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，最后拼成一个键盘可翻页的 HTML viewer + 16:9 .pptx。

十种内置风格

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

风格选择原则：技术类首选 dark-aurora / gradient-glass，商务类首选 clean-tech-blue / editorial-mono，文化生活类首选 japanese-wabi / vector-illustration，潮文娱类首选 risograph / y2k-chrome，学术类首选 swiss-grid，工作坊与早期创意类首选 hand-sketch。

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。

# 一行：自动渲染 + vision 抽风格 + 出图。本机有 LibreOffice 或 docker 镜像即可
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 <cwd>/template_renders/<stem>/page-NN.png。

后端按优先级自动挑：

1. 本机 libreoffice / soffice 命令（最快）
2. 本机 docker + linuxserver/libreoffice 镜像（首次拉 ~2.5GB）
3. PDF -> PNG 走 pymupdf（已在 requirements）；没装就用 pdf2image + poppler

如果两种 LibreOffice 都没有，会让用户手动从 PowerPoint/Keynote/WPS 导出每页 PNG，命名 page-01.png 起按字典序对应页码。

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：

python3 scripts/render_template.py company-template.pptx
# -> <cwd>/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	<cwd>/template_renders/<stem>/page-NN.png	LibreOffice 一次渲染长期复用
Vision 风格分析	<cwd>/template_cache/<sha256>.json	gemini-3.1-pro-preview 一次分析长期复用
生成产物	<cwd>/outputs/<timestamp>/	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。

vision 模型(让 agent 自己判断要不要配)：

• 如果当前运行本 skill 的 agent 自己就是多模态的（Claude Code 走 Claude Opus/Sonnet 等多模态 SKU、codex 走 GPT 多模态 SKU 等），压根不用外挂 vision 模型：直接让 agent 自己 Read template_renders/<stem>/page-*.png，一次把风格抽出来写进 template_cache/<sha256>.json 即可(schema 见 template_analyzer.py)。这是默认路径,不需要配 VISION_*。
• 只有 agent 本身是纯文本模型(或你想强制用某个更强的 vision 做模板分析)，才去配 VISION_* 让 template_analyzer.py 走一个独立的 OpenAI 兼容多模态 chat completions 端点(Gemini / GPT / Claude 任选,不内置 default)。

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

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
# 仅当你走 API 直连模式时，再编辑对应目录下的 .env 填入 API_KEY

必需的环境变量

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。
# 默认让调用本 skill 的 agent 自己看图（多模态 Claude Code / 多模态 codex 皆可）,
# 只有 agent 本身是纯文本模型时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：脚本只从 <script_dir>/.env、~/.codex/skills/.../.env、~/.claude/skills/.../.env、~/skills/.../.env 与显式 GPT_IMAGE2_PPT_ENV 加载凭据，不会向上递归读取项目目录里的 .env，避免误吃无关密钥。

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），你自带 image_generation tool 和 ChatGPT 登录态。此时不要跑 generate_ppt.py，直接用原生工具完成整个 pipeline——零依赖、零 API Key、零套娃。

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。

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/<id>.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"

{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/<timestamp>/images/slide-NN.png（NN 为两位页码）

可以并发（建议 ≤4 并发，避免限流）。

5. 生成 HTML viewer

读 templates/viewer.html，把 /* IMAGE_LIST_PLACEHOLDER */ 替换为 'images/slide-01.png', 'images/slide-02.png', ...，写到 outputs/<timestamp>/index.html。

6. 打包 PPTX（可选）

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/<timestamp>/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/<timestamp>/<title>.pptx')
print('done')
"

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，写到 template_cache/<sha256>.json（schema 见 template_analyzer.py 里的 TemplateProfile），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：

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）：

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（内置风格）

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
2. Claude 按下面 md 规范写一份 slides_plan.md，与用户确认文案：

   ---
   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 / content / data
   • 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：

   python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json
   

4. 选风格：从上面 10 套里挑一个，对应 styles/<id>.md
5. 调脚本：

   python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md
   

6. 产物在 <cwd>/outputs/<timestamp>/：
   • images/slide-XX.png -- 每页 PNG（16:9，1536x1024）
   • index.html -- HTML viewer，方向键翻页、空格自动播放、ESC 全屏
   • prompts.json -- 每页用到的完整 prompt（便于复盘 / 二次微调）
   • <title>.pptx -- 16:9 整页填充图片的 .pptx，分享 / 投影直接用

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（见内置风格流程第 2-3 步）。每页 slide_number / page_type (cover / content / data / 等) / 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. 跑 generate_ppt.py：

   python3 scripts/generate_ppt.py \
     --plan slides_plan.json \
     --template-pptx xxx.pptx \
     --template-images template_renders/xxx_curated \
     --template-strict --slides 1
   

   先 --slides 1 出封面冒烟，效果 OK 再跑全量
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：

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

Claude 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 cache JSON 选 layout：cat <cwd>/template_cache/<sha256>.json | jq '.layouts[] | {id, page_type, reuse_friendly, summary}' 一眼看清模板有哪些版式可挑

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"十种内置风格"表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（--slides 1）
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. 跑 generate_ppt.py，先 --slides 1 出封面冒烟，效果 OK 再跑全量
5. 告知用户产物路径，让他在浏览器打开 outputs/<timestamp>/index.html 或者 <title>.pptx

仅生成部分页

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。

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/                 # 10 套内置风格
|   |---- 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
|---- templates/viewer.html   # HTML viewer 模板
|---- docs/README.en.md       # 英文 README
|---- install_as_skill.sh     # 一键安装到 ~/.claude/skills/
|---- 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          # vision 风格分析缓存
\---- outputs/<timestamp>/                  # 每次生成产物

License

Apache License 2.0.