SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场nature-image2ppt

nature-image2ppt

办公与效率

查看项目

更新于 10-16 10:09

技能介绍

Nature Image2PPT 是一个把图片型幻灯片还原为对象级可编辑 PowerPoint 的工具。它的目标输入包括幻灯片图片、截图、扫描版 PDF 以及只含图片的 PPTX 文件，适合需要把不可编辑的视觉内容重建为可继续编辑的原生对象的场景。

主要能力

  • 图片到可编辑 PPT 的重建：将每一页拆解为语义区域，对每个区域独立决策，尽可能用原生对象表达，只在复杂局部使用有边界的透明位图素材。
  • 结构化页面处理：把结构化或复合页面规划为 3–5 个语义区域，对每个区域单独路由；节点、关系、受保护锚点等都需要测量。
  • 箭头与连接线表达：细箭头表示为同一对象上带箭头的连接线；填充箭头表示为带居中文字的 Arrow AutoShape；禁止用线条加三角形拼出普通箭头，也不允许把整张知识图谱压成一张图。
  • OCR 文本提示：优先使用已配置的 Baidu AI Studio PADDLE_OCR_TOKEN；若未配置，会提示本地 builtin-ink 回退只测量文字几何、不识别字符，并在文档中给出配置路径。
  • 页面级质量门禁：每个页面构建后需运行 QA 脚本，先产出 visual-review-evidence 模板，补充为正式证据文件并通过视觉审核后，才能记录页面状态。
  • 最终打包与再校验：在 run 进入 finalize 阶段后重建整套 PPTX，保留源演讲者备注，校验包，并对每张幻灯片重新渲染、检查箭头原子性与复合结构、验证演讲者备注完整性。

使用方式

  • 运行环境：需要 Python 3.10 或更高版本，并安装 requirements.txt；若存在专用虚拟环境，可用 .venv/bin/python（macOS/Linux）或 .venv/Scripts/python.exe（Windows）替换 python 命令。
  • 所有确定性操作通过 CLI 入口执行：python <image2ppt-root>/cli/image2ppt/cli.py <command> ...。
  • 预检：运行 doctor --json，若失败应先只安装缺失依赖，然后重新运行，不要带着失败的 doctor 继续。
  • 准备一次运行：prepare <input...> --out-root output/image2ppt --image-backend builtin-imagegen；若需要可审计的第三方来源，可用 --image-backend openai-compatible-api。可用 --no-text-hints 显式关闭 OCR 处理，也可用 run hints <run-dir> 重新生成提示。
  • 推进与领取页面：run next <run-dir> --json 查看进度；单页可用 --local 在当前 agent 内重建，多页可分派独立页面 worker，容量由 page_jobs.json 决定。
  • 重建与门禁：worker 按确定性顺序执行 page build、run_image2ppt_qa.py，首轮会写出 visual-review-evidence.template.json 并保持 pending；人工核对 source.png 与 render/rendered.png 后补全为 visual-review-evidence.json，再以 --visual-review-status reviewed 重新运行 QA，随后生成 page contact-sheet。
  • 记录与修复：只有在标准校验、区域、箭头和渲染门禁全部通过后，才用 run record 记录页面；被拒绝的页面用同一套 reset → dispatch → record 生命周期修复。
  • 最终化：当 run next 报告 finalize 时，运行 run finalize <run-dir>，再运行 run_final_image2ppt_qa.py；首轮同样会产出 final/visual-review-evidence.template.json，需补全 final/visual-review-evidence.json 后带 --visual-review-status reviewed 重新运行。

状态与边界约束

  • page_jobs.json 是唯一的页面状态来源；每页 pages/page_NNN/manifest.json 是该页唯一的内容来源；deck_manifest.json 是最终组装来源。不得另建作业文件、重建计划、OCR 归一化器、页面控制器、打包器或 finalize 路径。
  • 页面构建、校验、提示与 QA 的读写只能在该页面目录内进行；manifest 路径、已记录资产、公式、报告、预览以及 --out 覆盖不得用 ..、符号链接或绝对路径逃逸该目录。唯一的例外是显式提供给图像导入或 process-sheet --asset-sheet-source 的图像工具结果，它会在成为构建依赖前被复制进页面目录。
  • run 级 manifest 与最终输出必须留在准备好的 run 目录内，finalize 会在同目录临时文件中重建，成功后才原子发布。任何边界拒绝都视为硬失败。
  • 公式渲染是硬门禁：缺少引擎、转换器或编译失败，页面应保持失败，除非用户明确批准该公式例外，并且 manifest 中同时记录 user_approved_exception: true 与具体的 approval_note。

适用场景

适合把会议幻灯片截图、论文图表页、扫描版 PPT/PDF 或纯图片 PPTX 还原为可编辑对象，尤其适合需要对知识图谱式复合图、带箭头关系图、结构化卡片页面做较高保真重建并保留演讲者备注的场景。

限制

  • 复杂视觉仍可能以可替换位图素材的形式存在，交付时需报告哪些复杂视觉仍是位图资产。
  • 未配置 PADDLE_OCR_TOKEN 时，回退方案只测量文字几何，不识别字符；离线模式需被尊重。
  • 不得为了证明运行独立性而重新编写已验收的基线页面；多条可行路线时应优先选择此前验证过的视觉策略。
  • 在任一页面或最终门禁处于 pending 或 failed 时，不得宣称整套 PPT 完成。
  • 该工具不接受通过发现或调用其它 Skill、CLI、Prompt、Schema、模块或状态机来绕过自身流程。