ppt-agent-skills

PPT Agent 以严格的状态机驱动多 Agent 协作，将一句话需求输出为专业级 PPTX 文件，从根源解决传统大模型生成的幻觉、重叠与布局混乱问题。

最近更新

2026-04-09 · v4.1

• 补齐 Step 3 density_bias 与 Step 4 density_label / density_contract 合同，页面密度预算开始成为明确的可校验约束。
• visual_qa.py 新增 planning + html 双层断言，除了看图，也会核对结构与装饰预算。
• 新增 subagent_logger.py，把 PageAgent / PagePatchAgent 的阶段命令与运行日志补齐，断点返工更容易审计与回放。

安装

npx skills add sunbigfly/ppt-agent-skills

核心亮点

Subagent 阶段隔离：Research / Outline / Style / Planning 四大阶段各自运行独立的子代理，Context 不互染。每个子代理创建时强制携带 SUBAGENT_MODEL 参数，禁止走默认回退。

像素级 Visual QA 闭环：每页 HTML 构建后自动截图，由大模型进行视觉审计。检测到布局溢出后，子代理以 DOM + CSS 结构重写的方式消除冲突，而非依赖间距微调。

无状态断点恢复：全流程不依赖任何进度状态文件。中断后通过扫描磁盘上已存在的产物文件（outline.txt / style.json / slide-N.png 等）自动推断恢复点。

数据层与渲染层隔离：每页先生成并由 planning_validator.py 通过校验的 JSON 合同，再驱动 HTML 渲染。针对生成的静态文件拥有 html 级物理结构探测器拦截非标骨架。

《阴阳割线》设计哲学：首创在底层封死绝对的物理安全墙与基准坐标流（阴）的前提下，向 AI 模型全量释放针对 Typography、重叠深度与留白排版的特权（阳），告别传统的平庸公文感。

极速底层光栅化引擎：内置的 Puppeteer 引擎彻底摒弃硬延时，全面接入事件全息钩子 (document.fonts.ready 及全节点监听)，实现 0 丢字体、0 秒白等的极速快门截图与 SVG 源生解析。

双引擎 PPTX 导出：PNG 光栅流保证跨平台 100% 视觉还原；SVG 矢量流保留字体可独立编辑。

工作流

P0 采访   →  P1 分支确认
P2A 联网检索 / P2B 本地资料压缩
P3 叙事大纲  →  P3.5 全局风格锁定
P4 逐页并行生产（Planning → HTML → Visual QA）
P5 Preview + 双 PPTX 导出

每个阶段产物落盘后经 Gate 校验放行，失败只回退当前步，不影响其他页进度。

产物链

interview-qa.txt → requirements-interview.txt
  → search.txt + search-brief.txt | source-brief.txt
  → outline.txt → style.json
  → planningN.json → slide-N.html → slide-N.png
  → preview.html → presentation-{png,svg}.pptx → delivery-manifest.json

效果示例

点击展开渲染参照

快速开始

本项目以 Agent Skill 形式运行，无需独立部署。在支持 Skill 的代理环境中直接输入需求即可触发完整流程：

"帮我生成一份关于 2026 年具身智能发展趋势的 15 页路演 Deck，暗色科技风格。"

所有产物输出至 ppt-output/runs/<RUN_ID>/，包含网页预览和双格式 PPTX。

仓库结构

ppt-agent-skill/
├── SKILL.md          # 主控制台：状态机、Gate、恢复规则
├── scripts/          # 执行脚本（validator / harness / exporter）
├── references/       # 按需挂载的 Markdown 知识源
│   ├── playbooks/    # 各阶段子代理执行手册
│   ├── styles/       # 主题风格规范
│   ├── layouts/      # 版式资源
│   ├── charts/       # 图表模板
│   └── blocks/       # UI 组件
└── assets/

友情链接

已链接认可 LINUX DO 社区 的友情链接。

License

MIT