课件视觉提升改造

概述

将"文字密集的老课件 → AI生成图片版精简课件 + 讲课提词卡"的完整改造流程固化。源自 XXXXXXXX学校 一门课程13个PPT、单章75页→35页重构的实战验证。

核心思想：图片上只留概括性关键词，硬信息（专有名词/数值/条款号）进提词卡口头讲授，知识不丢失。适用于任何学科：硬信息类型随课程变（案例名称/数值/条款号 → 定理参数/史实年代/公式编号），提取原则不变。不只文字密集的课件受益：文字稀少的课件同样适用——AI逻辑思维把被拆散的知识点重组为完整表达再视觉化，全流程基本自动化，无需人工手写文字。

六步流水线总览

执行前通读 references/pipeline-pitfalls.md（批量处理实战坑点）。

第0步：准备与确认（工作目录一律由用户提供）

1. 向用户确认源目录位置（如"课件在哪个文件夹？"），不做任何默认路径假设；

所有脚本均以 <源目录> 参数形式传入，本技能不含硬编码路径

1. 老版 .ppt 先转换：python scripts/ppt2pptx.py <源目录>（需本机PowerPoint+comtypes）
2. 与用户确认四项设计决策：
   • 目标页数（一般原页数的40-50%，如75→35）
   • 配图工具（Image 2.0 / 即梦AI / ChatGPT / 豆包等主流文生图均可，本技能提示词为

多工具通用中文直出，按所选工具微调画面风格参数）

• 风格大方向（可选，先问用户有无偏好；第3步会按内容领域给出2-3套完整风格

方案供选择，这里只确认大方向，如"制药法规类"或"理工类"）

• 是否启用第2d步知识库核实（法规/标准/考试类课件建议启用；用户自备知识库

——技能本身不带默认知识库——或纯官方原文核实均可，见 references/kb-verify-spec.md）

第1步：文字图片分离

python scripts/ppt_split.py <源目录>

• 自动处理源目录及_转换临时/下全部pptx
• 文字：按页提取（含表格/组合形状/备注），图片清单附在每页末尾
• 图片：rels关系提取（覆盖形状填充/嵌入对象），命名第XXX页_YY.ext
• WMF/EMF自动GDI+转PNG（2倍缩放）；母版装饰图归档模板图片/
• 验证：输出汇总表核对页数/图片数是否合理

第2步：OCR识别补丁（PaddleOCR，本地）

# 单章节：图片目录 → 产出《<章节名>_PaddleOCR识别.txt》
python scripts/paddle_ocr_batch.py <章节图片目录> <输出txt>
# 全量（处理源目录下所有含 图片/ 的章节文件夹，已有产出的自动跳过）
python scripts/paddle_ocr_batch_driver.py <根目录>

• 两遍式架构：遍1纯OCR（PP-OCRv5，读全部文字含图形/截图内文字）；遍2版面+表格识别

（表格转Markdown管道表，版面误判为"图片"的图形不丢字）

• 子进程隔离+断点续跑+自动降级：内存不足段错误时自动降级mobile模型重跑，

逐图JSONL断点，中断后重跑只补未完成的图

OCR文字必须复核错字后再用于后续步骤（错字对照表见 references/teacher-card-spec.md）。

第2b步：AI逻辑校对（错字修正+存疑标注）

对_PaddleOCR识别.txt做最后一道人工可审的校对，产出两个文件：

• <章节名>_PaddleOCR识别_校对版.txt：明显错字已直接修正，存疑行尾带⚠存疑：标注
• <章节名>_校对清单.txt：全部改动（行号+原文→修正+依据）与存疑记录

做法（LLM通读全文后生成修正表，脚本只是执行器）：

1. 通读识别txt全文，按本课程专业语境（法规/术语/机构名/数据逻辑）人工判读，收集三类素材：
   • 确定性修正：法规/机构名误识、同章有规范原文可对照的（第A页错、第B页对）、

日期残缺有标准答案的、常见形近误识（土/士、井/并、周/照）

• 存疑标注：无法离线核实的令号/日期/新规、乱码推断（水印、英文残缺）、

疑似原文被截断的条款、表格结构不完整

• 噪声说明：图片水印、艺术字无法识别、重复截图页

1. 填入scripts/proofread_apply.py的FIXES/DOUBTS/EXACT三个列表（用法见该文件头部）
2. 运行后核验输出：脚本对未命中的锚点会打印警告，必须逐条排查（多为原文与OCR

字符不一致，如连字符/引号差异）

1. 交付：校对版供第2c步使用，存疑清单交教师人工对照原图定稿

第2c步：合并OCR回每页文字（生成重构输入文件）

校对完成后，把PaddleOCR校对版按图片名合并回_文字内容.txt，生成第3步的正式输入：

python scripts/merge_paddle_to_pages.py <章节根目录> [章节名过滤词]

• 把PaddleOCR校对版按图片名合并回_文字内容.txt，每页图片的识别内容追加在该页末尾
• ⚠存疑标注原样保留（第3步知识归纳时谨慎采信存疑行）
• 人工核对完存疑项后，改校对版重跑本脚本即可同步更新
• 产出：<章节名>_每页完整内容.txt（每页 = 原PPT文字 + 图片OCR识别，页序完整）

不需要等人工校对完才合并：错字已修、存疑有标注，可先合并进入第3步，人工核对并行进行。

第2d步（可选）：知识库核实与内容扩充

法规/标准/考试类课件建议启用——对照用户自备知识库（技能本身不带默认知识库，由用户提供自己的 ima 知识库名称或 kb_id）和官方原文，对《每页完整内容.txt》逐页核实：修正错误参数、补齐条款号与法规沿革、标注多口径出处，产出<章节名>_每页完整内容_知识库核实修订版.txt 取代原文件作为第3步正式输入（实战验证：单章112页逐页核实，修正参数错误、补齐法规沿革、OCR错字14处）。

⚠️ 每次处理新课件时必须重新与用户确认知识库来源——不同用户/不同课程的知识库均不同，禁止复用之前的 kb_id。

• 启用前须用户确认：是否启用、用哪个知识库（发送知识库名称→由AI通过

search_knowledge_base 检索→列出命中结果供用户选择确认→获取kb_id）、核实范围（全篇/重点页/仅硬数字）

• 无知识库时可纯官方原文核实；修订内容经用户审核（文末修订汇总即审核清单）

后才进入后续步骤

• 完整规范（接入方法、检索策略、标注体系、审核清单）见

references/kb-verify-spec.md

第3步：视觉风格选择 + 知识归纳与视觉重构方案

1. 判领域：通读_每页完整内容.txt（如已做第2d步则通读其核实修订版），判断课件所属领域（制药/医疗/理工/文史/经管/通用）
2. 推荐风格：按 references/visual-style-spec.md 给出该领域的 2-3 个风格变体

（每个含：变体编号、名称、一句话特点，如"A1 洁净科技风：医用蓝+分子结构，现代实验室感"；完整参数含主色/辅助色/背景/字体/元素装饰/配图风格）

1. 用户选择：用 AskUserQuestion 列出选项，或文本列出请用户回复编号
2. 知识归纳：按知识模块重组为M页：每页聚焦1个核心知识点或案例
3. 先建"新页↔原页映射表"——后续两步的基础，必须最先做、交付物中必须包含
4. 标注图片素材复用建议：真实截图/布局图/流程图优先复用原图，AI生成做补充
5. 按 assets/视觉重构方案模板.md 骨架撰写《XX_视觉重构方案.md》，

方案第二节"统一视觉风格规范"填写选定变体的完整参数（替换模板里的默认科技蓝）

1. 交付用户审阅，确认后再进第4步（避免返工重写提示词）

第4步：配图生成提示词（Image 2.0 / 即梦AI / ChatGPT / 豆包通用）

• 按 references/image-prompt-spec.md 六要素结构逐页编写：

画面类型/背景/元素与位置/大小/颜色（含图片内文字：中文引号标注+位置+字号+颜色）/特效

• 先查 references/layout-templates.md 版式模板库：工具方法论类页面优先套用版式骨架

（如L1方法论五步信息图：标题→场景→N步卡→公式→流程线→价值卡），替换占位内容即可

• 文件头：【文档名称】【对应课件】【统一视觉风格】——颜色/字体/背景/装饰直接采用

第3步选定风格的完整参数，保证整章视觉统一

• 同一套提示词适配主流文生图工具：中文工具（Image 2.0/即梦AI/豆包）直接粘贴；

ChatGPT等按需改英文画面描述+保留中文文字约束（详见 image-prompt-spec.md 七节）

• 文字量边界：图片内只放"标题+核心短语"；大段条款不进图（模型渲染长中文易错字）
• 每页提示词开头必须有【图片内文字】核对清单，强调"必须准确生成、无错别字"
• 交付前验证三条：BEGIN/END配对数=页数、页码连续、每页有【图片内文字】清单
• 批量粘贴注意：生图平台对整包长文本批量解析不可靠，会串页。粘贴前必跑

python scripts/split_prompts.py <提示词.txt> <输出目录> 10，输出平台适配格式（中文页标记、页码行唯一方括号、半角引号自动转中文引号、文字强约束句），详见 image-prompt-spec.md 七A节

• 建议用户先试生成3页（封面/文字最多页/图表页）确认风格再批量
• 需把md方案转AI可读txt时：python scripts/md2txt.py <方案.md> <输出.txt> <总页数>

第5步：讲课支撑材料（两件套，顺序不可颠倒）

1. 先做数据底稿《XX_精简版未显示内容整理.txt》：

按第3步映射表收录被省略内容全文（案例细节/条款全文/数据表），标[原图页]；OCR错字校正，存疑标(?)，矛盾处标⚠，跨章遗留页附录说明

1. 再做提词卡《XX_讲课提示词_AI眼镜版.txt》：

一页一卡、只提硬信息（专有名词/具体数值/条款号）、短行一屏8-10行、符号体系▶口头补充/★建议强调/⚠易错考点（详见 references/teacher-card-spec.md）

1. 提词卡中每个数字、专有名词、条款号逐字核对底稿，禁止凭记忆补写

第6步：成品合成（生成的图片 → 新版pptx）

用户用提示词生图后（命名建议：章号+页号零填充，如0301.png~0335.png，统一放一个文件夹），运行

python scripts/build_pptx.py <图片文件夹> <输出.pptx>

• 新建16:9空白演示文稿，图片按文件名排序逐页插入，铺满整页
• cover模式：图片比例与16:9不一致时自动居中裁剪，不拉伸变形
• 页序即文件名升序，提醒用户命名必须零填充（0301而非31，否则310会排在31前错位）

产物命名规范（每章一个文件夹）

<ppt名>/
├── <ppt名>_文字内容.txt              # 第1步
├── 图片/ 、模板图片/                  # 第1步
├── <ppt名>_PaddleOCR识别.txt          # 第2步
├── <ppt名>_PaddleOCR识别_校对版.txt   # 第2b步
├── <ppt名>_校对清单.txt               # 第2b步
├── <ppt名>_每页完整内容.txt           # 第2c步
├── <ppt名>_每页完整内容_知识库核实修订版.txt   # 第2d步（可选，启用时为第3步输入）
├── <章节名>_视觉重构方案.md           # 第3步（含选定视觉风格参数）
├── <章节名>_Image2.0中文提示词.txt     # 第4步
│   └── 提示词_拆分版/                 # 第4步（split_prompts.py）
├── <章节名>_精简版未显示内容整理.txt    # 第5步
└── <章节名>_讲课提示词_AI眼镜版.txt    # 第5步

推广到其他课程时的调整点

• 视觉风格：每章按内容领域从 references/visual-style-spec.md 选 2-3 套供用户挑，

主色与图形语汇按所选变体替换（制药/物流/食品/机械/文史均可）

• 硬信息类型随课程变（案例名称/数值/条款号 → 定理参数/史实年代/公式编号），提取原则不变
• 目录结构、脚本命令、验证清单全部通用；脚本参数均为路径参数，无硬编码

环境依赖

• Windows系统（GDI+/PowerPoint）
• Python：python-pptx（拆分/合成）、comtypes（仅转ppt时）、Pillow
• PaddleOCR：python -m pip install paddlepaddle==3.2.2 paddleocr "paddlex[ocr]"

（3.3.1在Win+Py3.13有oneDNN PIR崩溃bug，勿升级；内存<8GB机器server模型加载偶发段错误属正常，脚本会自动降级mobile续跑；⚠ paddlex[ocr] extras 必须装全，否则 pass2报 "requires additional dependencies"——补装 pip install "paddlex[ocr]==3.7.2"）

• 注意本机python与pip环境不一致时用python -m pip安装
• OCR专用venv实测路径（2026-09-26，64GB新机复测）：C:/Users/Administrator/.workbuddy/binaries/python/envs/ocr2/Scripts/python.exe

（⚠ 解释器在 Scripts/ 子目录，env根目录下没有python.exe，用根路径调用报"No such file or directory"）模型档位同图实测：mobile 单图1.7s（有繁体/半角括号/日文间隔号等瑕疵）；server 单图26.4s（瑕疵全消除）内存自动选档（2026-09-26 加入）：paddle_ocr_batch.py 启动时自动检测物理内存——总内存≥16GB 且可用≥8GB 用 server，否则用 mobile（跨平台零依赖：psutil→Windows GlobalMemoryStatusEx→Unix sysconf 三级回退）。判断失误时由段错误自动降级安全网兜底。手动覆盖：环境变量 OCR_FORCE_TIER=server|mobile。