从文心一言只吐大纲，到如今AI可生成可编辑的PPTX文件，三年间AI做PPT的技术路线经历了模板、代码、Agent等多轮迭代。本文梳理了AI PPT的进化史，探讨不同方案的优劣与可编辑性困局，并反思AI生成内容与用户真实需求之间的鸿沟。

三年前社长近距离接触了文心一言初代产品的发布会，见证了一开始没人相信百度是真的，直到它开放测试权限，股价从跌到涨的戏剧性过山车过程。

当时，文心一言及其企业级产品将做PPT视为核心生产力内容。只不过，第一版文心一言做PPT的时候，它只吐了个大纲，就蹲下了。

社长写这个AI PPT的评测稿子的时候，因为找到新工作，就存在草稿箱里没发出来，没想到这一存，就是三年。

这三年，社长是一点重新动它的心思也没有，因为后来的工作里很少用到PPT及对外汇报。就如同大家感受的一样，对大多数人，AI最大的用途是编程，写作文章/文档，以及生成图片或视频。

近几天，还是因为手搓了一个帮自己码字的Skill，社长才终于有勇气面对积压的选题，重新回顾AI PPT这个领域。

三年后，百度终究靠着文库及GenFlow把AI PPT这个品类做到了月活破亿。用大模型做PPT这事如今至少有5-6个流派，Kimi、ChatGPT、智谱等都可以直接给你生成.pptx格式的文件。

所以说，现在做PPT，真的不用自己动手了吗？

2023年4月：文心一言只吐了个大纲

2023年3月底，社长拿到文心一言的邀请测试资格。那会儿金山办公刚宣布海外版WPS要接GPT-4，国内版传闻可能跟百度合作，百度也在3月27日的智能云活动上，演示了文心千帆API生成PPT的能力，以及文心一言植入WPS和石墨文档。

社长好奇这种“中国版Copilot”到底行不行，就直接上手，让它模拟办公助手，在文档、表格、幻灯片三个场景跑了一遍。

文字部分还不错。让它起草合同模板、活动邀请函，甚至指定用“百度智能云”口吻写，结构完整、语气得体，连续几次生成结果自然流畅，查重后确认没直接抄。如果只是日常文案起草，它当时就够用了。

表格就完全露怯了。社长拿百度自己的2022年财报当材料，让它提取关键数字、整理成表。它一会儿混淆季度和全年数据，一会儿直接重复上一轮的错误，怎么调提示词都没用。同一任务扔给ChatGPT 3.5，对方干净利落吐出准确表格，差距大到让人有点尴尬。

PPT任务更说明问题。发布会里文心千帆API能根据“长安逸达”车型信息自动排版配图，看起来很炫，但那是API版，可以联网。社长手上的测试版不能联网，只能让它输出“手动操作步骤”来模拟。文心一言顶多给个大纲，每页放什么内容、怎么布局，统统没有。

换成GPT-4，它也是一样只能输出手动操作步骤，不过相对更细致，能描述每页的版式、内容分配、插入图片的位置，接近实际可执行了。

社长当时的判断是，文心一言确实是一个真的大语言模型，架构没问题，语料和训练量拖了后腿，属于“思而不学则殆”的状态。发布会里那些行业定制版的截图似乎效果好不少，社长当时想，如果这些能力尽快回流到通用版，文心完全有可能后来居上。

那时候最乐观的预测也没想到，三年后人们解决这个问题的方式跟当时预期的完全不同，包括超出了百度自己的预期。

模板、代码和Agent各有各的走法

当前AI制作演示文稿发展出了三条不同的技术路线。

一是基于PPT格式及模板，让大模型填充内容匹配预置模板的路线，采用旧式低代码结合盘活AI时代之前的海量模板库资源，可靠性高。AiPPT.cn、Slidesgo、WPS AI都属于此类。

此后也有厂家使用中间件，包括python转pptx的代码，Marp这个Markdown转PPTX库，或其它自定义转换方式，先做成Markdown格式的标记语言指定幻灯片元素及其摆放位置，然后二次转换为pptx格式。当前大语言模型的聊天机器人或Agent，各种Claw类工具的输出pptx功能多属于此类。此外也有AutoPresent、SlideCoder、FlashDocs API、LandPPT等。

例如在我试用归藏老师的PPT Skills并要求Agent输出可编辑的PPTX时，过程是这样的：

二是不生成传统PPTX，输出HTML在线演示页，交互性更强。此类业界翘楚是Gamma，还包含另一家现已关闭的Tome。

如果这样算的话，使用文字模型能力输出图配文的整页SVG格式矢量图，或者干脆用Nano Banana、GPT-image-2等直出不可编辑的位图图片，也都属于此类，核心区别是并非传统PowerPoint或Keynote可编辑的。

三是直接“黑”入编辑工具或自己做一个编辑器，最后仍可微调结果并输出pptx格式文件。最典型的比如微软Copilot、WPS灵犀、百度GenFlow等，大模型在权限允许情况下，可以直接操控原生PPT对象。这也包括Lovart这种可以模拟psd的图层机制，且将元素分开用生图模型指令微调，以保持画布其他部分不动，“指哪打哪”的。

以Kimi的PPT生成为例，其“香蕉模式”实质就是接入Nano Banana模型，为每一页出图以后，当需要调整时，会询问是否用重新生成的页面替换原页面还是新建一页，每次都会有轻微的变动。

此时我们就可以梳理一下转折点到底发生在过去三年中的哪一年了。

最先跑出来的是低代码模板。社长试用过2023年8月上线的AiPPT.cn，并且对话过爱设计&AiPPT.cn市场负责人蒋依林。它们主打“一句话一分钟一键生成PPT”，其实际操作过程是将模板类型，字体字号等做成内部可用的伪代码，大模型可以生成这种伪代码，一键导入后即可读取。

如果你也用过问卷星做问卷一定知道是什么意思，就是当你用语义描述问卷题型如单选、多选的时候，一键导入即可节省原本圈圈点点的过程。这个极其简单的实现保证了产出的高可靠性，同时盘活了存量PPT模板资源，3个月月活突破百万。

百度文库AI PPT于8月31日随文心一言公测同步上线，开放12小时内使用量超100万。WPS AI在同年11月4日开启公测。这条路可靠性高，模板经过设计师打磨，排版不会出格。但是天花板也很低，因为你只能在它提供的那些模板里选。

当然，如果不限制在PowerPoint以及Keynote生态中，只是达到一个演示的目的，假如你之前就是带着PDF而不是PPT上台的，那干脆放弃PPTX，直接输出HTML在线演示页就很适合此类用户。2020年创立的Gamma是这条路线的代表，2023年3月上线AI集成后，9个月拿下1000万用户，增速凶猛。到2025年4月，5000万用户、ARR 5000万美元，全公司仅约30名员工。同年11月估值21亿美元、ARR突破1亿美元、团队扩展至52人。跟它几乎同时走同样道路的Tome，则发展的不太顺利，现在已经关闭了。

Gamma的哲学是，演示文稿最终是给人看的，PowerPoint只是载体，HTML天然比PPTX更灵活，动画、交互、嵌入都更自由。当然，代价在国内尤为明显：可以不用Office的PPT做演示的人一般本来就没有做演示的需求，你当公司统一模板里的logo设计、页眉页脚是不存在的吗？

到2025年，上述不同技术路线终于开始殊途同归地解决那个听上去最理所当然，实现起来却最曲折的诉求——让大模型直接生成可用的PPTX文件，乃至修改它。

微软Copilot这边，2023年11月1日正式开放商用，30美元/用户/月。但是在漫长的岁月里（大模型界是“天上一日，地下一年”，两年多可不长吗？）它只是Office的一个侧边栏面板，号称深度嵌入PowerPoint客户端，直接操控原生PPT对象，却从未真正成功过。在此期间其他模型如智谱和Claude也在做侧边栏插件，但除了Excel之外，PowerPoint的更改始终是一大难题。微软有Office的完整控制权，进展却比预期更慢。直到今年4月22日，借助Claude模型的支持，Copilot Agent能力才在PowerPoint中正式落地。

Claude 3.5 Sonnet在2024年6月推出Artifacts功能，可以生成HTML/SVG交互式演示，开了个口子，但离真正的PPTX还差一步。2025年1月，UC Berkeley等机构的AutoPresent论文提出工具增强代码生成方法，构建SLIDESLIB库（基于python-pptx），让LLM生成Python代码再执行输出PPTX，该论文被CVPR 2025收录。

到2025年8月，ChatGPT通过Agent功能原生生成.pptx文件。当时仅限标题加项目符号的内容型幻灯片，还不能加入富文本内容。两个月后，谷歌Gemini可直接生成完整的Google Slides演示文稿，在主流的商用大模型中最早实现自然语言的端到端演示文稿生成。此时也出现了python-pptx之外的另一种中间格式Marp，用Markdown写演示文稿再转PPTX/PDF/HTML，成为大模型和PPTX之间的桥梁。

同年，多亏了Manus，智能体风潮席卷几乎所有玩家。智能体做PPT的核心要点是一个大任务拆成多个子任务并行操作。百度推出GenFlow，昆仑万维发布天工超级智能体，WPS推出灵犀3.0，谷歌NotebookLM上线Slide Deck功能，都支持从上传文档自动生成幻灯片，并支持逐页编辑。大纲、排版、配图、数据图表各交给专门的子Agent，再汇合交付。但生成到什么样，还是比较看运气，而且因为中间步骤多，“一步错，步步错”的问题也让用户头痛不已。

今年上半年，这个领域的竞争焦点，主要也集中于解决生成完了不能直接用、直接改的困局。商汤办公小浣熊的宣传口号就是“页页可改”。也有玩家把其它领域的可编辑经验搬回到演示上，比如Claude Design既然可以做交互式网页或App设计，迁移到演示文稿制作也不在话下。

总体来说，大模型改PPT跟改图乃至改视频一样，并不是有意识的知道哪里错了要改哪里，而是或多或少地全部重绘一个区域。这个区域画的圈越小，修改就越精细化，仅此而已。

目前看，最稳妥的方式应该就是用Marp类中间件或模型厂商自研的途径，从做好的H5网页转化到PPT格式。很可能也正是因为想通了这个问题，AI PPT的可编辑性问题在过去半年得到了很好的解决。

Skill就是结构化的系统提示词，得益于模型能力的进步，每个人vibe开发一个自己的skill来固化工作流都比较简单。以某个Hermes skill为例，核心思路是用SVG作为中间层，先完成画布、页数、受众、风格、配色、图标、字体、图片等8项确认，再按每页的SlideIntent规划叙事和布局，由AI逐页生成SVG，经过图标嵌入、图片裁剪、文字修复、质量检查后，转成可编辑的原生PPTX。这里，SVG就是到PPTX之前的中间格式。

另一个作者使用Dokie生成SVG格式幻灯片单页效果如下：

可以看出在配图方面都是用小图标，在嵌入位图方面仍然需要其他调整。

还有人主打用优秀的编码模型如gpt-5.5或GLM-5.1先生成HTML作为中间格式，再用各家skill比如Minimax的那个，像素级复制成PPT。核心就是让AI先在它最擅长的格式里做到最好，再转换到你需要交付的格式。

这种方法每次修改其实只修改SVG或网页这种版本，而PPT是每次都重新导出一遍。怎么说呢，管你这那的，能用不就得了。

改AI的PPT比自己做还累？

随着AI PPT从炫技到落地，带来了一个意外的连锁反应：这个过程筛选出来了那些真的需要PPT的人。正如在讲到Gamma时社长提到的那样，PPTX这个格式包含的意味远大于给人做演示本身，还得用公司模板，还得说明内容逻辑，等等。

就在前几天，V2EX论坛有帖子讨论：“真的有人用AI做PPT吗？”发帖人说，虽然这种应用已经很多了，但考虑到公司有模板，AI的可用性不太强，还是老老实实一页一页做。

核心问题就是80%的成品的修改工作量，和自己直接手搓的（工作量）哪个更大。

真用的人认为，改AI的东西，有时候比从零开始更痛苦，因为你要先理解AI为什么这么做，再推翻它的逻辑，再重新排。而如果你不指定每页的逻辑，让AI根据原始材料自己跑，那大概率会得到“把内容均匀分配到每一页”。

我也没碰到好用的，都是一股AI味，看起来就是AI生成内容然后选择一个合适的模板往里填，压根没考虑这段内容要怎么展示更合适。

当然，里面也有“你觉得做的不好是因为提示词不到位”这种反思派。社长也基本是这一路人，觉得现阶段只要AI做的东西修改量到达一个大致的临界点，哪怕慢于人力也应该追求炼化AI，因为磨刀不误砍柴工，炼好了利在千秋。

正是这样的反驳，凸显出我们这种人可能不是PPT的核心使用者。

很多时候Human-in-the-loop的人没法跑出循环，不是说你不盯着AI它就给你删库跑路。只不过是你作为一个监工的身份下，越是旁观别人工作，“视奸”它的终端和屏幕，你想打断它插入自己意见的冲动，就越强烈。

放心不下，还不是因为在乎？这个PPT要想播放到某个场合，恐怕还得在PC和Mac上多做测试，必要时候把附带的文件都拷到同一个文件夹，还得做PDF，PPT双格式保险……那这必然是课程作业、工作汇报、融资方案、学术演讲等等，如此不容有失的场合。

我们老板对一个人的汇报，从入职开始基本上就3次机会，3次以上没满意就会雪藏或者开掉，拿AI真糊弄不了老板。重要的你的口述和思想。写一大堆卵用没有！

结构、排版、配图、动画，这些体力活AI干得又快又好。剩下那20%是认知负荷最高的，真正费脑子的事情。

不论我们对AI PPT原本的期望如何，现在它总算走到了这一步。今年开始，你也确实可以把带你公司logo的模板喂入工具来做你的草稿了，输出也可以是PPTX格式了，里面的内容也可以编辑了。

但在里面写点什么，还得是咱们自己来拿主意。