GordenSuperPPT：imagegen 出图 + 四层逆向还原 pptx

用 AI 做 PPT 这件事，长期卡在一个尴尬的二选一上。你让模型直接吐 pptx，得到的版式往往是几个方块加几行字，排版能力被 python-pptx 那套原生形状死死框住。你让模型去出图，画面是好看了，可那是一张焊死的位图，一个字都改不了。好看和可编辑，像是天生不能同时拥有。

GordenSuperPPTSkill 给的答案有点反常。它是 Gorden Sun 开源的一个 Codex 技能包，准确说不是一个技能，而是三个技能的编排。它没有去硬啃”怎么让 AI 直接排好一份 pptx”这道题，而是把题目本身换了个问法。

它的核心架构思想一句话能说清：先用 imagegen 把每一页画成一张成品图片，把”好看”这件事交给生图模型；再用 GPT 的视觉能力把这张图逆向拆成背景、框架、图标、文字四层，按坐标重新拼回一份可编辑的 pptx。一条路走不通，它就拆成两条路接力跑。

这个设计值得拆开看，不是因为它有多少脚本，而是它绕的这条远路，恰好踩在了当前 AI 能力的长短板分界线上。说实话，这点我一开始完全没意识到，看懂之后才觉得它聪明在哪。

架构解析

先看三个技能怎么分工。最外层的 GordenSuperPPTSkill 是个纯编排层，它自己不画图也不抠图，只负责按顺序把两个子技能跑完。阶段一是 GordenImagePPTGen，专门出图片型 PPT；阶段二是 GordenImage2PPTX，专门把图片转成可编辑 pptx。这种拆分的好处是每一段都能单独拿出来用。

阶段一的活儿是设计加出图。它先把内容解构成大纲 outline.json，给每页指派一个不重复的复杂框架和统一配色，再把大纲落成每页的出图提示词，然后逐页调 imagegen 真的把图生出来，最后合成一份全幅图片型的 pptx。这里有一条铁律：必须真调生图模型，禁止用 PIL、SVG、Canvas、matplotlib 这类代码画图来冒充。

为什么阶段一死磕”出图”不肯”画图”？因为代码画不出 imagegen 那种版式。它默认要的是房子型、莫比乌斯环、便当盒、同心雷达这类高阶框架，每页二十多个信息点，”简单”直接判不合格。这是架构的第一个取舍：吃下生图模型的版式自由度，代价是图里的文字可能出错，留到第二阶段再修。

阶段二才是这套架构最反直觉的地方。一张完整的幻灯片图，信息全叠在一起，要让它变回可编辑，就得先解耦。它强制分四层还原：背景图复刻、整体框架图、元素图标装饰、普通文字。前三层都靠 imagegen 提取式重新生成加绿幕抠图，最后一层文字靠 GPT 视觉直接读出来。

四层为什么非得这么切？因为每一层在 pptx 里是不同的对象。背景是一张底图，框架是可整体移动的透明 png，图标是一个个独立切片，文字是真正能改的文本框。绿幕抠图就是把图形元素从纯色底里抠成透明的手段，默认用纯绿 #00ff00，要是原图本来就有绿就换成品红。而 layout.json 这份坐标契约，保证每个元素拼回去时位置不偏。

工作流分析

把一个请求从头跑一遍，链路是这样的：用户给主题，Super 先读两个子技能的说明，完整跑完阶段一的所有页面，再对每一页跑一遍阶段二，最后一次性把全部产物交出来，包括每页图片、四层素材、图片型 pptx 和可编辑 pptx。编排层只管串联和交付，真正的重活都在两个子技能里。

阶段一内部，大纲是整个质量的地基。outline.json 要给每页指派不重复的复杂框架，定下统一配色，还要把内容写厚，每页至少四个并列模块、二十多个信息点。技能里反复强调内容先于排版，排版显得简单几乎都是因为每页内容太薄，所以”先备厚内容再出图”是硬要求。

这里有个容易被忽略的关卡：阶段一的验收门禁。每页出图都要写进 imagegen-manifest.json，逐条记录模型生成的源图和复制后的路径。只要缺了这份清单，或者任何一页没有 generated_source，阶段一直接判失败，不准进阶段二。这道门就是用来防止模型偷懒用代码画图蒙混过关的。

阶段二的关键路径更长。先探色定下本页的抠图底色，避免和画面撞色，再用三次 imagegen 分别生成背景、框架、图标三层，然后抠图切片、量坐标、读文字，写进 layout.json，最后过坐标契约校验和并排视觉对比。每一步几乎都配了一个 QA 脚本盯着，layout_guard 校验坐标一致性，placement_qa 在源图上画框复核，visual_compare_qa 出差异热图。

性能瓶颈很清楚，就在 imagegen 的调用次数和成本上。光阶段二每页就至少三次生图，加上多轮视觉解析，开销自然下不来。看到这套调用密度的那一刻我意识到，它贵不是偶然，是架构换”无损还原”必然付出的代价。

使用场景

实际用的时候，三个技能是按意图分流的。你只想要图片版就单用出图技能，你手头有别人的 PPT 截图只想转可编辑就单用还原技能，你只给主题要个能用的成品、或者干脆没点名，才走 Super 全流程。

这种拆法对使用体验的影响是双向的。好处是灵活，你能只为自己需要的那一段付费，不必每次都跑全流程。代价是你得理解三者的关系，知道什么时候该用哪个，否则容易把简单需求硬塞进最贵的全链路里。

把两条技术路线摆在一起对比，取舍会更直观。直接生成那条路快也便宜，但版式受限、还原度无从谈起；先出图再逆向这条路慢且贵，换来的是接近成品的视觉质量加上真正可编辑的结果。

约束也得说清楚。它只能在 Codex 跑，因为整条链路依赖 GPT 的生图和视觉能力。它很费额度，转换一张图大约要吃掉 Plus 订阅五小时额度的一成。画面里要少用纯绿，免得和绿幕抠图撞色。数据零编造是底线，逆向过程里 OCR 读错字、抠图边缘误差、坐标精度损失也都真实存在。

洞察与反思

这套架构最让我服气的，是它选择不和”让 AI 直接排好 pptx”这道难题死磕。它很坦然地承认 AI 直接排版的能力就是弱，然后掉头去用 AI 当下最强的两件事，生图和视觉理解，把问题迂回解决。扬长避短四个字，落到架构层面就是这个样子。

更有意思的是那些强制约束是怎么来的。技能文档里反复写”绝不用代码绘图兜底”“绝不跳过骨架图和图标层”，作者直接点明这是上一版退化的根因。这说明四层强制和 manifest 门禁不是设计时就想周全的，而是踩了坑、模型偷过懒之后一道道补上去的护栏。一个技能的约束密度，某种程度上就是它踩坑深度的记录。

当然这条路不是没有软肋。逆向还原本质是概率性的，不是无损的。OCR 会认错字，抠图会丢边缘细节，坐标换算有精度损失，复杂图表那一层还原难度最大。它用一整套 QA 脚本去兜底，并排图、叠图、差异热图轮着核对，但兜得住大部分不等于兜得住全部。对还原精度零容忍的人，这里要打个问号。

抛开 PPT 本身，它给我的启发其实更通用。当某个能力短期内补不上来，与其正面硬刚，不如把问题重新表述成一组你已经擅长的能力的组合。GordenSuperPPTSkill 没发明任何新模型，它只是把”排版难题”翻译成了”生图加视觉还原”，这个问题重构的动作，比任何脚本细节都更值得借鉴。

资源地址

总结

回头看 GordenSuperPPTSkill，它真正的价值不在某个抠图脚本或者某份坐标契约，而在那个”先出图再逆向”的问题重构。它把一道 AI 啃不动的排版题，硬生生换成了一道 AI 擅长的生图加视觉还原的组合题，然后用编排把两段接力跑通。

它适合谁也很明确。要成品级视觉质量、愿意为质量掏额度、手里又有 Codex 环境的人，用它能拿到别的方案给不了的东西。反过来，追求快、追求便宜、要批量产出、或者对还原精度零容忍的场景，它并不合适，那条又慢又贵的逆向链路会变成负担。

留一个问题给你。等哪天生图模型能直接吐出结构化的版面数据，连坐标和文本框都一并给出，这条费劲的逆向还原链路，会不会被一步到位地取代掉？如果你也在折腾 AI 做 PPT，不妨想想这个临界点什么时候到。