ningzimu/image-to-editable-ppt-skill

简体中文 · English · 한국어

一个用于把图片、PDF、图片版PPT 转成可编辑 PowerPoint 的 skill。它先把输入归一化为逐页任务，再重建为 .pptx：可读文字尽量恢复为原生文本框，简单几何尽量恢复为 PowerPoint 形状，复杂视觉元素保留为带来源记录的独立图片资产。

它适合把截图式或图片式幻灯片变成更容易二次编辑的 PPT，让文字、简单形状和视觉素材尽量分开调整。

Codia NoteSlide	批量图片转 PPT 的高效选择。大量图片或 PDF 需要转成可编辑 PPT？Codia NoteSlide 提供快速、价格亲民的在线转换服务，适合批量处理。已经订阅 ChatGPT，希望通过 Codex 逐页重建、反复调整文字与布局的用户，可以继续使用本项目。 体验 Codia NoteSlide →
Spire.Presentation for Python	把生成的可编辑 PPT 进一步自动化处理。通过 Python 以编程方式编辑、转换并生成 PowerPoint 文件，支持 AI Agent 借助代码直接完成后续文档操作。 体验 Spire.Presentation for Python →

原图	转换后可编辑效果

• 适用场景广泛，支持多种输入：单张图片、多张图片、多页 PDF、图片版PPT 到可编辑 .pptx。
• 单页/单图输入可由主 agent 本地执行同一页面重建流程；多页输入由主 agent 分派给 page worker/subagent，并按 max_concurrent_pages 并行处理。
• 图片生成和编辑优先使用 Codex 内置 image_gen.imagegen；满足明确降级条件时才进入 editppt image CLI，由 CLI 依次选择本机 Codex OAuth 和 OpenAI-compatible API。
• 第三方 API fallback 配置保存在 ~/.editppt/config.yaml；Windows 下对应 %USERPROFILE%\.editppt\config.yaml。
• 文字大小与位置由测量驱动：prepare 阶段为每页生成文字标注（框坐标 + 字号 + 字号分组），模型按测量值还原文字，同级文字字号自动保持一致。
• 多张图片按提供顺序生成页面；PDF 和 .pptx 保留原页码顺序。
• .pptx 输入的页面备注会复制到输出对应页，备注内容不改动。
• 根据具体页面情况决定是否通过已确认 image backend 做图片分层抽取；需要时用稀疏 asset sheet 合并前景素材，优先把图标放在一个素材板上，并保留充足间隙便于后续分离。
• 素材卡默认使用与主体颜色区分明显的纯色背景，去背后按对象区域裁切，保留分离的小笔画。分割成功不代表图标与原图完全一致，仍需逐项核对。
• 支持普通行列表格重建为 PowerPoint 原生表格，保留可编辑单元格、行列尺寸、矩形合并和基础样式。
• 支持复杂视觉页的混合策略：可编辑文字 + 简单形状 + 独立图片资产。
• 支持完整的原生曲线路径、虚线样式和端点箭头，可整体调整线条形状与样式；曲线路径不等同于数据驱动图表。 在 PowerPoint 中，右键曲线选择“编辑顶点”，再点端点或顶点，拖动出现的白色控制手柄即可调整曲度。

• 把一张或多张 slide 图片重建成可调整文字和元素位置的 PPT。
• 把多张图片或多页 PDF 转成一个多页 .pptx。
• 把图片版PPT页面转换为更容易二次编辑的 .pptx，并保留原页面备注。
• 复刻单页视觉设计，同时保留文本可编辑性。
• 对比源图与输出页面，定位缺字、错位或资产缺失。

• 单页/单图输入不需要创建 page worker，但仍必须走同一页面 prompt、产物和 editppt run record 校验流程。多页输入需要 agent 能分派 page worker/subagent；如果不能创建 page worker，应换到支持 page worker 的环境执行。
• 复杂背景补全、前景图标提取、透明 asset sheet 和局部图片编辑按页面串行执行，并优先使用内置 image_gen.imagegen。
• 内置工具满足降级条件时才进入 CLI fallback；如果本机有 Codex OAuth（~/.codex/auth.json），CLI 会直接使用，否则使用 API fallback。
• API fallback 配置保存在 ~/.editppt/config.yaml；Windows 下对应 %USERPROFILE%\.editppt\config.yaml。
• 文字大小与位置的校正需要一个第三方 OCR Token（百度 AI Studio，免费），详见下文「文字校正与 OCR Token」；未配置时退化为内置离线检测，文字还原质量会打折扣。

完整后端优先级是：Codex 内置 image_gen.imagegen → Codex OAuth → OpenAI-compatible API。内置工具由 agent 直接调用，Python/editppt CLI 不能调用或探测它；只有内置工具不可用/不可调用、调用报错、编辑输入不可读或没有返回有效本地图片时，才进入 editppt image CLI fallback。CLI 内部优先使用本机 Codex OAuth；如果不可用，再读取 ~/.editppt/config.yaml 或环境变量里的 OpenAI-compatible API 配置。

内置生图只需要 prompt；内置编辑图只需要 prompt 和本地绝对路径 referenced_image_paths，并且编辑前必须先查看输入图。内置工具没有 mask、model、size、quality、out 等参数，缺少这些参数绝不触发 fallback。成功后只接收工具明确返回的本地路径（包括 output_hint），验证文件有效再导入；不会扫描目录猜测“最新文件”。

CLI fallback 的 editppt image generate/edit 参数面保持精简：请求输入只需要 --prompt 或 --prompt-file，编辑图还需要 --image；页面重建时应显式传 --out。实用控制只保留 --model、--size、--quality、--force、--dry-run、--timeout，以及编辑图专用的 --mask。CLI 不会透传其它 image API 选项。

通常不需要你自己配置。只有这些情况才需要让 AI 帮你配置 API fallback：

• 用户明确要求使用第三方 API 或 OpenAI 兼容中转站。
• 在 Claude Code、OpenClaw、Hermes Agent 等非 Codex 环境中使用，并且没有可用的 Codex OAuth auth。
• editppt image 报告 Codex OAuth 和 OPENAI_API_KEY 都不可用。

如果需要第三方 API fallback，告诉 AI 你要使用的服务、base URL、模型名和 API key 即可。AI 会在执行过程中完成环境检查和配置写入，把凭据保存在用户级配置 ~/.editppt/config.yaml（Windows 下为 %USERPROFILE%\.editppt\config.yaml），并在输出里遮蔽敏感值。不要把 API key 写进项目目录、run 目录或 skill 目录。

本 skill 通过第三方 OCR 服务（PaddleOCR-VL）来校正文字的大小和位置：转换开始时会把整个输入作为一个批量任务提交识别，为每页生成文字标注（精确的框坐标、按源图墨水实测的字号、同级字号分组和识别出的文字内容），AI 在重建时以这些测量值为准，文字不再依赖目测。

你只需要做一个动作——申请 Token：到百度 AI Studio 申请 Access Token：https://aistudio.baidu.com/account/accessToken。对个人使用来说，目前免费额度完全够用，可以放心申请，无额外费用。

不需要手动执行任何命令：本 skill 依赖的 editppt 命令行工具是 AI 在执行 skill 的过程中自动安装的，配置也由 AI 代劳。首次使用时如果还没配置 Token，AI 会主动询问你一次——把申请到的 Token 发给它即可，AI 会帮你写入用户级配置（与图片 API 凭据同一个文件，遮蔽存储），一次配置长期生效，之后不再提示。

不提供 Token 也能运行：skill 会退化为内置的离线检测器（纯几何测量——知道文字在哪、多大，但不识别内容），文字还原质量会有折扣。

• 其他 agent 需要支持 skill 加载、文件读写和 CLI 执行；多页任务还需要 page worker/subagent 分派机制。
• 内置图片工具依赖当前 agent runtime 是否提供 image_gen.imagegen；Codex OAuth 路径依赖本机 Codex auth 和订阅侧图片额度；API fallback 依赖所选 OpenAI-compatible 服务的图片生成/编辑能力。
• 本 skill有着相对复杂的流程控制，Token花费比较高。将一个图片PPT转换成可编辑PPT的成本，可能是生成图片PPT成本的2-3倍。
• 受限于模型基础理解能力和对 skill 的遵循能力，不保证 gpt-5.5 以下模型的使用效果。
• 部分图片元素和文字位置可能会有轻微偏移，不能保证 100% 复刻原始页面。

安装 image-to-editable-ppt 这个 skill，地址是 https://github.com/ningzimu/image-to-editable-ppt-skill

安装 skill 后，正常转换、图片 API fallback 和 OCR Token 配置都由 AI 在执行过程中检查和处理；你只需要在 AI 询问时提供第三方 API 信息或 OCR Token。

更新 image-to-editable-ppt 这个 skill，地址是 https://github.com/ningzimu/image-to-editable-ppt-skill

在支持显式选择 skill 的 agent 里，可以用对应语法选中 image-to-editable-ppt；Codex 中可使用 $image-to-editable-ppt。图片、PDF 和 .pptx 可以直接粘贴或附加到对话框，也可以提供本地路径：

$image-to-editable-ppt 把这张图片转成可编辑 PPT。
$image-to-editable-ppt 把这些图片转成一个可编辑 PPT。
$image-to-editable-ppt 把 <path-to-deck.pdf> 转成可编辑 PPT。
$image-to-editable-ppt 把 <path-to-image-based.pptx> 转成可编辑 PPT。

skill 通常会完成这些步骤：

1. 创建独立任务目录，把输入归一化为 pages/page_NNN/source.png，并写入默认 editppt image backend。
2. 如果只有 1 页，主 agent 先用 editppt run dispatch --local 认领页面，再按同一页面 prompt 本地重建；如果有多页，则按 max_concurrent_pages 分批分派给 page worker 重建。
3. 页面重建者（主 agent 本地模式或 page worker）负责自己的页面目录，完成页面重建、自检和 page-local 修正。
4. 每页创建 manifest，重建可编辑文本、简单形状和图片资产。
5. 用 editppt 命令记录 dispatch、page result 和 accepted 状态。
6. 主 agent 用 editppt run finalize 按页顺序读取已记录的 manifest.json 重建最终 .pptx，复制 .pptx 页面备注，并运行 deck validation。

输出始终是 PowerPoint .pptx：

只有 .pptx 输入会处理页面备注。备注由主 agent 按页原样复制到输出 PPTX：不翻译、不摘要、不改写，也不交给 page worker 处理。

每次转换必须使用一个独立输出目录，所有中间文件和最终结果都保存在其中：

output/image-to-editable-ppt/{job-id}/        # 单次转换任务目录
├── input/                                    # 原始输入文件副本
├── deck_manifest.json                        # 整个 deck 的页面清单和输出配置
├── page_jobs.json                            # 每页分派和完成状态
├── run_state.json                            # 当前任务的整体运行状态
├── notes_manifest.json                       # PPTX 页面备注提取与映射记录
├── final/                                    # 最终输出目录
│   ├── {origin}_edited.pptx                  # 最终可编辑 PPTX
│   ├── validation.json                       # 最终 deck 校验结果
│   └── run_summary.json                      # 本次转换摘要
└── pages/                                    # 按页拆分的重建工作区
    ├── page_001/                             # 第 1 页工作目录
    │   ├── source.png                        # 归一化后的页面源图
    │   ├── page_request.json                 # 页面请求和 image backend
    │   ├── worker-prompt.md                  # 生成给页面重建者的提示词
    │   ├── imagegen-jobs.json                # 本页图片生成/编辑调用和结果记录
    │   ├── assets/                           # 本页拆出的独立图片资产
    │   ├── page.pptx                         # 本页单页 PPTX；record 阶段用于校验和交付性检查
    │   ├── preview.png                       # 本页重建预览图
    │   ├── split_assets_contact.png          # 本页资产切分检查图
    │   ├── manifest.json                     # 本页文本、形状和资产描述；finalize 的权威输入
    │   ├── validation.json                   # 本页校验结果
    │   └── page_result.json                  # 本页产物索引
    └── page_002/                             # 后续页面工作目录
        └── ...

• 这个 skill 面向输入页面的可编辑重建，不是从零生成整套 PPT 内容。
• 单页/单图输入可由主 agent 本地重建；多页输入通过 page worker/subagent 并行重建。
• 复杂视觉资产需要可用的内置图片工具或 CLI fallback；如果两者都无法生成合规资产，对应页面会校验失败，不会用近似图形替代。
• 对照片、插画、纹理、手绘装饰等复杂视觉元素，通常只能作为独立图片资产移动，不能保证内部对象可编辑。
• 原生表格暂不支持斜线表头和单元格内嵌图片；文字、行列或合并关系不清楚时先复查源图与 OCR，仍无法辨认则报告具体缺失，不猜测内容或结构。图表、流程图仍按可编辑结构重建。
• 视觉相似不等于可编辑。最终判断应同时看 PPTX 结构、文本覆盖、资产来源和预览/diff。

.
├── .github/                              # GitHub 工作流和仓库检查配置
├── skills/                               # Skill 安装包目录
│   └── image-to-editable-ppt/            # 可安装的 image-to-editable-ppt skill
│       ├── SKILL.md                      # skill 入口说明和执行规则
│       ├── agents/                       # Agent 展示用的 skill 元数据
│       ├── cli/                          # 自包含 `editppt` CLI 和确定性 runtime 模块
│       ├── references/                   # 页面重建、状态机、QA 等参考规范
│       ├── prompts/                      # 页面重建 prompt 模板
│       └── scripts/                      # skill 内 prompt 组装脚本
├── AGENTS.md                             # 仓库级协作和编辑规则
├── CHANGELOG.md                          # 用户可见变更记录
├── LICENSE                               # 开源许可证
├── README.md                             # 中文说明文档
├── README_en.md                          # 英文说明文档
└── README_ko.md                          # 韩文说明文档

遇到问题？请查看使用文档，加入 CodexPPT，或提交 Issue。

MIT