AI 生成 PPT 的技术原理研究

Posted on Tue, 28 Jul 2026 09:29:56 +0800 by LiangMingJian

知彼知己者，百战不殆；不知彼而知己，一胜一负，不知彼，不知己，每战必殆。————《孙子兵法·谋攻篇》

问题 #

• AI 是怎么生成 PPT 幻灯片的？
• AI 使用何种技术生成 PPT 幻灯片？
• AI 是如何生成可编辑的 PPT 幻灯片？
• 现在市场上各大厂家都是使用什么技术生成 PPT 幻灯片的？
• 怎么才能更好的通过 AI 生成 PPT 幻灯片?

当前市场 AI PPT 工具的类型 #

模板填充型（主流产品） #

模板填充型是当前主流的技术方案，它通过 LLM 生成大纲内容，然后填充进预设 PPT 模板，来完成 PPT 创建。它生成的是可编辑的 PPT 文件。

模板填充型 AI PPT 工具的工作流程如下所示：

用户输入 → LLM 生成大纲与分页内容 → 匹配预设模板/版式 → 将文字填入占位符 → 生成可编辑 PPT。

这类工具的核心竞争力不在于模型，而在于模板的数量、质量、以及匹配算法，只有在足够多，足够好的模板支撑下，结合优秀的模板匹配算法，这类工具才有可能制作出优秀的 PPT。

全布局型 #

全布局型这种技术方案不仅会让 LLM 决定内容，还会让 LLM 决定每一页的排版方式——内容放哪里、图片放哪里、字号要多大。它生成的也是可编辑的 PPT 文件。

全布局型 AI PPT 工具的工作流程如下所示：

用户输入 → LLM 生成大纲与分页内容 → LLM 操作 PPT 代码填充元素 → 生成可编辑 PPT。

这种方案上限高，但下限低。受限于 LLM 没有视觉能力，因此在排版布局时，LLM 只知道坐标，没办法“看见”元素的摆放方式，也难以理解元素的摆放方式，因此容易出现错位或者溢出的问题，最终导致 PPT 会很难看。

为解决全布局型元素摆放错位，异常的问题，目前主流的一种方案是回退模板填充的部分布局型。

因为全布局型生成的 PPT 布局难看，因此可以先回退模板填充，在填入大量内容后，通过 LLM 对部分内容进行布局调整。LLM 只对部分元素进行布局设计，因此对布局影响较小，生成的 PPT 也更为美观。当前一些对话式 PPT 生成（可以边和 AI 聊边设计 PPT）的就是这种方案。

图片型 #

图片型本质应该称为 HTML 型，它抛弃操作 PPT 代码的方法，转而去操作 HTML，通过 HTML+CSS 构造一批的网页，然后截图内嵌进 PPT 文件。它生成的是不可编辑的 PPT 文件。

图片型 AI PPT 工具的工作流程如下所示：

用户输入 → LLM 生成大纲与分页内容 → LLM 通过 HTML+CSS 编写网页 → 将网页截图并内嵌进 PPT 文件 → 生成不可编辑 PPT。

对 LLM 来说，操作 HTML 比操作 PPT 原生代码更为熟练（HTML 的训练资料更多）。因此，通过这种方法生成的 PPT 会更为美观。但是缺点也明显，对于一般用户，在 PPT 生成后，无法手动编辑内部元素的布局，排版。

模板填充型的技术实现 #

PPT 文件本质是一个 ZIP 压缩包，对 PPT 右键解压缩，可以看见其被提取多个文件夹。

这些文件夹里面存放着 PPT 的构造内容——— OOXML（Office Open XML） 文件。

OOXML（Office Open XML）是一种基于 ZIP 和 XML 的开放文件格式，是微软设计用于存储 Microsoft Office 文档（如 Word、Excel 和 PowerPoint）的一种文件格式。

模板填充型的技术实现就是通过编写代码来修改这些 OOXML 文件，将 LLM 生成的大纲内容替换模板里面对应的占位符。

当前主流的依赖库是 Python 的 python-pptx。它不直接编写 OOXML，而是封装了一套面向对象的 API，让开发者可以直接操作对象，而不用考虑对应的 OOXML 应该如何编写。

在 OOXML 中，文本标签是 <a:t>，文本框标签是 <p:sp>、形状是 <p:sp>、图表是 <c:chart>、表格是 <a:tbl>、图片是 <p:pic>，因此如果要求判断一个 PPT 是不是可编辑的 PPT，可以通过遍历 XML 元素，检测标签的种类。如果一个 PPT 的标签大量都是 <p:pic>，则这个 PPT 不是一个可编辑的 PPT，是一个图片型 PPT。

AI PPT 的最佳实现 #

LLM 负责内容，设计师负责美观。

在我看来，AI PPT 的最佳实现应该是如下逻辑：

LLM 生成 PPT 内容 → 设计师设计美观的 PPT 模板 → LLM 编写代码将内容填充到 PPT 模板版式

在 AI PPT 的最佳实现中，LLM 不应该操作 PPT 元素。LLM 只做填充，PPT 所有元素的定位都应该由设计师通过模板固定。

在这种结构的支撑下，既用到 AI 大模型优秀的文字生成能力，也用到设计师优秀的 PPT 排版能力，保证生成的 PPT 既美观又丰富。

如何保证模板的可用（设计师的工作） #

基于上述 AI PPT 的最佳实现，我们知道 PPT 的美观是由设计师的模板决定的。那模板如何保证美观，如何让 LLM 正确填充，则要设计师遵循一些设计规范。

模板不要携带任何页面

LLM 在填充模板时，默认使用提供的模板文件。此时，如果提供的模板文件里面已有 PPT 页面，则这些页面不会被删除，LLM 新建的页面会在这些已有页面的后面，严重影响 PPT 文件的正确性。

使用母版功能来设计模板文件

在 PPT 中，母版功能是设计模板文件的唯一选择。母版里面元素会默认出现在所有版式中，版式是 LLM 填充内容的选择。

使用标准的占位符标识位置

LLM 通过识别版式中的占位符来对内容进行填充。当 LLM 识别到版式里面有两个文本占位符时，它可以根据占位符的位置，大小，预填文字来判断这两个文本占位符哪一个是标题，哪一个是内容。然后通过编写代码，根据对应占位符的 idx 来一对一替换，将内容填充进入版式。

占位符类似文本框，一样可以设置字体，大小，颜色。这些设置的内容在 LLM 填充时都不会发生变化。你所设计的一切内容，LLM 都不会进行修改。

在占位符中使用清晰的预填提示

在版式设计时，推荐在每一个占位符中标识这个占位符应当填写什么内容，比如主标题，子标题，标题1，标题2，章节1，章节2，内容1，内容2，图片等。通过这种预填提示，可以帮助 LLM 更好的理解版式结构，让 LLM 选择到合适的版式进行填充。

使用规范的版式名称

在完成版式设计后，应当给版式设计一个足够清晰，足够规范的版式名称。一个清晰规范的版式名称可以让 LLM 快速的选择到合适的版式进行填充。

如何保证填充的可靠（LLM 的工作） #

告诉 AI，使用指定模板文件里面的版式进行创建

这可以避免让 LLM 使用其他 PPT 生成方式（图片型和全布局型）来生成 PPT。

告诉 AI，读取模板文件里面的版式的基本信息

这些基本信息包括：母版数、版式数、版式名，每个版式的占位符、占位符的提示/类型/idx/坐标/尺寸，装饰元素等。

告诉 AI，理解版式里面的占位符提示文件，优先以提示内容为准进行填充

LLM 在填充版式时，默认会按占位符的 idx 顺序进行填充，但是占位符的 idx 顺序并不准确，它不能准确的表示占位符所在的位置（版式的 idx 是无法编辑的，是 PPT 默认生成的一个内置属性）。因此需要让 LLM 根据占位符的提示文字进行识别，保证内容的正确填充。

告诉 AI，当占位符 idx 重复时，应当停止执行，让设计师修正版式

版式在设计时，占位符 idx 有可能会因为复制粘贴导致重复，此时，如果硬让 LLM 填充，会因为无法填充 idx 而失败，所以需要用户进行修正。

解答 #

• AI 通过操作 PPT 的源代码 OOXML 来生成 PPT。
• AI 使用模板填充，全布局，图片HTML生成等方式生成 PPT。
• 只有通过模板填充或者全布局的方式才能生成编辑的 PPT。
• 当前主流的 PPT 生成方式是基于模板填充的部分布局方式。
• LLM 负责文字内容和填充，设计师负责设计，LLM 不应该直接操作元素布局。

LLM 负责内容，设计师负责美观，让对的人干正确的事情。