐页迭代。 ## "指哪改哪" PPT 编辑工作流本节只保留 agent 执行所需信息；完整结构、版本链和数据安全细节见 `docs/workflow.md`。向普通用户解释能力时看 `docs/edit_guide.md`。 ### 生成时的结构化要求生成新 PPT 时，agent 应为每页写入简洁的 `slide_spec`，方便后续按标题、副标题、卡片、指标等元素精确修改。最低要求： - `layout`: 一句话描述版式 - `elements`: 语义化元素字典 - 常用元素 ID：`title`、`subtitle`、`card_1`、`card_2`、`metric_1`、`date_line`、`footer` - 元素字段优先写 `type`、`content` 或 `heading/body`、`position`、`style`、`color` 不要为了追求完整而写很长的 spec；能让后续定位和编辑即可。 ### 修改已有幻灯片 1. 用 `--list-sessions` 找到目标 session。 2. 读目标 session 的 `metadata.json`，定位页号和元素 ID。 3. 如果用户没给新内容，先问一句“当前是 X，要改成什么？” 4. 用 `--element-updates` 描述修改；需要更强约束时加 `--edit-instruction`，明确“其他内容、布局、配色不要动”。 5. 执行 `--edit` 后检查目标页图片，重建后的 PPTX 会同步更新。常用命令： ```bash python3 scripts/generate_ppt.py \ --edit 3 \ --session 20240523_143052 \ --element-updates '{"subtitle": {"content": "医疗数据碎片化"}}' \ --edit-instruction "将副标题从'健康管理的两类割裂'改为'医疗数据碎片化'" python3 scripts/generate_ppt.py \ --edit 3 \ --session 20240523_143052 \ --edit-prompt "在参考图基础上，只修改标题下方副标题的文字，从'健康管理的两类割裂'改为'医疗数据碎片化'，保持位置、字体、颜色、大小完全不变。" \ --element-updates '{"subtitle": {"content": "医疗数据碎片化"}}' ``` ### 外部 PPTX 摄取后修改外部 PPTX 可先摄取为图片 session，再由多模态 agent 看图补齐每页的 `slide_spec`。没有补 spec 前，不要承诺“精确改某个对象”。 ```bash python3 scripts/generate_ppt.py --ingest-pptx path/to/deck.pptx python3 scripts/generate_ppt.py --ingest-pptx path/to/deck.pptx --session my_deck_2024 ``` ### 回滚和 session 列表 ```bash python3 scripts/generate_ppt.py \ --rollback 3 \ --to-version 1 \ --session 20240523_143052 python3 scripts/generate_ppt.py --list-sessions ``` ## 文件结构 ``` gpt-image2-ppt-skills/ |---- SKILL.md # 本文件（Claude Code skill 入口） |---- AGENTS.md # codex / aider / cursor 等 agent 的薄索引，指向本文件 |---- README.md # 项目说明 |---- scripts/ # 所有 Python 脚本 | |---- generate_ppt.py # 主入口（CLI） | |---- md_to_plan.py # slides_plan.md -> slides_plan.json 转换器（CLI） | |---- render_template.py # PPTX -> 每页 PNG 的辅助脚本（CLI + library） | |---- image_generator.py # gpt-image-2 wrapper（支持 reference image，openai backend） | |---- codex_backend.py # 可选：走 codex CLI 出图（--backend codex） | \---- template_analyzer.py # PPT 模板剖析器（vision + 缓存） |---- styles/ # 所有可用风格，每个 .md 对应一个 style id | |---- gradient-glass.md dark-aurora.md | |---- clean-tech-blue.md risograph.md | |---- vector-illustration.md japanese-wabi.md | |---- editorial-mono.md swiss-grid.md | |---- hand-sketch.md y2k-chrome.md |---- examples/ # 场景 recipes：常见 PPT 的 slides_plan.md 起步模板 | |---- product-launch/ investor-pitch/ | |---- weekly-report/ courseware/ | |---- thesis-defense/ book-sharing/ |---- docs/README.en.md # 英文 README |---- install_as_skill.sh # 一键安装到 agent skills 目录 |---- requirements.txt # requests + python-dotenv + python-pptx + jsonschema + pymupdf \---- .env.example ``` 调用时产生的运行时目录都在 `<cwd>` 下： ``` <your-project>/ |---- template_renders/<stem>/page-NN.png # PPTX 渲染（render_template.py） |---- template_cache/<sha256>.json # 外挂 vision 风格分析缓存（纯文本 agent 路径） |---- template_profile.json # 多模态 agent 可手写/生成的模板 profile（可选） \---- outputs/<timestamp>/ # 每次生成产物 ``` ## License Apache License 2.0.

--- name: gpt-image2-ppt description: Generate visually striking PPT slides via OpenAI's gpt-image-2 -- use any style in styles/.md or mimic a user-supplied .pptx template; outputs high-res slide PNGs and a 16:9 .pptx. Use when the user asks to make a presentation, slides, deck, pitch deck, investor PPT, magazine-style PPT, or 做一份 PPT / 生成幻灯片 / 用 gpt-image 生成 PPT / 按这个模板生成 PPT. --- # gpt-image2-ppt -- 用 gpt-image-2 生成 PPT 把一份 markdown 大纲（或 `slides_plan.json`）+ 一种视觉风格，直接喂给 OpenAI 官方 Images API（`gpt-image-2`），逐页出图，最后打包成 16:9 .pptx。 ## 可用风格 | 风格 ID | 一句话定位 | 适用场景 | | --- | --- | --- | | `gradient-glass` | Apple Vision OS / Spatial Glass | AI 产品发布、技术分享、创意提案 | | `clean-tech-blue` | Stripe / Linear 级蓝白 | 融资路演、商业计划书、企业战略 | | `vector-illustration` | 复古矢量插画 + 黑描边 | 教育培训、品牌故事、社区分享 | | `editorial-mono` | Kinfolk / Monocle 编辑设计 | 品牌发布、文化访谈、读书分享 | | `dark-aurora` | Linear / Vercel 深色霓虹 | AI 产品、开发者工具、技术分享 | | `risograph` | Riso 双套色印刷 + 网点纹理 | 创意工作室、文创品牌、独立 zine | | `japanese-wabi` | 无印 / 原研哉式侘寂 | 茶道、生活方式、奢侈品、文化讲座 | | `swiss-grid` | Bauhaus / Vignelli 国际主义网格 | 学术报告、博物馆展陈、严肃汇报 | | `hand-sketch` | Sketchnote / 白板手绘 | 工作坊、产品 brainstorming、培训 | | `y2k-chrome` | Y2K 千禧液态金属 + 蝴蝶贴纸 | 潮牌、文娱、品牌联名、Z 世代营销 | | `abstract-art-showcase` | 黑白极简、艺术展览感、超大字体和抽象画面并置 | 艺术策展、作品集、品牌调性展示 | | `coal-industry-business-company-profile` | 工业棕黑、粗重标题、结构线和硬朗图标 | 能源、制造业、重资产公司介绍 | | `college-candy-aesthetics-infographics` | 糖果色、校园感、圆润信息图和轻快装饰 | 教育、校园活动、轻量数据科普 | | `creative-agency` | 创意机构气质、强视觉拼贴、鲜明版式节奏 | Agency 提案、品牌方案、创意汇报 | | `culinary-innovation` | 餐饮创新感、食材摄影、暖色块和杂志式排版 | 餐饮品牌、食品创新、菜单/新品发布 | | `data-science-consulting` | 数据咨询蓝灰、模块化布局、图表和技术感信息层级 | 数据分析、AI 咨询、企业数字化 | | `mindfulness-in-the-classroom-breathing-techniques` | 柔和心理健康配色、留白、圆角块和安静插画感 | 心理健康、课堂活动、呼吸训练课程 | | `mind-maps-workshop-professional` | 专业工作坊风、思维导图节点、清晰流程结构 | 培训工作坊、方法论、团队共创 | | `meeting-agenda` | 会议议程感、干净网格、强信息分组和商务标题 | 例会、项目同步、管理层汇报 | | `investment-company-business-plan` | 投资机构质感、深浅对比、稳重商务版式 | 投资计划、基金介绍、商业计划书 | | `indigenous-cultures` | 文化纹样、自然色、手工质感和叙事型构图 | 文化课程、历史主题、公益教育 | | `health-disparities-and-social-determinants-of-health-doctor-of-philosophy-phd-in-health-behavior-and-health-education` | 公共健康学术风、理性网格、柔和医疗色和论文感层级 | 医学论文答辩、公共健康报告、教育研究 | | `geometric-duotone-thesis` | 双色几何、论文答辩感、斜切图形和强标题 | 学术答辩、研究报告、章节型内容 | | `geometric-clinical-case` | 几何医疗风、冷静配色、病例卡片和清晰分栏 | 临床病例、医疗培训、诊疗汇报 | | `geometric-business` | 商务几何块、稳健蓝绿调、简洁图表语言 | 商业计划、团队汇报、产品策略 | | `formal-lavender-portfolio` | 淡紫正式感、作品集留白、优雅细线和柔和版式 | 个人作品集、设计简历、专业展示 | | `flowery` | 花卉装饰、柔和色块、浪漫但有秩序的排版 | 生活方式、女性品牌、活动介绍 | | `first-impressions` | 第一印象主题、强封面视觉、人物/标题的戏剧化关系 | 面试培训、个人品牌、沟通课程 | | `final-year-project-thesis-defense` | 毕业设计答辩、学院派网格、清晰章节与数据页 | 毕业答辩、项目结题、研究展示 | | `fashion-business-consulting-toolkit-aesthetic` | 时尚咨询感、高级拼贴、杂志排版和中性色 | 时尚商业、品牌咨询、趋势报告 | | `economic-impact-of-coronavirus` | 经济影响报告风、严肃信息图、冷静色彩和数据叙事 | 宏观经济、政策分析、风险报告 | | `eco-green-business-plan` | 鼠尾草绿、自然材质摄影、环保商务与极简分屏 | 可持续商业、环保品牌、健康生活方式 | 所有可用风格都统一放在 `styles/` 下，使用方式完全相同。需要查看风格封面展示时，读取 `docs/distilled-styles.md`。 > 风格选择原则：先根据内容场景在 `styles/` 里选择最贴近的一套。技术类可优先看 `dark-aurora` / `gradient-glass` / `data-science-consulting`，商务类可优先看 `clean-tech-blue` / `editorial-mono` / `eco-green-business-plan` / `investment-company-business-plan`，文化生活类可优先看 `japanese-wabi` / `vector-illustration` / `culinary-innovation` / `flowery`，学术类可优先看 `swiss-grid` / `geometric-duotone-thesis` / `final-year-project-thesis-defense`，工作坊与培训类可优先看 `hand-sketch` / `mind-maps-workshop-professional` / `mindfulness-in-the-classroom-breathing-techniques`。 ## 场景 recipes（可选起步模板） `examples/` 不是新的 skill，也不是运行时必须输入；它是当前 skill 的场景起步模板库，用来在用户只给出模糊需求时，帮助 agent 更快写出第一版 `slides_plan.md`。触发规则： - 用户已经提供完整大纲 / 完整 `slides_plan.md` / 完整 `slides_plan.json` 时，不要套 recipe，直接按用户内容走生成流程。 - 用户只说“做一份产品发布 PPT / 融资路演 / 周报 / 课程课件 / 论文答辩 / 读书分享”等常见场景，且没有给清晰页结构时，先查看 `examples/` 是否有匹配 recipe。 - recipe 只作为结构参考：读取 `examples//recipe.md` 了解场景、推荐风格和注意事项，再参考 `examples//slides_plan.md` 的页序结构，改写成用户自己的主题与内容。 - 不要把示例里的虚构产品、公司、项目、数据直接当成用户成品；必须替换为用户提供的信息，或明确标注为占位内容并等待用户确认。 - 如果用户给了真实图片、logo、截图、论文图表或产品 UI，仍按“外部真实图片贴入”规则处理；recipe 只负责内容结构，不替代素材保真流程。当前内置 recipes： | 用户场景 | recipe 目录 | 推荐风格 | | --- | --- | --- | | 产品发布、新功能发布、AI 产品介绍 | `examples/product-launch/` | `gradient-glass` | | 融资路演、商业计划书、投资人汇报 | `examples/investor-pitch/` | `clean-tech-blue` | | 项目周报、月报、例会同步 | `examples/weekly-report/` | `meeting-agenda` | | 课程课件、培训、知识科普 | `examples/courseware/` | `vector-illustration` | | 论文答辩、毕设答辩、结题展示 | `examples/thesis-defense/` | `final-year-project-thesis-defense` | | 读书分享、文化访谈、观点分享 | `examples/book-sharing/` | `editorial-mono` | 使用方式： 1. 判断用户需求是否命中某个 recipe。 2. 读取对应 `recipe.md` 和 `slides_plan.md`。 3. 基于用户主题改写一份新的 `slides_plan.md`，不要直接改 recipe 源文件。 4. 与用户确认页数、每页标题和关键内容。 5. 用户确认后再执行 `md_to_plan.py` 转 json，并继续下面的指定风格或模板克隆流程。 ### 内置风格的 layout bank sidecar（推荐新格式）内置风格采用“MD 给人看，JSON 给机器用”的双文件结构： ```text styles/.md # 风格说明、设计令牌、基础提示词 styles/.layouts.json # 可选；每页 layout bank，供自动分配页面形态 ``` 当 `--style styles/.md` 存在同名 `.layouts.json` 时，`generate_ppt.py` 会自动把它作为无 reference image 的 TemplateProfile 使用：优先通过 `assign_layouts()` 分配不同 layout，把 `visual_signature` / `content_capacity` / `best_for` / `avoid_for` / `variation_tags` 写入 prompt，并把命中的 layout 精简信息写入 `metadata.json`。当前所有内置 `styles/*.md` 都应配套同名 `.layouts.json`。以后蒸馏公开模板或内置风格时，优先补这个 JSON sidecar；不要把多页 layout 只压缩进单个 MD 的“布局系统”文字段落。 ## 模板克隆模式直接给 skill 一个 .pptx 模板，后续所有页都仿这个模板。 ```bash # 一行：自动渲染 + 模板分析 + 出图。需本机有可用 PPTX 渲染后端 python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --template-pptx ./company-template.pptx \ --template-strict ``` `--template-strict` 表示每页都把模板对应页作为 image reference 喂给 gpt-image-2，仿真度最高。 ### 模板渲染：本机不需要操作 PowerPoint skill 自带 `render_template.py`，把 .pptx 自动渲染成每页 PNG，存到 `/template_renders//page-NN.png`。 ### Agent 前置检查（模板克隆时必须做） **在跑任何 --template-pptx 命令之前，你必须先检查本机是否有可用 PPTX 渲染后端。** 检查方式： - 首选：在 skill 目录运行 `python3 scripts/render_template.py --check`。它会验证后端是否真的可执行，而不是只看路径是否存在。 - macOS：优先检查 `/Applications/Keynote.app` 且 AppleScript 可执行；否则检查 `libreoffice --version || soffice --version` - Windows：优先检查本机 PowerPoint COM 可启动；否则检查 `libreoffice --version` / `soffice --version` - Linux / 兼容层：检查 `libreoffice --version || soffice --version`，不要只用 `which` 注意：鸿蒙 / Termux / 容器 / 特殊架构环境可能看起来像 Linux，但不能假设 Linux aarch64 的 LibreOffice 二进制可运行；必须以 `render_template.py --check` 或 `soffice --version` 的实际执行结果为准。不要把 `aspose-slides` 当默认兜底，它在很多移动/特殊 Python 环境没有可安装 wheel。如果都没有可用后端，先告知用户模板渲染需要安装可执行的 LibreOffice，或让用户在桌面端手动把模板每页导出为 `page-01.png`、`page-02.png` 后通过 `--template-images` 传入。可选安装命令： | 平台 | 安装命令 | | --- | --- | | Windows | `winget install LibreOffice.LibreOffice` | | macOS | `brew install --cask libreoffice` | | Linux (Debian/Ubuntu) | `sudo apt-get install -y libreoffice` | | Linux (Fedora/RHEL) | `sudo dnf install -y libreoffice` | | Linux (Arch) | `sudo pacman -S --noconfirm libreoffice-fresh` | 装完再次检查，确认存在可用渲染后端再继续后续流程。 > 注意：Windows 上 `winget` 是 Win10/11 自带，会弹 UAC 确认框，需要用户点确认；macOS 上 `brew` 需要先安装 Homebrew。 `render_template.py` 的渲染后端按优先级自动挑： 1. **Windows**：PowerPoint COM（本机有 Office 时优先，直出 PNG，跳过 PDF 步骤）> LibreOffice 2. **macOS**：Keynote AppleScript（本机有 Keynote 时优先，直出 PNG）> LibreOffice 3. **Linux / 兼容层**：通过 `--version` 探测确认可运行的 LibreOffice / soffice 命令 4. PDF -> PNG 走 `pymupdf`（已在 requirements）；没装就用 `pdf2image` + poppler 跑 `generate_ppt.py --template-pptx ...` 时如果省略 `--template-images` 会自动调一次渲染；也可以手动先跑一次： ```bash python3 scripts/render_template.py company-template.pptx # -> /template_renders/company_template/page-01.png ... page-NN.png ``` ### 仿模板的两层缓存 | 资料 | 路径 | 用途 | | --- | --- | --- | | 模板每页 PNG | `/template_renders//page-NN.png` | 本机渲染后端一次渲染长期复用 | | 模板风格分析 | `/template_cache/.json` 或手写 `template_profile.json` | 多模态 agent 自己看图生成；纯文本 agent 才需要外挂 vision | | 生成产物 | `/outputs//` | 每次新跑都新目录 | 三者都在调用者 cwd 下，与项目自然同进退；建议把 `template_renders/`、`template_cache/`、`outputs/` 加进项目的 `.gitignore`。 **模板看图分析（让 agent 自己判断要不要配 `VISION_*`）**： - **当前 code agent 本身是多模态模型**（例如 Claude Code 的多模态 Claude、Codex 的多模态 GPT）：不需要额外配置 `VISION_*`。agent 直接读取 `template_renders//page-*.png`，按 `template_analyzer.py` 的 `TemplateProfile` 结构生成 `template_profile.json`，再用 `--template-profile template_profile.json` 传给 `generate_ppt.py`。如果要配合 `--template-strict`，每个 layout 里要写 `reference_image`（模板 PNG 的绝对路径或可访问路径）。 - **当前 code agent 是纯文本模型**（例如只接入 DeepSeek 文本模型）：它看不了模板截图，需要额外配置 `VISION_BASE_URL` / `VISION_API_KEY` / `VISION_MODEL_NAME`，让 `template_analyzer.py` 调一个独立的 OpenAI 兼容多模态端点做模板分析。 vision 分析与图片生成的 `gpt-image-2` 永远解耦——换 vision provider 不影响出图路径。 ## 安装 ```bash git clone git@github.com:JuneYaooo/gpt-image2-ppt-skills.git cd gpt-image2-ppt-skills bash install_as_skill.sh --target claude # Claude Code # 或 bash install_as_skill.sh --target codex # Codex # API 直连所需密钥优先通过 agent 配置 / 系统环境变量注入 ``` ## 环境变量注入（API 直连时）不要把本 skill 的密钥写进调用者业务项目根目录的 `.env`，也不要为了出图去读取用户项目里的通用 `.env`。环境变量建议按 agent 框架的标准方式注入： - **通用 / CI / 服务器**：用系统环境变量、Docker Compose `environment` / `env_file`、Kubernetes Secret、CI Secret 等注入。 - **Claude Code**：用用户级 `~/.claude/settings.json` 或项目级 `.claude/settings.local.json` 注入环境变量；命令行环境变量优先级最高。 - **OpenClaw / 自定义 Agent**：用框架配置里的 `apiKey` / env reference 引用系统环境变量，避免把 key 明文写进项目配置。 - **本地 standalone CLI fallback**：可以设置 `GPT_IMAGE2_PPT_ENV=/path/to/private.env`，或使用 skill 安装目录下的 `.env`；这只是备用方式，不是业务项目 `.env`。 API 直连需要这些变量： ```bash OPENAI_BASE_URL=https://api.openai.com # 或任意 OpenAI 兼容中转站 OPENAI_API_KEY=sk-... GPT_IMAGE_MODEL_NAME=gpt-image-2 GPT_IMAGE_QUALITY=high # low / medium / high / auto # 可选：模板克隆模式的 vision 分析 backend。 # 多模态 agent / 原生 Codex 可自己看图生成 --template-profile，不需要下面这组。 # 只有纯文本 agent（如 DeepSeek 文本模型）才需要外挂下面这组。 # 不内置默认 endpoint，请填你自己信任的服务，否则就别填。 # VISION_BASE_URL=https://your-openai-compatible-relay.example.com/v1 # VISION_API_KEY=sk-... # VISION_MODEL_NAME=gemini-3.1-pro-preview # 或 gpt-4o / claude-3.5-sonnet 等任意多模态 SKU ``` > **安全提示**：脚本只读取当前进程环境、平台注入的 `gpt-image2-ppt_*` 变量、显式 `GPT_IMAGE2_PPT_ENV`，以及 skill 安装目录下的 `.env` fallback。脚本**不会**向上递归读取调用者项目目录里的 `.env`，避免误吃业务项目密钥。 ## 如果你就是 Codex agent（原生 image_generation 出图 — 推荐） **如果你自己就是 Codex**（正在运行本 skill 的 agent 就是 Codex CLI / Codex TUI），并且当前环境提供 `image_generation` tool 和 ChatGPT 登录态，此时**不要用 `generate_ppt.py` 或 `--backend codex` 负责出图**，直接用原生工具生成图片，最后只复用本仓库的 md 转换 / PPTX 打包逻辑即可。关键边界：Python 脚本运行在子进程里，拿不到当前 agent 会话里的原生 tool。`generate_ppt.py --backend codex` 能做的只有再启动一个 `codex exec` 子进程，让另一个 Codex 去出图；它不是“复用当前 Codex 的 image_generation tool”。所以当前 agent 已经能原生出图时，出图动作必须由 agent 本身完成，而不是交给 `generate_ppt.py`。 ### 如何判断你能访问 `image_generation` tool，并且不需要手动配 `OPENAI_API_KEY` 就能出图——满足这两个条件就走原生路径。若当前 Codex 会话没有这个 tool，就按普通 agent 处理：走 API 直连、`--backend codex` 备用后端，或让用户补齐环境。 ### 出图流程（Codex 原生路径） **1. 准备 slides 数据** 如果还没有 `slides_plan.json`，先按下面「生成流程」第 2-3 步写 `slides_plan.md` → `python3 scripts/md_to_plan.py ...` 转 json。 **2. 读风格模板** 读 `styles/.md`，取 `## 基础提示词模板` section 作为 base prompt。 **3. 构造每页 prompt** 参考 `generate_ppt.py` 的 `generate_prompt()` 逻辑，核心规则： - 封面（cover/slide 1）：标题/副标题为视觉焦点 - 数据页（data/最后一页）：突出关键数字、对比或结论 - 内容页（content/其余页）：按层级、对齐、留白结构化呈现 - **所有文字必须简体中文**，字体用思源黑体/苹方，严禁草书/艺术字 - **16:9 横版宽屏**（landscape, widescreen），prompt 里明确说"宽度明显大于高度、绝对不要方图" ```text {style 基础提示词模板} --- 现在请生成本组中的【{封面页/内容页/数据页}】，{对应 hint} 本页要呈现的内容如下（请按本风格美学重新设计版式）： {slide content} 【强制语言与字体要求】 1. 所有文字必须使用简体中文，严禁英文（专有名词除外） 2. 中文字体使用思源黑体或苹方，严禁草书、艺术字 3. 标题粗体，正文常规，字号对比清晰【画面比例 — 强制】16:9 横版宽屏 (landscape, widescreen)，宽度明显大于高度，绝对不要方图或竖图。 ``` **4. 调 image_generation tool 出图** 对每页调你的 `image_generation` tool： - `prompt`: 上面拼好的完整 prompt - `output_format`: `png` - 将返回的图片保存到 `outputs//images/slide-NN.png`（NN 为两位页码）可以并发（建议 ≤4 并发，避免限流）。 **5. 打包 PPTX** 如果本 deck 没有外部真实图片对象，可以用下面的简易整页 PNG 打包。**如果任一页有 `external_image` / `image_overlay` / `external_image_placeholder` 且指向真实图片，不能用这个简易打包片段**，否则真实图片会被合进整页背景 PNG，用户无法在 PowerPoint 里单独选中拖动。此时必须走 `generate_ppt.py` 的标准打包逻辑，或在已有 session 中调用 `generate_pptx(..., metadata=metadata)`，让真实图片作为独立 picture object 叠在背景上。 ```bash python3 -c " from pptx import Presentation from pptx.util import Inches prs = Presentation() prs.slide_width = Inches(13.333) prs.slide_height = Inches(7.5) blank = prs.slide_layouts[6] import os, glob for p in sorted(glob.glob('outputs//images/slide-*.png')): slide = prs.slides.add_slide(blank) slide.shapes.add_picture(p, 0, 0, width=prs.slide_width, height=prs.slide_height) prs.save('outputs//.pptx') print('done') " ``` 外部真实图片页的正确 PPTX 结构应是： - 第 1 层：`images/slide-XX.png` 作为整页背景图（包含模型生成的背景和文字）。 - 第 2 层：`source` 指向的真实图片作为独立 PPT picture object，按 `slide_spec` 坐标贴在背景上，可在 PowerPoint 里选中、拖动、缩放。 ### 模板克隆模式（Codex 原生路径）你自己就是多模态 agent——直接 `Read` 模板每页 PNG 抽取视觉风格，写成 `template_profile.json`（schema 见 `template_analyzer.py` 里的 `TemplateProfile`，每个 layout 写上 `reference_image`），然后按上面流程出图时把对应模板页作为 reference image 传给 `image_generation` tool。 **不需要配 `VISION_*`**——你就是 vision。 ### 与下面「--backend codex」的区别 | | 原生路径（本节） | --backend codex | |---|---|---| | 适用场景 | **你就是** Codex agent | 你是 Claude Code / 其他 agent，借用本机 codex CLI | | 调用方式 | 直接调 `image_generation` tool | spawn `codex exec --full-auto` 子进程 | | 出图层数 | 1 层 | 2 层（agent → python → codex exec） | | 速度 | 几秒/张 | 30-60s/张 | | 可靠性 | tool 参数精确 | 自然语言 relay，偶发失败 | | 需要 API Key | 不需要 | 不需要 | --- ## 可选：走 codex CLI 出图（--backend codex，非 Codex caller 用） > **如果你就是 Codex agent，不要走这条路——用上一节的「原生路径」代替。** 当你用 Claude Code / OpenClaw / 其他 agent 运行本 skill，但本机装了 codex CLI 且已登录（`codex login`），可以借用它的凭据出图，省掉配 `OPENAI_API_KEY`： ```bash python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md --backend codex ``` 默认后端仍是 `openai`（直调 API，快、并发稳、每页 3-10s）。`--backend codex` 是逃生口，适合"只跑 1-2 张图试水、不想配 key"的场景。 **Tradeoffs**： - ✅ 不需要在本 skill 配 `OPENAI_API_KEY` - ⚠️ 慢：每页多一层 agent loop，单页 30-60s+，10 页可能 5-10 分钟 - ⚠️ 计费不变：gpt-image-2 是按图计费，不在 ChatGPT 订阅内，codex 只是代你刷额度 - ⚠️ 可控性差：aspect_ratio / quality / reference_image 靠自然语言指令让 codex 转发，偶发失败相关 env（都可选）： ```bash CODEX_CMD="codex exec --full-auto" # 覆盖 codex 调用方式（默认这串） CODEX_IMAGE_MODEL=gpt-image-2 # 传给 codex 的目标模型 CODEX_TIMEOUT_SECS=900 # 单页超时 GPT_IMAGE_BACKEND=codex # 不想每次敲 --backend 就设这个 ``` 模板克隆的 vision 分析同理——当 caller agent 自己是多模态时（Claude Code / 多模态 codex），可以直接 `Read` 模板 PNG 抽取风格，不用配 `VISION_*`；只有 caller agent 是纯文本模型时才需要外挂 vision provider。 ## 生成流程（指定风格） **先 md 后 json**：md 给人看、方便 diff / review / 改文案；json 由 md 派生，喂给 `generate_ppt.py`，标为 generated，不手改。 1. 用户给一份大纲 / 已有的 slides_plan.json；如果用户只给常见场景和主题，先按上方“场景 recipes”选择一个 `examples/<id>/` 作为结构参考 2. Agent 按下面 md 规范写一份新的 `slides_plan.md`，与用户确认文案： ````markdown --- title: MediWise Health Suite 商业计划书 --- ## 1. [cover] MediWise Health Suite 副标题：家庭健康管理智能平台年份：2026 ## 2. [content] 市场痛点：健康管理的两类割裂痛点一：高频无深度 ... ## 6. [data] 效率对比：使用 MediWise 前后 ... ```` - h2 格式：`## N. [page_type, layout=layout-05] 本页标题行` - `N.` 可省（按出现顺序自动编号）；`[page_type]` 可省（默认 `content`）；`layout=` 只在模板克隆模式需要 - `page_type`: `cover` / `agenda` / `section` / `content` / `data` / `quote` / `closing` / `other` - h2 标题行 → json 里 `content` 的第一行；下面的正文 → 正文 3. 用户 OK 后，转 json： ```bash python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json ``` 4. 选风格：从 `styles/` 里挑一个，对应 `styles/<id>.md`；如果使用了 recipe，优先采用 `recipe.md` / frontmatter 里的 `recommended_style`，需要视觉预览时先看 `docs/distilled-styles.md` 5. **构造 slide_spec**（Agent 步骤）：读 `styles/<id>.md` 的视觉规范，为 `slides_plan.json` 每页构造 `slide_spec`（每个元素的 type、content、position、style），写入每页的 `slide_spec` 字段。格式见下方"指哪改哪"章节 6. 调脚本： ```bash python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md ``` 7. 产物在 `<cwd>/outputs/<timestamp>/`： - `images/slide-XX.png` -- 每页 PNG（16:9，1536x864） - `prompts.json` -- 每页用到的完整 prompt（便于复盘 / 二次微调） - `metadata.json` -- slide_spec 版本历史（支持精确编辑和回滚） - `<title>.pptx` -- 16:9 PPTX；默认背景与文字是整页图片，通过 `external_image` 放入的真实图片会作为独立 PPT 图片对象叠加 ## 可编辑模式（默认关闭）普通模式仍优先保证 gpt-image-2 的整页审美，输出背景和文字为整页图片。只有用户明确要求“可编辑 PPTX / 文字可以改 / 元素可拆 / 图片可移动 / 原生形状”时，才启用可编辑模式；不要根据内容类型自行默认开启。 ### 核心原则 **不要禁止 gpt-image-2 在初始视觉稿中生成标题、正文、数字、表格、Logo 或关键图表。** 模型仍先生成完整成品页，以保留整体构图、材质、光效和文字与视觉之间的关系；可编辑模式是生成后的重建步骤。 ### 效果优先与轮次控制可编辑模式以最终视觉效果和对象级可编辑质量为首要目标，不强制单轮完成；但必须区分低成本检查轮次与高成本生成轮次： - **检查轮次可以多轮**：scene schema、字体可用性、文字溢出、对象越界、图片比例、黑白底边缘、对象移动、PPTX 回渲染和人工看图都可以重复执行，不因追求少轮而跳过。 - **生成轮次逐级升级**：优先调整字体、坐标、裁切、圆角、层级等确定性参数；其次走 A1 原像素提取和 A2 遮挡补全；再只对失败的复杂素材做 B AI 分离/重生成；只有整体构图、视觉层级或风格明显不合格时，才允许重生整页。 - **局部问题只修局部**：一个图层、一个文本框或一个槽位失败时，不得默认重新生成已经通过检查的其它内容。 - **每轮保留当前最佳版本**：在 `quality-report.json` 记录本轮问题、修复范围、所用路由和结果；新版本没有带来可见提升时停止，不要为了“多试一次”让版式随机漂移。 - **真实素材仍以保真为先**：Logo、产品 UI、医学影像、论文图表、财务数据和证据截图不得为了减少轮次而改走 AI 重绘。推荐顺序： ```text 完整视觉稿 / 用户参考图 -> 一次性 scene 规划与对象分层 -> 原生对象重建 + A1/A2 素材处理 -> 多轮低成本预检与回渲染 -> 仅对失败范围做局部修复或 B 路由 -> 只有结构性失败才重生整页 -> 选择历史最佳版本交付 ``` ### 可编辑模式的回渲染前置检查（必须）可编辑 PPTX 必须能被重新渲染成图片，供多模态 agent 逐页读取并人工验收；要求与模板克隆模式相同。**在跑任何 `--editable` 命令之前，必须先检查本机是否有可执行的 PPTX 渲染后端：** ```bash python3 scripts/render_template.py --check ``` - Windows：PowerPoint COM > LibreOffice - macOS：Keynote AppleScript > LibreOffice - Linux / 兼容层：实际可执行的 LibreOffice / `soffice` 不能只检查文件路径或安装包是否存在，必须以 `--check`、PowerPoint COM 启动、Keynote AppleScript 探测或 `libreoffice --version` 的实际结果为准。鸿蒙、Termux、容器和特殊架构同样不得假设 LibreOffice 可运行。如果没有可用后端，停止可编辑模式并告知用户安装 PowerPoint、Keynote 或 LibreOffice；不得生成一个未经回渲染检查的 `-editable.pptx` 并声称成功。安装方式与上方“模板克隆模式”的渲染后端说明相同。 `generate_ppt.py --editable` 会在开始生成前执行同等预检；构建完成后自动把 `-editable.pptx` 回渲染到 `<session>/editable_renders/page-XX.png`。agent 必须逐页读取这些 PNG，检查字体替换、换行、对象错位、边缘和视觉差异。纯文本 agent 无法完成这一步时，必须明确要求用户或另一个多模态 agent 看图验收，不能把自动报告当作人工验收。用户明确要求可编辑时，agent 必须： 1. 先运行 `python3 scripts/render_template.py --check`，确认回渲染后端真实可用； 2. 正常完成 `slides_plan.md` → `slides_plan.json` 和单页视觉冒烟； 3. 保存每页完整视觉稿为 `visual-master`； 4. 为每页建立 `slide-XX.scene.json`、clean plate、独立素材和质检证据； 5. 调用显式的 `--editable` 模式； 6. 读取 `<session>/editable_renders/page-XX.png` 逐页人工检查，不能只看自动报告。 ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --style styles/dark-aurora.md \ --editable \ --editable-scenes editable_scenes/ ``` - `--editable` 默认关闭；未传时，现有生成、编辑、回滚和普通 PPTX 打包行为不变。 - `--editable-scenes` 指向包含 `slide-01.scene.json`、`slide-02.scene.json` 等文件的目录。 - 省略 `--editable-scenes` 时，会尝试 `<session>/editable_scenes/`。 - CLI 会在生成前拒绝不可用的回渲染环境，并在构建后自动生成 `<session>/editable_renders/page-XX.png`。 - scene 缺页、素材丢失或格式错误时，**不得静默**退化成整页图片并声称可编辑；应保留普通 PPTX 和中间证据，然后明确失败。 - 成功时同时保留 `<title>.pptx` 和 `<title>-editable.pptx`。 ### Scene 元素每个 scene 使用真实像素画布坐标，至少声明 `slide_number`、`canvas`、`clean_plate` 和按 `z_index` 排序的 `elements`。支持： | type | 用途 | | --- | --- | | `native_text` | 标题、正文、日期、数字、标签、徽章文字；输出 PowerPoint 原生文本框 | | `image_layer` | 照片、主视觉、插画、复杂纹理和无法合理转成 shape 的对象；输出独立图片层 | | `native_shape` | 矩形、圆角矩形、圆、五角星和线条；输出原生 PowerPoint shape | | `connector` | 架构图、流程图的直线连接线和箭头 | scene 中的路径优先写相对于 scene JSON 的相对路径，便于示例和 session 整体移动。完整示例见 `examples/editable-pptx/case05-summer-poster/slide-01.scene.json`。 ### 重叠素材的 A1 → A2 → B 路由 1. **A1 原像素直接提取（默认）**：轮廓完整、遮挡少、边缘干净时直接从完整视觉稿提取。多个彼此重叠的素材默认作为一个连接组合层提取，不强行拆成残缺对象。 2. **A2 原像素 + 遮挡补全**：保留可见原像素，对对象背面或对象移走后暴露的 clean plate 做补全。 3. **B AI 分离或重生成**：仅当 A1/A2 的毛发、毛绒、半透明、玻璃、白色主体、复杂水彩边缘或遮挡补全效果不合格，或用户明确要求设计模式时启用。不要因为 B 更方便就跳过 A1。每次升级必须在 `quality-report.json` 记录原因。Case 05 的毛绒角色、白色冰淇淋与水彩云混合，A1/A2 边缘不稳定，因此使用 B 生成单色键背景的组合素材，再本地去背景。 ### Clean plate 与页面类型 - 保存 `visual-master.png`，不要覆盖原始成品页。 - 文字和独立图片对象必须从 `clean-plate.png` 中移除；移动对象后不能露出第二份相同对象。 - API edit 只能在显式 repair mask 内合成，mask 外像素必须锁定。 - 简单渐变、霓虹光带、纯色卡片可使用确定性插值；出现幽灵字、色块、暗圆或明显补丁时必须拒绝。 - 数据页把标题、标签和数字分别建立 `native_text`，不要把整张数据卡当成不可编辑截图。 - 架构图、流程图和规则信息图优先重建为 `native_shape` + `native_text` + `connector`，不要仅在截图上覆盖文字。 ### 交付门槛每页至少保留： ```text editable/slide-XX/ ├── visual-master.png ├── clean-plate.png ├── repair-mask.png # 使用局部修复时 ├── layers/*.png ├── edge-check-white.png # 有透明图片层时 ├── edge-check-black.png └── quality-report.json ``` 交付前必须检查：scene schema、PPTX 对象名称与数量、mask 外像素变化、黑/白底边缘、文字修改、图片移动、`editable_renders/page-XX.png` 以及人工视觉效果。初始报告状态为 `rendered_pending_manual_review`；只有多模态 agent 或用户逐页目测后才能判定通过。向用户报告普通 PPTX、`-editable.pptx`、输出目录和 `editable_renders/` 路径，并说明哪些视觉仍作为独立图片层存在。 ## 外部真实图片贴入（推荐精确流程）默认规则：用户提供真实图时，优先按原图保真后贴，不要让 `gpt-image-2` 重画这张图。使用 `slide_spec` 声明外部图片槽位：这套流程只在元素声明了 `type: "external_image"` / `image_overlay` / `external_image_placeholder` 且 `source` 能解析到真实本地图片文件时启用。没有真实图片 source 的普通生成、模板克隆、纯占位布局和老的自由风格生成不受影响。如果用户明确说“更重视画面融合效果，不需要一定贴原图 / 可以重绘 / 可以图生图”，可以走参考图模式：把图片作为 generation reference 输入给模型，而不是最终独立后贴。此时版面通常更融合，但不保证像素级保真，PPT 里也不会有可单独选中的原图对象。参考图模式可用 `type: "image_reference"`，或在 `external_image` 上显式写 `render_mode: "reference"` / `preserve_original: false`： ```json { "elements": { "mood_reference": { "type": "image_reference", "source": "/absolute/path/to/photo.png", "purpose": "只作为视觉参考，允许模型融合重绘，不作为独立 PPT 图片对象后贴" } } } ``` 不要对高精度素材使用参考图重绘：医疗影像、病理图、诊断依据、实验/工程读数、财务表格、论文图表、法律证据截图、产品 UI 精确截图等都应默认走 `external_image` 保真后贴，并在交付前提示用户核对。 ```json { "elements": { "hero_photo": { "type": "external_image", "source": "/absolute/path/to/photo.png", "layout_intent": "auto", "tailor_to_asset": true, "slot_strategy": "fit-within", "fit": "contain", "slot": { "padding": 0.012, "bleed": 0, "fill": "#F7F7F5", "mask_placeholder": false, "sanitize_background": false, "draw_frame": false, "outline_width": 0, "skeleton_canvas_fill": "transparent", "skeleton_fill": "transparent", "skeleton_shape": "corners", "skeleton_outline": "#000000", "skeleton_outline_width": 2, "skeleton_ticks": false } } } } ``` 生成时脚本会自动做四件事： 1. **先规划槽位，再生成 skeleton**。脚本会优先读取模板 profile 里的 `external_image_slots`，或根据模板摘要推断“左图右文 / 右图左文 / 底部图表 / 中央主视觉”等候选区域；然后结合本页文字量、标题长度、真实图片数量、真实图片宽高比和素材分类（照片 / 图表 / 文档 / 架构图等）打分选位，先产出 `position` / `computed_bbox` / `auto_layout_reason` / `layout_planning_profile`。skeleton 只是把这个规划结果画给模型看，不负责临时想位置。 2. 读取 `source` 真实图片尺寸。如果声明了 `tailor_to_asset: true` 或 `slot_strategy: "fit-within"`，脚本会把 `position` 当作“可用区域”，按真实图片宽高比在其中计算 `computed_bbox`；这个 bbox 会同时用于 prompt、骨架参考图和最终 PPTX 贴图。这样不是生成后再临时缩放，而是在 `gpt-image-2` 出图前就量体裁衣。 3. 在 `outputs/<timestamp>/references/slide-XX-asset-skeleton.png` 生成一张透明画布的角标骨架参考图，把最终真实图会覆盖的 `final_image_rect_px` 标出来，并作为 reference image 传给 `gpt-image-2`。这只用于引导模型不要把关键信息放进该区域；**每页只调用一次 `gpt-image-2`，不是先生成一张再用骨架二次重生。** 4. 打包 PPTX 时，按同一个 bbox 用 `python-pptx` 把 `source` 指向的真实图片作为独立图片对象贴入。默认不画额外框，也不铺遮罩；也不会默认清理 `gpt-image-2` 生成图。真实图片不应被合成进 `images/slide-XX.png`，否则用户无法在 PPT 里单独拖动。如果生成后发现真实图片槽位压到大面积文字或图形，优先按下面两种方式处理： 1. **预生成前微调槽位**：改 `slide_spec.elements.<id>.position`（或 `anchor` / `padding`），让真实素材移动到更干净的区域，再重新生成该页。只要槽位位置变了，就必须重新生成背景；不要只在 PPTX 里移动最终图片，否则背景内容仍可能压住新位置。 2. **二次版式修复**：当第一页整体风格已经满意，只是局部内容压入槽位时，用 `--edit SLIDE --external-slot-repair`。该模式会同时把当前页和新的 `asset-skeleton` 作为 reference image 传入，要求模型保持原风格但重排文字/图形，让槽位空出来。示例：把真实图区域右移并重排当前页： ```bash python3 scripts/generate_ppt.py \ --session outputs/20260529_120000 \ --edit 3 \ --external-slot-repair \ --element-updates '{"hero_photo":{"position":[0.60,0.16,0.32,0.60],"anchor":"center"}}' ``` 同时，每个包含外部真实图片的页面都会在 `outputs/<timestamp>/external_image_trace/slide-XX/` 记录完整中间链路： - `step1-real-on-blank.png`：把真实图片按最终坐标和大小先贴到空白页上，用来确认“真实图最终应该出现在这里”。 - `step2-reference-outline-blank.png`：去掉真实图片，只保留给 `gpt-image-2` 的角标定位参考图；默认透明画布，不铺白底。定位区域使用 `final_image_rect_px`，也就是最终真实图实际会覆盖的像素矩形，而不是外层 slot。这张图同时会复制到 `references/slide-XX-asset-skeleton.png` 并作为 image reference 输入。 - `step3-generated-background.png`：`gpt-image-2` 根据 step2 reference 生成的背景图，尚未贴入真实图片。 - `step3-image2-raw.png` / `step3-sanitized-background.png`：只有显式设置 `sanitize_background: true` 时才会出现，用于兜底清理模型已经画出的占位块；默认不启用。 - `step4-final-overlay-preview.png`：在 step3 上按 step1 同一坐标贴回真实图片的预览图，用来和 PPTX 最终效果对照。 - `manifest.json`：记录每个外部图片的 `source`、`slot_bbox_norm`、`inner_rect_norm`、`reference_rect_px`、`final_image_rect_px`、padding、bleed、素材尺寸和比例。关键原则： - reference skeleton 负责“告诉模型哪里不要放关键信息”，不是要求模型画白色空框。 - 模板克隆 / `--template-strict` 与外部真实图片槽位同时存在时，生成阶段会同时传入两张 reference：模板页用于学习风格，`asset-skeleton` 用于标记后贴图片覆盖区；不要二选一，否则模型只看模板页时不会知道最终图片位置。 - 外部真实图片页不能简单堆叠“模板照片/图片区 prompt”和“留空 prompt”。构造 prompt 前必须先消解冲突：模板只提供配色、字体、网格、节奏和装饰语言；模板里的照片区、图片框、全幅图、裁切图等都视为已被真实图片槽位替代。 - 构造 `slide_spec` 时，`position` 不能随便选，也不要默认固定右侧。模板克隆模式下，优先让模板 profile 提供 `external_image_slots`，或从模板布局摘要推断候选图片区，再根据本页文字量、真实图片数量、真实图片比例和页面类型打分：文字多时优先保证标题/正文阅读区；图片多或比例极端时优先用模板原有分栏/上下布局；无法共存时减少装饰和假视觉主体，而不是让真实图压内容。 - 推荐先写 `layout_intent: "auto"`，不手写 `position`。脚本会读取模板候选槽位、真实图尺寸、文字量、图片数量和比例来选择位置，写入 `position` / `computed_bbox` / `auto_layout_reason`；只有自动规划不理想时才用人工 `position` 覆盖。 - 使用 `layout_intent: "auto"` 时，`slide_spec.layout` 尽量写清图片区方向和结构，例如"左文右图 / right image / right landscape photo / 底部图片 / portrait rail"。自动规划会优先从这些方向性描述和模板候选槽位推断真实图区域；描述过泛时，重文本页可能退化到保守的小图槽位。 - `position` 默认可作为“允许使用的区域”；`computed_bbox` 才是脚本算出的最终真实图片槽位。 - 如果你想完全固定坐标，不要量体裁衣，直接写 `bbox`，或设置 `slot_strategy: "exact"` / `tailor_to_asset: false`。 - 最终精度由 `python-pptx` 坐标保证，不由模型画框保证。 - `skeleton_outline_width` 只控制给模型看的骨架参考图；`outline_width` / `draw_frame` 才控制最终 PPT 里是否出现可见框。 - prompt 中不写归一化坐标；位置通过透明角标 reference 图控制，避免模型错误解释数值坐标，也避免闭合框被理解成真实图片框。 - `skeleton_canvas_fill` / `skeleton_fill` / `skeleton_outline` / `skeleton_outline_width` / `skeleton_shape` 只影响参考骨架图。默认 `skeleton_canvas_fill: "transparent"` 且 `skeleton_shape: "corners"`，只在 `final_image_rect_px` 四角画短角标，不画闭合矩形、不铺白底，避免模型把 reference 理解成真实图片框或白色占位块。需要旧行为时显式设 `skeleton_shape: "outline"`。 - `sanitize_background` / `mask_placeholder` 不是推荐路径；它们只适合清掉极轻微的占位痕迹，不适合解决文字或图形大面积压住槽位的问题。遇到压内容，按“微调槽位并重生”或“二次版式修复”处理。 - 默认最终不画外框、不插入任何底色矩形，只贴真实图片；`mask_placeholder` 会被忽略，避免在真实图下方产生可拖动白底。只有显式设置 `draw_frame: true` 且 `outline_width > 0` 时，才会额外画无填充边框。 - 推荐默认：`tailor_to_asset: true` + `slot_strategy: "fit-within"` + `fit: "contain"` + 少量 `padding`。这会完整保留原图，并让骨架图从一开始就是按素材比例预留的。 - `fit: "contain"` 保留完整图片；`fit: "cover"` 会居中裁剪图片来铺满槽位。 - 如果要“严丝合缝”无白边，使用 `fit: "cover"`、`padding: 0`、`outline_width: 0`，并设置很小的 `bleed`（例如 `0.0015`-`0.003`）让图片比槽位多铺出约 1-3px，抵消 PowerPoint / Quick Look 渲染取整和抗锯齿缝隙。 - 如果想“预留一点但不要莫名空隙”，不要靠后期 `contain` 硬塞进一个比例不匹配的大框；应使用 `fit-within` 先算好比例匹配的槽位，再用很小的 `padding` 做设计留白。 - 交付前必须抽查 `external_image_trace/slide-XX/manifest.json`：重点看 `final_image_rect_px` 是否符合视觉预期，`auto_layout_reason` 是否选中了正确的左右/上下区域。若横图被算成小缩略图、竖图过窄或位置压内容，先补清楚 `slide_spec.layout` 的方向意图，或显式设置 `position`，再重新生成该页背景并重新打包 PPTX。整体原理图保存于 `docs/external_image_overlay_logic.txt`；修改外部真实图片链路时，先对照这张图确认顺序仍是“模板/页面/素材画像 -> 候选槽位打分 -> 透明 skeleton -> 背景生成 -> 后贴真实图 -> 质检/有限修复”。 ## 生成流程（模板克隆） 1. **拿到模板 .pptx**（用户提供 / 内部模板库 / 网络下载） 2. **（可选）先单独渲染并人工挑选**----大模板（>15 页）建议先 `python3 scripts/render_template.py xxx.pptx`，再从 `template_renders/<stem>/` 里挑 8-12 张代表页复制到 `template_renders/<stem>_curated/`，供 vision 分析。页数越精，layout 命中越准 3. **生成 slides_plan.md → 转 slides_plan.json**（见指定风格流程第 2-3 步）。每页 `slide_number` / `page_type` (`cover` / `agenda` / `section` / `content` / `data` / `quote` / `closing` / `other`) / `content`；想精准对位时在 h2 里加 `layout=layout-NN`（NN = 模板第 N 页 / 你期望对应的模板页编号） 4. **出图冒烟**。API 直连 / 非 Codex 原生路径跑 `generate_ppt.py`： ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --template-pptx xxx.pptx \ --template-images template_renders/xxx_curated \ --template-strict --slides 1 ``` 如果当前 agent 自己是多模态模型，也可以先看模板 PNG 写出 `template_profile.json`，再这样跑，完全不需要 `VISION_*`： ```bash python3 scripts/generate_ppt.py \ --plan slides_plan.json \ --template-profile template_profile.json \ --template-strict --slides 1 ``` 先 `--slides 1` 出封面冒烟，效果 OK 再跑全量。如果当前 agent 就是带原生出图能力的 Codex，不要用上面的 `generate_ppt.py` 命令负责出图；先生成 / 读取 `template_profile.json`，再按“Codex 原生路径”直接调当前会话的图片生成 tool 输出第 1 页 PNG，用户确认后再生成全量页面并打包。 5. **告知用户产物路径** ### 模板页面挑选 / 复用原则 **核心原则：尽量做到 1 page : 1 layout**----同一份 deck 里每个 slide 用不同的模板页作 reference，观众会觉得每页都是新内容；如果同一个独特 layout 出现 2-3 次，观众下意识会想"为什么又是这页"。 vision 分析时会给每个 layout 标 `reuse_friendly`： TemplateProfile 每个 layout 除了 `id` / `page_type` / `summary` / `json_schema` / `reference_image`，还会尽量保存： - `visual_signature`：这页最明显的视觉差异点，例如"右图左文"、"编号时间线"、"三卡片网格"。 - `content_capacity`：适合承载的信息密度，避免把长文塞进强视觉页。 - `best_for` / `avoid_for`：适合或不适合的内容结构。 - `variation_tags`：英文短标签，用来帮助比较和错开 layout 形态。生成时会用 `assign_layouts()` 优先分配未使用 layout；即使 plan 没有手写 `slide_spec`，命中的模板 layout 也会以精简版 `template_layout_profile` 写进 `metadata.json`，便于后续编辑、贴图槽位规划和复盘。 | reuse_friendly | 典型 layout | 多次使用的代价 | | --- | --- | --- | | `false`（不可复用，(!) 强警告） | 封面、3 个具名角色插画页、独特场景图（雪山/广播塔/复古收音机）、5 步骤 zigzag 各步独有图标、novelty 数据中央装置 | 视觉重复非常明显，观众会困惑 | | `true`（可复用，但仍建议错开，(i) 弱提示） | 纯文字、卡片网格、通用列表、章节小节标题 | 不致命，但平白浪费模板里的其它好版式 | Agent 在搭 plan 时的执行策略： 1. **优先把模板里 N 个不同 layout 分配给 N 页 slide**（N 不够就在 SKILL 里看 reuse_friendly=true 的部分挑能复用的） 2. **如果 plan 里某页内容结构非常相似（比如多个"5 步骤流程"），先尝试改写内容用不同 layout 表达**（4 步骤 + 5 步骤分别用不同流程页），而不是同一个 zigzag 用两次 3. **冒烟跑完后，看 `Layout 复用检测` 那段输出**：(!) 必须改，(i) 看情况改；改 plan 里相应 slide 的 `layout_id` 即可 4. **看完 profile JSON 选 layout**：`cat <cwd>/template_cache/<sha256>.json | jq '.layouts[] | {id, page_type, reuse_friendly, visual_signature, content_capacity, summary}'`；如果是多模态 agent 自己生成的 `template_profile.json`，就读取那个文件。 `generate_ppt.py` 在派发任务前会自动跑一次复用检测，把警告打到终端，不阻塞执行。 ## Skill 调用规范当用户说"做一份 PPT" / "生成幻灯片"时： 1. **先问三件事**（不要直接动手）： - 内容 / 页数 / 观众是谁？ - 风格偏好？按 `styles/` 和 `docs/distilled-styles.md` 的场景类目映射推荐 1-2 个；**或者用户上传自己的 .pptx 模板**（走 `--template-pptx`，自动渲染） - 是否需要单页测试一张图先看效果（API 直连用 `--slides 1`；Codex 原生路径直接生成第 1 页 PNG） 2. **先写 slides_plan.md** 给用户确认文案（md 是 source of truth，人审阅友好） 3. **转 slides_plan.json**：`python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json`（json 标为 generated，不手改；要改文案回到 md 改再转） 4. **构造 slide_spec**（Agent 步骤）：读 `styles/<id>.md` 了解视觉规范，然后为 `slides_plan.json` 每页构造 `slide_spec`，写入每页的 `slide_spec` 字段（格式见"指哪改哪"章节）。这一步让后续修改能精确到每个元素 5. **出图冒烟**： - API 直连 / 非 Codex 原生路径：跑 `generate_ppt.py --slides 1` 出封面冒烟，效果 OK 再跑全量 - 当前 agent 就是带原生出图能力的 Codex：按上方“Codex 原生路径”直接调当前会话的 `image_generation` tool 生成 `outputs/<timestamp>/images/slide-01.png`；不要用 `generate_ppt.py --backend codex` 6. **告知用户产物路径**，产物在 `outputs/<timestamp>/`，`<title>.pptx` 可直接打开 ### 面向用户的表达规范对普通用户汇报时，默认不要解释 `slide_spec`、`metadata.json`、`element-updates`、JSON Schema、pytest 命令等内部实现，除非用户明确问技术细节。用户最关心的是： 1. 做出来的 PPT 是否好看、能不能直接用。 2. 哪些场景稳定，哪些场景需要人工验收。 3. 是否只改了指定页 / 指定内容。 4. 最终输出目录和 PPTX 文件在哪里。 5. 当前不足是什么，例如背景/文字仍是整页图片、数字小字需复核；真实 logo/产品图需提供素材，才能作为独立图片对象放入。如果需要介绍修改能力，优先引用 `docs/edit_guide.md` 的场景分级、before / after 案例和当前不足，不要把实现链路放在用户前面。当用户说"改第 X 页的 XX"时： 1. **找到 session**：先用 `--list-sessions` 列出现有 session，确定要编辑的是哪个 2. **读 metadata.json**：查看对应 slide 的 slide_spec，找到目标元素 3. **确认修改内容**：告知用户当前内容，询问新内容 4. **构造编辑指令**：用 `--element-updates` 指定要改的元素和新内容 5. **执行 --edit**：`python3 scripts/generate_ppt.py --edit X --session <ts> --element-updates '{"elem_id": {"content": "new"}}'` 6. **告知结果**：新版本已生成，PPTX 已更新 ## 仅生成部分页 ```bash python3 scripts/generate_ppt.py --plan my_plan.json --style styles/dark-aurora.md --slides 1,3,5 ``` 跑过的页有同名 PNG 时会自动跳过，方便逐页迭代。 ## "指哪改哪" PPT 编辑工作流本节只保留 agent 执行所需信息；完整结构、版本链和数据安全细节见 `docs/workflow.md`。向普通用户解释能力时看 `docs/edit_guide.md`。 ### 生成时的结构化要求生成新 PPT 时，agent 应为每页写入简洁的 `slide_spec`，方便后续按标题、副标题、卡片、指标等元素精确修改。最低要求： - `layout`: 一句话描述版式 - `elements`: 语义化元素字典 - 常用元素 ID：`title`、`subtitle`、`card_1`、`card_2`、`metric_1`、`date_line`、`footer` - 元素字段优先写 `type`、`content` 或 `heading/body`、`position`、`style`、`color` 不要为了追求完整而写很长的 spec；能让后续定位和编辑即可。 ### 修改已有幻灯片 1. 用 `--list-sessions` 找到目标 session。 2. 读目标 session 的 `metadata.json`，定位页号和元素 ID。 3. 如果用户没给新内容，先问一句“当前是 X，要改成什么？” 4. 用 `--element-updates` 描述修改；需要更强约束时加 `--edit-instruction`，明确“其他内容、布局、配色不要动”。 5. 执行 `--edit` 后检查目标页图片，重建后的 PPTX 会同步更新。常用命令： ```bash python3 scripts/generate_ppt.py \ --edit 3 \ --session 20240523_143052 \ --element-updates '{"subtitle": {"content": "医疗数据碎片化"}}' \ --edit-instruction "将副标题从'健康管理的两类割裂'改为'医疗数据碎片化'" python3 scripts/generate_ppt.py \ --edit 3 \ --session 20240523_143052 \ --edit-prompt "在参考图基础上，只修改标题下方副标题的文字，从'健康管理的两类割裂'改为'医疗数据碎片化'，保持位置、字体、颜色、大小完全不变。" \ --element-updates '{"subtitle": {"content": "医疗数据碎片化"}}' ``` ### 外部 PPTX 摄取后修改外部 PPTX 可先摄取为图片 session，再由多模态 agent 看图补齐每页的 `slide_spec`。没有补 spec 前，不要承诺“精确改某个对象”。 ```bash python3 scripts/generate_ppt.py --ingest-pptx path/to/deck.pptx python3 scripts/generate_ppt.py --ingest-pptx path/to/deck.pptx --session my_deck_2024 ``` ### 回滚和 session 列表 ```bash python3 scripts/generate_ppt.py \ --rollback 3 \ --to-version 1 \ --session 20240523_143052 python3 scripts/generate_ppt.py --list-sessions ``` ## 文件结构 ``` gpt-image2-ppt-skills/ |---- SKILL.md # 本文件（Claude Code skill 入口） |---- AGENTS.md # codex / aider / cursor 等 agent 的薄索引，指向本文件 |---- README.md # 项目说明 |---- scripts/ # 所有 Python 脚本 | |---- generate_ppt.py # 主入口（CLI） | |---- md_to_plan.py # slides_plan.md -> slides_plan.json 转换器（CLI） | |---- render_template.py # PPTX -> 每页 PNG 的辅助脚本（CLI + library） | |---- image_generator.py # gpt-image-2 wrapper（支持 reference image，openai backend） | |---- codex_backend.py # 可选：走 codex CLI 出图（--backend codex） | \---- template_analyzer.py # PPT 模板剖析器（vision + 缓存） |---- styles/ # 所有可用风格，每个 .md 对应一个 style id | |---- gradient-glass.md dark-aurora.md | |---- clean-tech-blue.md risograph.md | |---- vector-illustration.md japanese-wabi.md | |---- editorial-mono.md swiss-grid.md | |---- hand-sketch.md y2k-chrome.md |---- examples/ # 场景 recipes：常见 PPT 的 slides_plan.md 起步模板 | |---- product-launch/ investor-pitch/ | |---- weekly-report/ courseware/ | |---- thesis-defense/ book-sharing/ |---- docs/README.en.md # 英文 README |---- install_as_skill.sh # 一键安装到 agent skills 目录 |---- requirements.txt # requests + python-dotenv + python-pptx + jsonschema + pymupdf \---- .env.example ``` 调用时产生的运行时目录都在 `<cwd>` 下： ``` <your-project>/ |---- template_renders/<stem>/page-NN.png # PPTX 渲染（render_template.py） |---- template_cache/<sha256>.json # 外挂 vision 风格分析缓存（纯文本 agent 路径） |---- template_profile.json # 多模态 agent 可手写/生成的模板 profile（可选） \---- outputs/<timestamp>/ # 每次生成产物 ``` ## License Apache License 2.0.