利用Codex与Image2直出高质量学术PPT的提示词工程实践

背景

随着生成式 AI 技术的快速迭代，利用 AI 辅助办公已成为提升效率的重要趋势。在演示文稿（PPT）制作领域，传统的自动化方案（如 HTML 转 SVG 再转 PPTX，或基于模板的简单填充）往往存在排版僵硬、视觉美感不足、后期修改困难等痛点。近期，在 LINUX DO 社区中，有用户分享了一种基于 Codex（代码/逻辑生成模型）与 Image2（图像生成/编辑模型，通常指代具备图像理解与编辑能力的多模态模型，如 DALL-E 3 或类似具备 Edit 功能的模型）相结合的全新工作流。

该工作流主张“直接生成成品”，摒弃了传统流程中“生成后转为可编辑对象”的繁琐步骤，通过精细化的提示词工程（Prompt Engineering），让 AI 直接输出高分辨率、设计感强的静态图像，再组装为演示文稿。作者认为这种“Prompt is all you need”的思路比现有的 PPT 技能或传统自动化流程效果更佳，尤其适用于答辩、学术汇报等对视觉呈现要求较高的场景。

核心内容

该工作流的核心逻辑是将 PPT 制作拆解为“底板生成”、“提示词模板构建”、“批量图像生成”与“成品组装”四个步骤，全程由 AI 驱动，无需人工介入排版细节。

1. 搞定底板（Master Slide）

底板是 PPT 的视觉母版，决定了整体风格。

• 生成方式：可以通过 Image2 的文生图功能直接生成，或选取一张满意的 PPT 截图作为参考。
• 设计原则：底板必须包含顶部和底部的装饰元素（如配色、线条、图标、纹理），而中央区域必须大面积留白，专门用于容纳每页的具体内容。
• 提示词技巧：在生成底板时，需明确指定比例（16:9）、分辨率（4K/3840x2160）、具体配色方案以及顶部/底部元素的具体形态。需多生成几张以筛选出最满意的模板。

2. 构建提示词模板（Prompt Template）

这是整个工作流的关键。每页 PPT 的提示词被严格划分为五个固定区块，确保生成的一致性与高质量。

• 区块一：底板约束（Base Constraint）

  • 目的：防止 AI 重画或篡改底板的装饰元素。
  • 内容：明确指定底板为唯一母版，详细列出顶部和底部必须保持不变的元素（如“左侧深蓝斜切区”、“白色盾牌图标”等）。强调禁止移动、放大、缩小或替换这些元素。
  • 例外：仅允许变化特定的动态元素（如页码或章节号）。
  • 核心指令：中央白色内容区是唯一可编辑区域，AI 只负责排版，不得改写内容。

• 区块二：视觉设计要求（Visual Design Requirements）

  • 目的：避免 AI 输出纯文本列表，强制其进行视觉设计。
  • 内容：要求生成精修版汇报页。指定主标题样式（如大号深蓝、左侧竖线装饰），要求正文以“信息卡片”、“分区条”、“标签”等形式呈现，而非简单的项目符号。
  • 元素要求：每页至少包含 3 种视觉元素（如渐变卡片、细线分隔、编号圆点、图标标签等）。
  • 风格限定：指定学术、政府、科技或商务风格，禁止卡通或花哨风格。

• 区块三：本页设置（Page Settings）

  • 内容：每页特定的固定信息，如章节号（如“01”）和本页主标题。

• 区块四：本页内容（Page Content）

  • 内容：由 Codex 根据论文或原始材料生成的完整文字内容。
  • 关键点：必须提供完整的句子和结论，而非关键词。AI 负责将这些完整内容排版到中央区域。

• 区块五：禁止项（Prohibitions）

  • 内容：明确列出禁止添加的元素，如页码、日期、额外 Logo 或改动底板元素。

3. 批量生成与筛选

• 输入：将底板图作为参考图（Reference Image）传入，配合上述提示词模板。
• 参数设置：尺寸设为 3840x2160 (4K)，质量设为 High，格式为 PNG。
• API 指令：若使用 API，需在 instructions 字段注明：“Use the input image as template, keep top and bottom bars identical, only change the central content area and chapter number.”
• 流程：每页生成耗时约 30-60 秒。若不满意，可针对同一页多次生成并筛选最佳结果。

4. 组装成品

• 将筛选满意的高清 PNG 图片直接组装成 PPTX 或 PDF 文件。
• 核心理念：直接输出成品图像，无需转换为可编辑文本或形状。若需修改，应让 Codex 通过 Image2 的编辑功能（Edit）进行调整，而非人工手动修改 PPT 对象。

关键要点

• 直接出图，拒绝编辑：与传统“生成后转可编辑格式”的思路不同，该工作流主张直接生成高分辨率静态图像作为最终交付物。这避免了格式转换带来的排版错乱和细节丢失。
• 底板与内容分离：通过严格的“底板约束”提示词，将视觉母版（装饰）与内容区（文字/图表）解耦。底板负责美学，内容区负责信息传达，互不干扰。
• 提示词结构化：将提示词分为“底板约束”、“视觉设计”、“页面设置”、“具体内容”和“禁止项”五个区块，确保 AI 严格遵循设计规范，特别是通过详细描述底板元素来防止 AI “幻觉”或重绘。
• Codex 与 Image2 协同：Codex 负责逻辑梳理和内容生成（将论文转化为结构化文本），Image2 负责视觉呈现和排版。两者分工明确，形成闭环。
• 高分辨率输出：指定 4K (3840x2160) 分辨率，确保在大屏幕投影或打印时的清晰度，解决传统 PPT 生成图模糊的问题。
• 迭代筛选机制：承认 AI 生成的不确定性，通过“多跑几张挑好看的”策略，利用数量换取质量，而非追求单次生成的完美。

意义与影响

这一工作流代表了 AI 辅助创作从“工具辅助”向“代理执行”的转变。它挑战了传统 PPT 制作中“人主导排版，AI 辅助内容”或“AI 生成框架，人填充内容”的模式，提出了一种“AI 全权负责视觉呈现”的新范式。

对于学术答辩、商业汇报等场景，这种模式的优势在于：

1. 视觉一致性极高：通过固定底板和结构化提示词，确保整套 PPT 风格统一，避免人工操作导致的风格漂移。
2. 效率提升：一旦模板建立，批量生成速度远超人工排版，尤其适合内容量大、页面众多的报告。
3. 降低设计门槛：用户无需具备专业的 PPT 设计技能，只需具备清晰的逻辑梳理能力（由 Codex 辅助）和精准的提示词编写能力，即可产出专业级视觉效果。

然而，这也对用户的提示词工程能力提出了更高要求，且牺牲了 PPT 的可编辑性。它适用于对视觉呈现要求高、对后期修改需求低的场景。随着多模态模型能力的进一步提升，这种“Prompt is all you need”的直出模式可能会成为高端演示文稿制作的主流趋势之一。