重建、自检、修正循环image-to-editable-ppt-skill的对象级重建设计理念深度解读【免费下载链接】image-to-editable-ppt-skillCodex skill for converting slide images, PDFs, and image-based PPTX files into editable PowerPoint decks.项目地址: https://gitcode.com/gh_mirrors/im/image-to-editable-ppt-skillimage-to-editable-ppt-skill 是一个把幻灯片图片、PDF 和图片版 PPT 重建为对象级可编辑 PPT 的 AI skill。它的核心不是「OCR 识别完贴回去」而是一套完整的「重建 → 自检 → 修正」闭环每一页被拆成文字、形状、视觉资产三类对象分别还原为原生文本框、PPT 形状或独立图片再对照源图逐项自检不合格就在页面内修正直到通过确定性校验。下面带你拆解这套设计理念。一、为什么是对象级重建一页拆成三类对象看到「图片转 PPT」很多人的第一反应是OCR 提取文字再把原图贴回去。但那样的产物只能整页移动——改一个字就得重画整张图。image-to-editable-ppt-skill 选择了另一条路认为一页幻灯片里不同对象的价值并不相同于是分三类分别重建对象类型重建为编辑粒度可读文字原生文本框 / 表格单元格直接改字、改字号、改颜色简单几何矩形、线条、箭头PowerPoint 形状移动、缩放、改样式复杂视觉照片、图标、手绘装饰独立图片资产带来源记录整体移动或替换关键在于第三种照片、插画不会被硬拆成形状而是被分离成带来源记录的独立图片资产——至少能在 PowerPoint 里整体挪动和替换而普通表格、图表、流程图则优先重建为原生表格和结构对象。这种「能编辑的变对象、拆不动的变资产」的混合策略是整个对象级重建的地基详见 docs/design.md。二、重建三步曲先定来源再落对象每一页重建前skill 先要求建立完整的「页面盘点」全部可读文字、背景类型、前景视觉对象、公式、圆角几何然后按固定顺序走三步见 page-decision-tree.md背景识别与修复——先判断背景能否用原生对象直接重建纯色、渐变、卡片底板还是需要图片编辑「先去掉前景、再修补背景」前景资产分离——所有非文字的视觉对象图标、照片、贴纸、手绘线必须走图片编辑的素材板流程分离出来明确禁止用原生形状近似、或直接裁切源图冒充原生元素重建——最后才把文字位置与字号来自 OCR 实测值、形状、表格落进页面。顺序为什么不能乱因为如果先重建文字「属于 logo 或截图里的文字」就会被错误锁进文本框后面所有修正都是返工。这个「先定来源、再落对象」的决策顺序是防「虚假进展」的第一道防线。三、核心闭环重建 → 自检 → 修正一页可能迭代多轮 这是项目设计理念的核心也是它费 token 的根源。每页的重建者page worker必须执行这个循环重建 → 确定性构建页面 生成原图/预览对比图 → 对照源图逐项自检 → 页面内修正 → 只复验受影响对象 → 通过后停止自检清单非常具体干净背景有没有「鬼影」和模糊块、分离出的资产有没有粘连或缺笔画、文字有没有裁切或字号比源图明显偏大、卡片圆角是否与源图一致、同一个对象有没有「图片层出现一次、原生对象又出现一次」——全是硬性检查项。最有设计感的是 Fix versus Warning 的分界线分离资产的细小毛边、轻微抗锯齿差异可以记为「已记录的 warning」交付不死磕完美但资产缺失、文字字号错位、圆角分类错误这类结构性问题必须在当前页修好绝不允许流到下一步。这个「小瑕疵记录、大问题必修」的规则让循环能高效收敛而不失守质量。上图中每个文本框、图标、连线都是可独立选中的对象——这些选择手柄就是闭环跑完的「可编辑性证据」整页贴图是永远做不出来的。修正环节还遵循一份恢复契约先读上次验证失败的原因、复用已核验的资产、只修受影响的部分不做整页推倒重来见 page-worker.md。四、确定性校验机器把关杜绝虚假进展 ✅AI 自检是「视觉」的项目又设了一道「结构」的硬闸——由manifest.json驱动的确定性校验editppt page validate把页面构建产物与 manifest 比对检查定位对象是否都有源图像素坐标、文字是否真实可见的原生文本、每张图片是否都有来源记录editppt run record只有validation.json顶层passed: true的页面才能进入recorded状态同时记录产物哈希防止后段被「动手脚」editppt run finalize按页顺序组装整套 PPT再校验包结构、页数、媒体关系、资产哈希、备注哈希以及页面是否违规使用「整页原图 文字覆盖」的偷懒模式。校验实现见 validate_pptx.py字段契约定义在 manifest-schema.md。双闸的价值在于AI 觉得「看起来对」但结构不过照样被拦结构过了但对象来源违规同样不算数——这就是对「虚假进展」的最终回答。五、多页并行重建状态留痕进度随时可查多页输入由主 agent 按并发槽位默认 6 个分派给 page worker 并行重建每页独立工作目录中间产物全部留痕output/image-to-editable-ppt/{job-id}/ ├── deck_manifest.json # 整套 deck 的页面清单 ├── page_jobs.json # 每页分派与完成状态 └── pages/page_001/ ├── source.png # 归一化后的页面源图 ├── manifest.json # 对象级重建描述唯一事实来源 └── validation.json # 本页校验结果页面状态机严格为pending → dispatched → recorded → accepted每次流转只能由editppt命令推进不允许手写状态文件卡住的页面可reset回pending重新分派主 agent 只读状态、不越界干涉页面内部。完整流程参见 docs/workflow.md。六、代价与适用人群token 贵但改不动的复刻没有意义成本要说透因为每页可能自检修正多轮把图片版 PPT 转成可编辑 PPT 的消耗通常是直接生成这套图片 PPT 的2-3 倍单页复原可能超过 10 分钟详见 docs/faq.md。因此项目把边界划得很清楚适合用需要逐字、逐元素修改现有幻灯片——把图片版 PPT、PDF 汇报材料变成可编辑初稿不适合用只想要几张好看图片、或从大纲生成全新 PPT 的场景有更轻量的做法。七、快速上手一句话触发可编辑 PPT 重建 安装 skill 后在 Codex 中粘贴一张幻灯片图片发一句指令即可$image-to-editable-ppt 把这张图片转成可编辑 PPT。之后 OCR 文字校正、逐页并行重建、自检修正、最终组装与校验全部自动完成你最终拿到的是一份文字、形状、图片资产都能单独选中编辑的.pptx。延伸阅读SKILL.md执行规则与四阶段工作流· page-decision-tree.md页面对象决策树全文· README.md完整功能清单【免费下载链接】image-to-editable-ppt-skillCodex skill for converting slide images, PDFs, and image-based PPTX files into editable PowerPoint decks.项目地址: https://gitcode.com/gh_mirrors/im/image-to-editable-ppt-skill创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考