本文是内部设计文档。产品对外的说明文档另出。调研时间2026-100. 一句话在现有「数字人讲 PPT」之外新增一条独立产品线输入主题 / 文档 → 生成整套幻灯片 → 网页里自由编辑 → 导出可改字的.pptx/.pdf跟现有产品线的区别现有那条是「PPTX 进 → MP4 出」这条是「内容进 → PPTX 出」。本版不做TTS / 讲稿配音——不做视频导出MP4 / 数字人讲解——不做页面上保留notes备注字段做纯文本存续但不接合成链路范围就是两件事编辑和导出 pptx / pdf。1. 调研开源方案现状1.1 三条技术路线路线代表方案视觉质量真可编辑稳定性A. HTML 自由排版 → DOM 量测 → 原生对象Design-Arena/html-to-pptx、Anthropichtml2pptx、DeepPresenter 自由模式最高中转换有损低排版易错位B. 模板槽位 → 结构化 spec → 原生对象PPTAgent 模板模式、Presenton 标准管线中最高高C. 生图 → 逆向拆图层gpt-image2-ppt-skillseditable 模式最高假中路线 C 单独说明。它听着最香图好看又可编辑但可编辑性是事后补出来的先生成整页图再拆成「干净底图 文本框 形状 图片层」叠回去。字能选了但和底图上的原字会错位、产生重影放大就露。它还需要一台 LibreOffice/Keynote 做回渲 QA。适合「要好看、能改几个字」不适合当服务底座。1.2 两个必须知道的许可陷阱① Anthropic 官方pptxskill 不是开源。anthropics/skills根目录故意不放 LICENSE许可下沉到各 skill 子目录。document-skills下的四本docx / pdf / pptx / xlsx是source-available, not open sourceLICENSE.txt 明确禁止商用、复制、衍生、分发、逆向。做商用服务不能碰。同仓的example-skills才是 Apache 2.0但不含 pptx 能力。② Presenton 的导出核心闭源。主仓 Apache-2.0、9k star但scripts/sync-presentation-export.cjs会从 GitHub Releases 拉一个预编译 tarball进presentation-export/node_modules。真正的 binary→OOXML 转换在presenton/export-core源码仓presenton/presenton-export只有一个 README。「可编辑度」恰好是被藏起来的那一环。不能当底座只能当对标。1.3 调研结论不引入任何外部仓库。理由见第 2 节——我们自己已经有 80% 的零件而唯一缺的那一环矢量页面模型 导出器外部方案要么闭源、要么许可受限、要么架构不匹配我们是绝对定位画布不需要 DOM 量测。外部仓库降级为参考清单仓库许可参考什么presenton/presentonApache-2.0导出核心除外PptxPresentationModel的 TS/Python 双端同构设计icip-cas/PPTAgentApache-2.0generate→render→review→fix 自省环Design-Arena/html-to-pptxMIT仅当将来要做「LLM 自由排版 HTML」时才用2. 现状盘点我们有什么2.1 可复用的零件位置复用方式python-pptxworker 依赖sse/utils/ppt_utils.py导出器直接用LibreOffice headlessppt_utils.py:148-153回渲 QA、PDF 导出页级派发 / 账单 / OSSPptRenderBatchServiceImpl、ppt_page_render表骨架照抄配额与冻结interactive_recordcreditsOf直接接拖拽/缩放交互与坐标换算ppt-detail/index.vue:1201,1215,1631-1647,1709-1710新编辑器搬逐像素验收方法shotcraft那条线QA 环照搬2.2 不能复用的现有编辑器src/views/ppt-detail/index.vue不是 PPT 编辑器是「数字人形象版式标注器」。证据底图是栅格 PNG。drawBaseImage:1399-1425把currentPageImageUrl全屏drawImage——那是上传 PPTX 经 soffice→PDF→PyMuPDF 渲出来的整页图。isCanvasBaseLayer:1429的判据就是「图层 URL 页面底图 URL」。→结构上不可能导出可编辑 pptx最多得到「一张整页图 几个框」。Layer 没有排版模型。全部字段只有type/content/renderUrl/x/y/width/height/isAvatar/pageIndex:47-69。没有字号、字体、颜色、对齐、行距、项目符号、透明度、旋转、z-index。图层类型只有text | image | video。文字图层是残的。drawTextLayer:1436写死16px Arial纯黑、无换行、无样式。好看的排版在 worker 的 ffmpeg overlay 里。没有页面 CRUD。全文件搜不到 addPage / deletePage / duplicatePage / movePage。页数由上传的 pptx 决定。API 里零 pptx 导出。ppt.ts19 个接口产物一律是 MP4 / 音频。结论新建模块不改造。现有编辑器与目标模型正交。3. 设计考虑点以下七条是改起来代价最大的决策先定死。3.1 不让 LLM 直接吐坐标「网页里自由编辑」不等于「LLM 自由排版像素」。让模型直接产出每个文本框的绝对坐标出来必是垃圾重叠、出界、字号乱。正确分工LLM 只做两件事① 出内容标题 / 要点 / 数据 / 配图语义② 选版式意图「这页是大标题三卡」还是「左图右文」。确定性排版器把版式意图算成绝对坐标按栅格落成Layer[]。这跟shotcraft是同一个 DNA——LLM 挑组件、填 props坐标由排版器一处定死。出口仍是绝对坐标的Layer[]用户接着随便拖。确定性只作用于初稿不限制后续编辑。3.2 Layer 存「语义角色 token」不存绝对样式- { fontSize: 24, color: #1a1a1a, fontFamily: PingFang SC } { role: title, style: { colorToken: fg-primary, sizeStep: 3 } }这是「一键换风格」能不能做成的分水岭。存绝对像素的话用户换风格时你得从像素反推语义角色——推不准就换不干净。用户手改过的地方存userOverrides覆盖层就是 CSS 的层叠token 基线 用户覆盖。推论组件里不许硬编码任何颜色和字号只能引用 token。3.3 模板 风格 × 组件不做「整页模板」层是什么数量级谁在变风格整体视觉语言商务蓝 / 科技暗色 / 杂志风 / 手绘风5–10 套用户选主题 token配色、字体对、圆角、间距刻度、阴影层级每套风格一套风格决定版式组件标题、三卡、对比、时间线、数据页、引用、结尾25–40 个排版器选用户可覆盖用户看到的「模板」 风格 × 组件。10 套风格 × 30 个组件视觉上像几百套模板实际维护量是 10 30。不做「模板 A 的第 3 页长这样」那种整页模板每加一套风格要重画所有页面维护量变成 风格数 × 页数且用户改不动。这正是 Presenton 那条路长期会变成谁都不敢碰的资产。3.4 字体生成端锁死 服务器装字体现状已核实 2026-10-14机器中文字体数有哪些worker 服务器aiserver01只有DroidSansFallbackFull开发机 macOS99苹方、宋体、黑体…字体问题对不同环节的影响完全不同必须分开处理环节服务器字体够不够原因导出.pptx✅不依赖只写字体名不渲染。由用户端的 PowerPoint 解析生成侧回渲 QA❌ 不够渲出来是 Droid fallback跟用户看到的不是一个字形导出.pdf❌ 不够PDF 在服务器渲染字体就是 Droid→必须给服务器装字体否则 PDF 导出不可用、QA 无意义。选什么字体Noto Sans CJK SC 思源黑体OFL免费、可自由分发、可嵌入服务器装了之后PDF 导出和 QA 回渲都准确用户端没装会 fallback 到系统默认中文黑体微软雅黑 / 苹方——同为黑体观感接近是代价最小的选择为什么不做字体嵌入技术上要手写 OOXML真正的墙是授权——可嵌入的中文字体只有思源系列OFL这类苹方、微软雅黑不允许嵌入。代价牺牲用户的字体自由度。生成端只允许用白名单字体用户不能改。这是主动放弃要写进产品说明。3.5 回渲 QA 放生成侧且只查结构性错误导出链路里最重的一步是 LibreOffice 回渲单页 0.5–2s40 页要 1–2 分钟。生成初稿时回渲一次验证布局对不对低频导出时只把已经验证过的 IR 落成 pptx纯python-pptx秒级不需要 soffice但它有个系统性误差服务器即使装了 Noto Sans CJK用户端用的也可能是微软雅黑/苹方字形和度量本就不同。所以 QA 的判据只能是结构性错误QA 能查QA 查不了元素重叠文字实际断行位置超出页面边界行距的像素级差异文本溢出容器用户端的最终观感缺图 / 图片比例失真唯一 100% 保真的交付格式是 PDF服务器渲染不依赖用户字体。PPTX 的保真度天花板就是「结构正确 字体 fallback 后观感接近」。3.5 回渲 QA 放生成侧不放导出侧导出链路里最重的一步是 LibreOffice 回渲单页 0.5–2s40 页要 1–2 分钟。生成初稿时回渲一次验证布局对不对低频导出时只把已经验证过的 IR 落成 pptx纯python-pptx秒级不需要 soffice3.6 导出走独立队列别和渲染共用慢池如果一个 90 分钟的数字人渲染正占着慢池线程用户点「导出 PPTX」就要排在它后面。秒级任务被分钟级任务堵死是必现的产品事故。→ 新增导出池或在快池单开并发硬卡 1–2。反正秒级任务排队无感但能防住一批人同时导出把 soffice 进程堆爆。3.7 导出是单向投影「网页里编辑」和「PowerPoint 里编辑」是两件事。前者编辑 IR后者编辑 pptx。只做单向导出不做双向同步——用户在 PowerPoint 里改完传回来网页编辑器看不懂这是无底洞。「用户上传自己的 PPTX 反解成可编辑图层」也不做或放到很后面。现有 soffice→PDF→PNG 只出栅格页反解要啃 pptx 逆向解析工作量是另一个量级。4. 能力边界4.1 能做到的生成输入主题 / 大纲 / 上传文档doc、pdf、txt→ 一次出整套版式由组件库决定排版器按内容量自动选配图AI 生图 / 图库 / 用户上传风格一键换配色与字体方案编辑自由画布拖拽、缩放、旋转、栅格吸附、参考线图层文字、图片、形状、图标、线段页新增 / 删除 / 复制 / 排序文本字号、颜色、粗斜体、对齐、行距、项目符号图片上传、裁剪、圆角、替换图层树z-order、锁定、隐藏、编组撤销重做、对齐分布、备注栏导出.pptx原生文本框 形状 图片能改字、能挪框、能换图.pdf、每页 PNG4.2 打折扣的能做但别期待满分能力现实原因复杂视觉渐变、阴影、混合模式、图标字体降级成图片层。看着对但在 PowerPoint 里改不了PPTX 没有对应原语图表简单图表可做原生 chart定制样式退回图片python-pptx 图表 API 有限表格基础表格可以合并单元格、条件格式、排序不行同上导出保真「看着差不多」不是逐像素相同PowerPoint 与浏览器对换行、行距、字距的计算本就不同字体只能给白名单不锁死就必然错位主题 / 母版能做 token 级主题做不了 PowerPoint 的 Slide Master 继承概念映射不完整4.3 做不到的A. PPTX 格式的天花板再努力也绕不过动画与切换效果—— python-pptx 和 PptxGenJS 都不支持创建SmartArt—— 同上字体嵌入—— 授权问题见 3.4公式OMML→ 这四项只有一条出路Aspose.Slides商业授权。按部署收费。要不要为了动画买它是纯商业决定。B. 架构上明确不做的用户上传 PPTX 反解成可编辑图层与 PowerPoint 双向同步多人实时协作技术上能做单机也扛得住但要加 CRDT 长连接是纯工作量问题可后加4.4 产品文案的红线别写「导出的 PPT 可以随意编辑」。用户一试形状和动画就会觉得被骗。准确说法「导出的 PPTX 里文字都能直接改」。5. 实施方案5.1 模块划分模块位置工作编辑器页面manteng-ai/src/views/deck/新建矢量画布编辑器 风格/版式面板渲染层manteng-ai/src/views/deck/components/组件库25–40 个版式组件主题manteng-ai/src/.../themes/token 表5–10 套后端aigc-backend/src/main/java/org/aigc/deck/新建增删改查 生成编排 导出派发排版器aigc-backend或 workerLLM 内容 版式意图 →Layer[]导出器artificial-intelligence-notebook/sse/handlers/deck_handler.py新建IR→ python-pptxQA 环worker生成侧回渲比对5.2 核心数据模型设计空间统一 1920×1080不用现有编辑器的 768×432。换算干净导出时pt px / 2。// Deck { id: ..., title: ..., themeId: business-blue, designW: 1920, designH: 1080, slides: [ /* Slide */ ] } // Slide { id: ..., index: 0, layout: three-cards, // 版式组件名用于「换版式」 background: { token: bg-base }, // 或 { image: oss://... } notes: 这一页的讲稿, layers: [ /* Layer */ ] } // Layer —— 注意这里只有 token 引用没有绝对样式 { id: ..., kind: text | image | shape, role: title | body | caption | card-title, box: { x: 120, y: 80, w: 800, h: 120 }, rotation: 0, z: 3, locked: false, visible: true, style: { // 全部是 token / 刻度引用 colorToken: fg-primary, fontToken: font-display, sizeStep: 3, // 字号刻度不是 px weight: bold, align: left, lineHeight: 1.4 }, overrides: { }, // 用户手改覆盖 token text: ..., // kind text src: oss://..., // kind image shape: rounded-rect // kind shape }主题 token 表每套风格一份{ id: business-blue, colors: { bg-base: #ffffff, bg-accent: #f1f5f9, fg-primary: #0f172a, fg-secondary: #64748b, brand: #2563eb, brand-fg: #ffffff }, fonts: { font-display: Source Han Sans, font-body: Source Han Sans }, scale: { size-steps: [14, 18, 24, 32, 44, 60], space-steps: [8,16,24,40,64] }, shape: { radius: 12, shadow: sm } }5.3 落库沿用现有「整体保存一页」的模式同/ppt/update_page存material数组ppt_deck (id, user_id, title, theme_id, status, version, created_at, updated_at) ppt_slide (id, deck_id, idx, layout, background, notes, layers jsonb, version)layers存jsonb整页保存不拆表。编辑器自动保存本来就是一页一提交。写 jsonb 必须显式转型?::jsonb连接串无stringtypeunspecified。用SimpleJdbcInsert时必须指定usingColumns否则缺列会被绑成 NULLDDL 默认值不生效。DDL 无迁移框架需手动ssh psql应用。5.4 接口POST /deck/create 生成整套异步返回 taskId POST /deck/get 取整套 POST /deck/update_slide 保存单页整页 layers POST /deck/add_slide 新增页 POST /deck/delete_slide 删除页 POST /deck/reorder_slides 页排序 POST /deck/apply_theme 换风格只换 themeId前端重渲染 POST /deck/relayout_slide 单页换版式重跑排版器 POST /deck/export { deckId, format: pptx | pdf | png } GET /deck/themes 风格列表5.5 导出映射IRPPTXbox.x/y/w/h1920 设计 pxInches(px / 144)—— 1px 1/144 in1920px 13.333insizeStep→scale.size-steps[step]Pt(px / 2)kind: textadd_textbox关闭 autofitword_wrap Truekind: imageadd_picturekind: shapeadd_shape圆角矩形 / 椭圆 / 直线colorToken查主题表 →RGBColorfontToken写字体名白名单见 3.4。同时设 latin eastasian主题字体也一并设复杂视觉层降级为图片层两个 python-pptx 的坑中文字体要写三处。run.font.name只写a:latin中文会退回主题默认字体。必须额外写a:ea/a:cs东亚字体是a:ea且顺序是 latin → ea → cs。空a:effectLst/挡不住 LibreOffice 的投影。python-pptx 的add_shape/add_connector会带一个引用主题的p:style里面有a:effectRef idx2主题投影。按 OOXML 规范显式的空a:effectLst/应该覆盖它PowerPoint 也确实认 ——但 LibreOffice 不认照样渲出投影。而回渲 QA 和 PDF 导出都走 LibreOffice所以必须把p:style整个删掉。lnRef/fillRef同理会让「没设描边」的形状长出一条主题色的边。5.6 里程碑阶段内容验收M1IR schema 导出器手工 JSON → pptx导出的 pptx 与预览图逐页对照肉眼无差异M2编辑器矢量画布 存/取能建页、拖框、改字、存回、刷新后一致M3生成端LLM 内容 版式意图 → 排版器给主题出一套无重叠/出界/字号乱M4主题与组件库风格 × 组件一键换风格内容不动每套都好看M5QA 回环 验收矩阵组件 × 风格全量渲染比对改一次 token 全量重渲无回归M6PDF / PNG 导出、配额计费、导出池导出不排队扣费与报价一致先做 M1。导出保真度是整条链路风险最高的地方先用手工 JSON 把「IR → pptx → 回渲 → 对照」这条路走通再往上叠东西。5.7 机器资源动作频率成本保存图层每次拖拽一次 JSON 写库导出 pptx40 页每次点导出秒级纯 CPU回渲 QA每次生成初稿20–80sCPU 磁盘每页 PNG150 DPI—1–3MB/页走 OSS临时文件要清零 GPU 依赖。「编辑 导出」这一条线 4 核 / 16GB 就够。真正让单机吃紧的是并发导出 × soffice 进程数并发卡 1–2 即可。临时文件清理要单列任务——CosyVoice3那边已经吃过临时分片残留的亏。6. 风险风险影响缓解导出保真度不达标产品核心承诺落空M1 先做手工 JSON 走通再叠功能组件 × 风格组合爆炸某些组合丑/撞色自动验收矩阵M5服务器只有 1 个中文字体PDF 导出难看、QA 无意义给服务器装 Noto Sans CJK SC3.4字体在目标机器缺失排版散架生成端锁字体3.4写进产品说明PDF 才是保真交付格式3.5导出与渲染抢 worker用户点导出没反应独立导出池3.6用户预期「完全可编辑」差评文案红线4.4Aspose 动画需求商业授权成本先不做观察需求