开源一个为演讲而生的PPT Skill，再不用跟观众大眼瞪小眼了

工作流极其重复枯燥，基本上都是用Codex一口气做个30页，然后就是一页一页磨，字多了不好看，字少了页面太空，没有配图的话还要用GPT Image2生成再额外接入。一句话总结，很多HTMLPPTSkill，根本就不是为演讲准备的。

这不是这些Skill的锅，真的。我前后尝试过按章节搭配不同的颜色页面，然后也总结过几个常见的PPT的结构，比方说左右平分，上下平分，三列式上下左右4个方块的格式，基本上能在HTML PPT里面调的，我都试过了。就跟马铃薯炒土豆一样，同样的材料炒不出第二种味。问题不在模板数量。仔细复盘的话是上游Agent给每页信息分配不均的锅。上游怎么收集整理信息，怎么分配到每页，中间质量有没有过关（重复标题，字体重叠，为了好看加了很多根本没人看的小字），做好之后的演讲稿能不能分到每一页看，这些都没Skill管。于是就有了Humanize PPT v0.9版！我一口气全解决了，再次怀念Claude Fable5。

🔗github. com/LearnPrompt/humanize-ppt从v0.7开始，我先给 Humanize PPT 划了一条边界。把渲染PPT页面外包给下游的Skill。Humanize PPT负责把大纲，逐页意图，视频和图片素材的坑位和演讲稿，整理成结构化的 JSON 与 Markdown，再交给下游 Skill 原生渲染。

所以理论上是可以适配所有的HTML PPT Skill，当然为了严谨我跑通了两条完整的工作流。中文可以接guizang-ppt-skill，英文可以接frontend-slides和beautiful-html-templates。

用AI做PPT最隐蔽的坑就是页数压不下来。一小时演讲的PPT，很多时候也就三十多页。每一页都得承载信息。要么推进一个判断，要么解释一个阻力，要么让观众突然意识到，哦，原来这个事还能这么想。所以我把资料整理和页面信息分配，做成了 Humanize PPT 的地基。AST，也就是 Audience、State、Transfer。A是观众的身份。谁在听？他们已经知道什么？他们凭什么要继续听下去？S是状态。观众看你的PPT之前是什么状态，看完之后应该变成什么状态。T是转移。每一页slide的任务不是展示信息，而是推着观众从一个状态走到下一个状态。Humanize PPT做的第一件事，就是在渲染之前，先帮你把素材按AST的逻辑重新编排。

它会输出一份大纲，每一页都标注观众进入时的状态，这一页的意图，以及离开时应该带走的信息。我还真的拿同一主题的材料跑了一次前后对左边直接交给 guizangppt skill，按背景、痛点、方案来分。右边先经过Humanize 的AST编排，再交给同一套guizang视觉体系。

从视觉上看，左边并不丑，甚至guizang的Swiss validator和静态演讲体检都能通过。但它还是更像一个整理得很漂亮的文件夹。到了右边，页面不再叫「背景」「痛点」「方案」，而是直接讲真实演讲不是概念展示，AST 先决定观众怎么变。渲染器没有换，变化是来自上游。大纲确定以后，Humanize PPT 不会马上让下游一口气写完整份 deck。它会先拿同一份内容，渲染四张真实页面，让你提前看看最终效果。不是看色板，也不是看几句抽象的风格描述。直接看下游 Skill 真正做出来的 HTML 页面。字体怎么排，信息密度怎么样，版式和动效是不是你想要的，一眼就能看出来。

选定其中一个风格以后，Agent 才会沿着这套视觉体系，继续完成后面的二三十页。这样就不用等整份 PPT 全部做完，才发现方向从一开始就错了。图片和视频放置的方式也全改变了，以前Humanize出大纲，会写「这一页可能需要一张图」。到了 v0.9，不只是说「需要」了。素材放哪，文件叫什么，用什么 prompt 生成，全部写进大纲。baoyu-image-gen接GPT Image2配图，remotion-video-production做视频。

当然，后面我发现先用 SVG 做一个流程图，然后把这个图改成 Remotion，会有更好的效果。所以我把这个工作流也融入到了 V0.9 里面了。

我之前也试过另一条路，把别人的画风和版式强行搬进自己的框架，再拖三四十个模板进来。但最终结果，真的四不像，打破原有框架的约束后做出来的页面只能做到80%左右的效果。四不像甚至还不是最严重的问题。我还做出过一大堆根本讲不动的页面，信息密度不够，一句话就要跳四五页。我挑出来一些给大家看，比方说第三页，上面就三个词加一张全屏背景图。好看是好看，那我讲什么？很多时候，在演讲的过程中，观众其实是会分神的。我认为，如果一页PPT在观众短暂分神再回神之后，就完全看不出有什么主体内容，那这页PPT其实就是失败的。第五页，一整屏文字挤在一起，我跟观众属于是面面相觑，一起沉默的状态，照着文字念那还不如直接打印出来一手一份。第八页，标题就写着「技术架构」，下面一个TODO占位符还没填完，图片素材和视频素材都没有。

渲染出PPT的下一步是质检和把演讲稿分配到每一页。Humanize PPT输出的deck支持演讲模式。按S键切换，演讲稿实时出现在独立窗口，带页码，带备注。不用对稿，不用背稿，你盯着观众，备注在另一个屏幕跟着翻。按 ESC 键打开全局索引，所有页面缩成一张总览。讲到哪里忘了，临时想跳页，不用一张张往回翻，找到对应页面，点一下就能直接切过去。

在演讲的过程中，我还发现HTML PPT有常见的渲染问题，所以我们在演讲之前，还加了一个质检环节。比方说，这个PPT原本是由beautiful-html-templates纯渲染的，风格是Neo-Grid Bold。

如果当它是一个html网页静态扫描先跑了一遍的话，全绿，0 fail，0 warn。结果截图逐页人工复核的时候，直接给我整不会了。

左下角的页码，把正文最后一行吃掉了一半。观众实际看到的是「uires confirmation.」，但那句话原本应该是「What requires confirmation.」。这就是多少显得有点业余了。

但加上Humanize PPT流程后，「What requires confirmation.」会完整展现且视觉体系一个像素没动。我还把做HTML PPT的出错大全都统计起来，通通能修。

很长一段时间，Humanize PPT都是走弯路，一个劲在死磕。怎么让AI做得更漂亮。现在我更想做的是，怎么让AI做出来的PPT，真的能被拿去演讲。漂亮当然重要，但在演讲里，决定一份PPT有没有用的，是你翻到下一页的时候，观众有没有跟着你一起往前走。这就是 Humanize PPT。一个为演讲而生的PPTSkill。把PPT从「看起来很高级」，往「能大讲特讲」推一点。那种页面明明很好看，但站上去不知道怎么讲的尴尬感。那种明明代码没错，但投影上就是少了半行字的无语感。那种一页一页截图，跟Agent说去看第几页第几行的疲惫感。我通通不要，这件事交给Skill就好啦。@ 作者 / 卡尔 & yc星辰