# 把一张 PPT 截图，重新变成真正可编辑的幻灯片
图片转 PPT 的难点，从来不是生成一个 `.pptx` 文件，而是让它打开以后仍然像一份真正的 PPT：文字能改、卡片能拖、线条能拉伸、图标能移动，同时还尽量保留原图的视觉质感。
我们经常会遇到这样的场景：手里只有一张幻灯片截图、一份扫描版汇报材料，或者一个所有页面都已经被“拍扁”的 PDF。页面看起来很精美，但只要想改一个标题、换一个数字、移动一张卡片，问题就来了——整页其实只是一张图片。
最简单的“图片转 PPT”方案，是创建一张空白幻灯片，再把原图铺满整页。它确实能产出 PPTX，也能做到像素级相似，但几乎没有编辑价值。另一种思路是把所有视觉元素都重新画成 PowerPoint 形状，编辑能力很强，却往往会丢失纹理、光影、复杂插画和原始设计语言。
`gorden-image2pptx-2-0` 选择了第三条路：不把页面看成一张图，而是把它理解成一套具有不同编辑语义的视觉图层，再用最适合每一层的技术重新构建。
这篇文章就来拆解它的设计思想、完整工作流，以及这套方案为什么比“截图铺底”更接近真正可用的图片转 PPT。
一句话理解这个 Skill
`gorden-image2pptx-2-0` 是一个将图片式幻灯片、PPT 截图或任意页面图片，重建为可编辑 `.pptx` 的 Codex Skill。
它的核心不是 OCR，也不是图片切片，而是一套四层重建架构：
ImageGen 生成的纯净背景
→ 多个独立的原生 SVG 框架组件
→ ImageGen 生成的图标、装饰和艺术字
→ PowerPoint 原生可编辑文本框
这四层分别解决四类不同问题：
| 图层 | 典型内容 | 实现方式 | 得到的编辑能力 |
|---|---|---|---|
| 背景层 | 渐变、纹理、光照、背景照片 | ImageGen 重建的干净位图 | 保留整体氛围，不被文字和前景污染 |
| 框架层 | 面板、卡片、分隔线、流程线、图表几何 | 多个独立原生 SVG | 可单独选择、移动、旋转与缩放 |
| 元素层 | 图标、插画、装饰、艺术字 | ImageGen 生成并抠成透明 PNG | 可移动、可替换，同时保留复杂质感 |
| 文本层 | 标题、正文、数字、注释 | PowerPoint 原生文本框 | 可搜索、可复制、可修改、可重新排版 |
关键点在于：这里不是简单的视觉分层，而是编辑语义分层。
背景不需要被拆成上百个小对象；文字必须保持为文字；一张卡片和一条连接线应该是两个能够独立操作的对象；复杂图标没有必要为了“全矢量”而被粗糙地重画。每一层都使用与它的编辑目标最匹配的载体。
为什么图片转 PPT 比想象中难
一张人眼看来很普通的幻灯片，背后至少包含四个互相纠缠的问题。
1. 视觉上存在，不等于语义上独立
人在看到页面时，能自然分辨出“这是标题栏”“这是卡片”“这是图标”“这是正文”。但在位图里，它们只是连续的像素。系统必须先正确分类，才能决定一个对象最终应该成为 SVG、透明 PNG，还是文本框。
分类错误会直接造成重复或缺失。例如，一个箭头同时出现在 SVG 框架层和图标层，最终页面就会叠出两个箭头；如果两层都认为它属于对方，箭头则会彻底消失。
2. 像素相似与可编辑性天然冲突
整页截图能带来最高的初始视觉相似度，却完全不可编辑。全部改画为 PowerPoint 形状，则有更强的编辑性，但复杂的阴影、纹理、插画和艺术字很容易失真。
因此，好的重建不是盲目追求“全部可编辑”，而是为不同对象选择合适的编辑粒度。
3. 位置正确，不只意味着坐标正确
一个对象的外框通常不等于它的几何主体。描边、阴影、辉光、箭头尖端都会扩展可见区域。如果只记录几何框，放进 PowerPoint 后就可能出现裁切或错位。
Skill 因此区分两类边界框：
- `geometry_source_bbox`：不包含特效的几何主体；
- `visual_source_bbox`：包含描边、阴影、辉光、箭头等所有可见像素。
真正用于 PowerPoint 放置的是后者。
4. “PPT 里能看到 SVG”不代表真的嵌入了 SVG
PowerPoint 为了兼容，可能同时保存 SVG 和 PNG 预览。仅仅打开页面观察，无法证明幻灯片关系中保留了真正的 SVG 媒体。
所以这套工作流最终会审计 PPTX 内部的 OOXML：确认每个框架对象确实存在独立的 SVG 关系，而不是表面上叫 SVG，实际仍是一张 PNG。
完整工作流：从一张图到一页可编辑幻灯片
整个流程按页面逐张处理。这样做虽然比整份批量“猜测”更克制，却能让每一页都有完整证据链和独立 QA。
第一步：为每次任务建立隔离工作区
每次运行都会创建唯一的 `RUN_ROOT`，源图、提示词、清单、生成素材、布局文件、预览、QA 报告和最终 PPTX 全部收纳其中。
这不是简单的文件整理。生成式工作流最怕混入旧素材：上一页生成的图标、上一次的背景或者历史布局一旦被误用，结果仍可能“看起来合理”，却失去了可追溯性。独立工作区让每一个输出都能找到来源。
第二步：选择安全的抠图色
框架参考图和图标素材需要先生成在纯色背景上，再做色键抠除。系统会检查源图的颜色分布，选一个页面中不常见的颜色作为 key color，并在同一页的所有相关资产中保持一致。
这一步看似细小，却会直接影响细线、发光边缘和半透明图标的完整性。
第三步：用 ImageGen 重建“纯净背景”
系统把当前页面图片作为真实的编辑输入，要求 ImageGen 移除文字、面板、卡片、图标、图表和所有前景对象，只保留原来的底色、渐变、纹理、光照或背景摄影。
为什么不能直接用原截图做背景？因为后续再把文字和组件叠回去，会发生重影。为什么不能用代码画背景？因为背景往往包含难以用简单图元复刻的光影与材质。
这里，生成式图像模型负责的是它擅长的部分：补全被前景遮住的视觉环境。
第四步：提取框架参考，而不是直接把参考图塞进 PPT
接下来，ImageGen 会生成一张 `frame_reference_raw.png`：只保留面板、标题栏、卡片、按钮、分隔线、连接器、时间线和图表几何等结构元素，排除普通文字、图标与艺术字。
色键抠图后得到的 `frame_reference.png` 只是分析和 QA 参考，不会作为默认框架层直接合成到最终 PPT 中。
这是一个很重要的边界：框架参考图帮助系统“看清结构”，但真正交付的框架必须由多个具有语义的 SVG 组件组成。
第五步：把框架拆成多个独立 SVG
系统会先列出页面中的结构对象，再判断合理的组件粒度：
- 不同面板、按钮和图表区域应当彼此独立；
- 标题栏若可能单独改变高度或颜色，应和面板拆开；
- 一个卡片的填充、边框和阴影通常仍属于同一个对象；
- 一条流程线不应被拆成一堆毫无意义的小路径；
- 普通文字、图标和艺术字不能混进框架 SVG。
每个组件通过矩形、圆、线、折线、多边形、路径和渐变等自包含 SVG 图元构建，并拥有自己的 ID、边界框、层级、缩放策略和锚点。
例如，简单面板允许自由改变宽高；圆形、饼图和复杂图表应锁定比例；横向分隔线适合只在水平方向拉伸；竖向时间线则适合纵向拉伸。
结果是：最终 PPT 中的面板、标题条、连线和图表区域，不再是一整张框架图片，而是多个可独立操作的原生 SVG 对象。
第六步：补齐图标、装饰和艺术字
在生成图标前，系统会先渲染“背景 + 最终 SVG 框架”，再与源图比较，建立元素清单：
- 哪些元素已经包含在 SVG 框架中；
- 哪些图标或装饰仍然缺失；
- 哪些对象被错误地放入框架；
- 哪些素材需要重新生成。
只有真正缺失的图标、插画、装饰和艺术字才交给 ImageGen 生成。小图标可排成 4×4 素材表，大型装饰可用 2×2，复杂艺术字则单独生成。随后统一抠图、切片，并检查是否有粘连、破碎或触碰边缘。
这一步避免了一个常见问题：框架层和图标层重复绘制同一元素。
第七步：用 GPT Vision 读取普通文字
普通文字最终必须进入 PowerPoint 原生文本框。系统使用 GPT Vision 逐块读取文本，并记录：
- 原文内容；
- 真实像素边界框；
- 字号与文本高度；
- 字体、字重和颜色；
- 水平与垂直对齐；
- 行距等排版信息。
这套流程明确不把传统 OCR 作为最终文本来源，因为最终任务不仅是识别字符，还要理解文本块、样式与对象类型。渐变字、描边字、扭曲字或徽章式文字则被归为艺术字，留在图像元素层，以避免用普通文本框强行模拟后失真。
第八步：把所有坐标归一化
所有边界框都基于源图的真实像素尺寸测量，再转换成相对于页面宽高的比例：
x = source_x / ref_width
y = source_y / ref_height
w = source_w / ref_width
h = source_h / ref_height
这样无论源图是 1920×1080、2134×1200，还是其他比例，组件都能按照统一的页面坐标落位，而不会把预览缩略图上的坐标误当成原图坐标。
框架内文字还可以绑定到 SVG 组件的锚点，例如标题中心或内容区左上角，用于生成阶段的精确校准。
不过要注意：PowerPoint 不是响应式网页。用户后续手动拉伸独立 SVG 时，旁边的文本框不会自动重排。需要一起移动时，可以在 PowerPoint 中临时组合；需要只改框架尺寸时，再取消组合。
第九步：合成 PPTX，并注入真正的原生 SVG
合成阶段先添加背景，再按 `z_order` 放入框架组件，随后加入图标和文本。
为了兼容 Office，SVG 对象旁边可以存在 PNG 预览，但合成器会进一步修改 PPTX 内部结构，为每一个框架对象注入真正的 SVG 媒体关系。换句话说，PNG 只是兼容预览，不是伪装成矢量的最终框架。
第十步：审计、预览、修正，再重新合成
一页幻灯片不会在“文件成功保存”时宣告完成。至少还要经历一轮：
生成预览 → 与源图对比 → 修正组件/坐标/文本 → 重新合成
质量检查包括：
- SVG 是否包含嵌入位图、外部引用、脚本或普通文字；
- 框架是否被偷懒合并成一个全页 SVG 或 PNG；
- 每个组件的 ID、边界框、比例坐标和 `viewBox` 是否一致；
- 是否存在元素缺失或跨层重复；
- PPTX 关系中是否保留了原生 SVG；
- 面板、线条和等比图形的拉伸测试是否通过；
- 文本锚点、位置和最终视觉对比是否仍有明显偏差。
这些检查共同构成“失败门禁”：只要关键证据缺失或视觉问题尚未解决，页面就不应该被当作完成品交付。
2.0 版本真正重要的升级是什么
如果只看输出扩展名，图片转 PPT 的方案似乎都差不多。但 `gorden-image2pptx-2-0` 的价值，集中在以下几个设计决定上。
从“一张框架图”升级为“语义化 SVG 组件”
最明显的变化，是默认框架不能再使用整页位图或单个全页 SVG。卡片、面板、标题条、按钮、分隔线、连接器和图表几何，必须按合理语义拆成多个组件。
这让“可编辑”不再只是文字可编辑，而是页面结构也能编辑。
同时记录几何框和视觉框
描边和阴影很容易让定位出现几像素到几十像素的偏差。区分 `geometry_source_bbox` 与 `visual_source_bbox`，让系统能用视觉范围完成准确放置，同时保留真实几何信息用于构建。
为不同组件声明缩放语义
圆形不能随意拉成长椭圆，横线不应该因为改长度而变粗，面板则通常允许自由改变宽高。`uniform`、`horizontal`、`vertical` 和 `free` 等策略，把设计常识变成了可以检查的数据。
用 OOXML 审计证明“真的有 SVG”
最终检查不再停留于截图对比，而是深入 PPTX 包结构，验证幻灯片对象与 SVG 媒体之间的真实关系。这一点把“看起来可编辑”和“结构上确实可编辑”区分开来。
把可追溯性当作品质的一部分
背景、框架参考和图标表都要保存生成提示词与资产清单；最终 SVG 也有独立清单。任何素材来自哪里、经过了哪些步骤、是否混入旧运行结果，都可以被追踪。
对于生成式生产流程来说，这与视觉相似度同样重要。
如何在 Codex 中使用
安装或放置好 Skill 后，可以把幻灯片截图作为输入，并用自然语言描述目标。例如：
请使用 gorden-image2pptx-2-0，把这张 16:9 的 PPT 截图还原为可编辑 PPTX。
要求：
1. 保持原始版式、色彩和字体层级；
2. 面板、标题栏、分隔线和图表结构拆成独立原生 SVG；
3. 普通文字使用可编辑文本框；
4. 图标和装饰保持为可移动透明图片；
5. 完成原生 SVG 审计、缩放测试和最终视觉对比；
6. 交付 PPTX、RUN_ROOT、审计结果与仍存在的非阻塞差异。
如果一次输入多页，建议明确页序和输出顺序。Skill 仍会逐页处理，再合并为一份 deck。若你确实希望部分框架进一步转换成 Office 原生形状，也要主动说明；默认模式会保留为独立 SVG，因为这是视觉还原度、文件稳定性与编辑能力之间更均衡的选择。
适合什么，不适合什么
这套方案特别适合：
- 只有截图或图片版 PDF，希望恢复成可编辑演示文稿；
- 需要替换标题、数字和正文，同时保留原设计风格；
- 页面包含大量卡片、流程、时间线、图表或 UI 式面板；
- 希望结构对象可以分别移动、缩放和复用；
- 对交付物的来源、验证和可追溯性有要求。
它并不意味着所有页面都能百分之百自动恢复。以下内容仍然具有挑战：
- 复杂玻璃拟态、粒子、烟雾、毛发或强透明效果；
- 极度复杂的插画与框架互相遮挡；
- 字体不可用或原图中文字过小、过糊；
- 图表数据不可见，只能恢复视觉，无法反推出原始数据；
- 希望所有对象都转换成 Office 原生形状，并保持像素级一致。
合理的目标不是“每个像素都能编辑”，而是把最常修改、最有结构意义的内容恢复成高质量可编辑对象，同时让复杂视觉继续保持原貌。
我从这套设计中学到的三件事
第一，可编辑性不是二元属性
一个 PPT 不是只有“可编辑”和“不可编辑”两种状态。文字可改、图标可移动、卡片可拉伸、图表可重构，是不同层级的编辑能力。先定义用户真正要改什么，才能决定合理的重建方式。
第二，生成式 AI 最适合补全视觉，不适合独占结构
ImageGen 很擅长恢复被遮挡的背景、保持插画风格、生成复杂装饰，但几何框架与文字需要确定性更强的载体。把 AI 用在它擅长的视觉层，把 SVG 和 PowerPoint 文本框用在结构层，结果比“全交给模型”更稳定。
第三，质量来自证据链，而不只是最后一张预览图
一张预览看起来正确，并不能证明对象真的独立、SVG 真的存在、边界框真的可靠。资产清单、SVG 校验、OOXML 审计、缩放测试和视觉对比，让结果从一次“看起来不错”的生成，变成可以复核的工程交付。
写在最后
图片转 PPT 的终点，不应该是“这张图终于能在 PowerPoint 里打开”，而应该是“这页内容终于可以继续工作了”。
`gorden-image2pptx-2-0` 最有意思的地方，不是它多生成了几个文件，而是它重新定义了这类任务的目标：在视觉还原、对象语义和编辑能力之间建立一套清晰的分层规则，再用严格的质量门禁证明交付物没有偷懒退化成一张图片。
当背景仍有原来的氛围、框架可以单独缩放、图标可以自由移动、文字可以直接修改时，一张已经“死掉”的幻灯片截图，才算真正重新活了过来。
文章内容的 `gorden-image2pptx-2-0` Skill 基于`gorden-image2pptx`优化。感谢作者GordenSun！
