我手搓了一个 AI 工具，PPT 全自动生成！

在日常工作中，制作 PPT 最耗时的往往不是排版，而是构思大纲和填充内容。

你是否想过：如果能给 AI 一个主题，让它像流水线工人一样，先列提纲，再填内容，最后直接生成 PPT 文件，岂不美哉？

今天，我们就用 LangGraph 配合 阿里通义千问（Qwen） 大模型，带你写一个 “三步法” PPT 自动生成器。

---

💡 核心思路

我们将任务拆解为三个简单的步骤：规划（Plan） -> 撰写（Draft） -> 制作（Build），通过 LangGraph 将它们串联成一条自动化的工作流。

---

01 🎯 提示词工程：如何指挥 AI 干活

在看代码之前，我们先看看怎么指挥 AI 干活。这是整个流程的灵魂。

第一步：规划师（Plan Outline）

如果不加限制，AI 可能会废话连篇。为了让程序能自动运行，我们需要利用 “结构化输出” 技巧，强制 AI 返回程序能读懂的 JSON 格式。

我们需要 AI 扮演一个逻辑清晰的规划师。任务：给它一个主题，让它只吐出 10 页的大纲（标题+副标题）。

📝 提示词设计：

请先给出演示文稿大纲，只包含每一页的标题与副标题，严格返回一个 JSON 数组：
每个元素示例：{"title_text":"标题","subtitle_text":"副标题（可选）"}
要求：
- 总页数不超过 10 页；第 1 页可作为封面。
- 文风符合 PPT：短句/短语、清晰可讲述；不写空话。
- 只返回 JSON 数组本体。
主题：
{topic}

只返回JSON数组本体

⚠️ 至关重要。如果不加限制，AI 可能会说 “好的，这是为您准备的大纲…“，这句多余的话会导致程序解析 JSON 时报错。我们要的是纯净的数据。

第二步：撰稿人（Draft Content）

拿到大纲后，我们进入循环，让 AI 针对每一页具体展开。任务：给它”当前页标题”，让它填补”要点（Bullet Points）”。

📝 提示词设计：

请基于给定的页面标题/副标题，为该页生成可直接用于 PPT 的要点。
严格返回一个 JSON 对象：{"title_text":"...","subtitle_text":"...","text":["要点A","要点B","..."]}
要求：
- 保持原有标题/副标题表达（允许小幅优化）。
- 要点符合 PPT 风格：短句/短语，信息清晰、可口播；不限制字数与数量。
- 不返回任何解释文字。

主题：{topic}
页面标题：{title}
页面副标题：{subtitle}

💡 为什么这么写？ 我们将 “主题” 和 “当前页标题” 一起传给 AI，这样它既知道宏观背景（Context），又知道这一页具体该写什么，避免内容跑题或产生幻觉。

---

02 🧩 LangGraph 三步法拆解

有了上面的 Prompt，接下来就是用 Python 把它们串起来。LangGraph 在这里的作用，就是管理整个流程的状态（State）。

1. 定义状态（State）

我们需要一个”篮子”来装我们的数据，从大纲到最终内容，都存在这里：

class GState(TypedDict, total=False):
    topic: str              # 用户输入的主题
    outline: List[Slide]    # 存放 AI 规划的大纲
    slides: List[Slide]     # 存放填好内容的页面
    output_path: str        # 最终文件路径

2. 编写节点（Nodes）

代码逻辑非常直观，就是调用我们上面设计的 Prompt。

• Plan 阶段：调用大模型，拿到 JSON 大纲，存入 state["outline"]
• Draft 阶段：一个简单的 for 循环，遍历大纲的每一页，再次调用大模型生成内容，存入 state["slides"]

(此处省略具体 API 调用代码，核心就是将 Prompt 发送给模型并解析 JSON)

3. 组装流水线（Build Graph）

最酷的部分来了，看我们如何用 LangGraph 像搭积木一样把流程串起来：

workflow = StateGraph(GState)

# 添加节点（工序）
workflow.add_node("plan_outline", plan_outline)
workflow.add_node("draft_all", draft_all)
workflow.add_node("build_ppt", build_ppt)  # 调用 python-pptx 生成文件

# 定义连线（流程走向）
workflow.add_edge(START, "plan_outline")
workflow.add_edge("plan_outline", "draft_all")
workflow.add_edge("draft_all", "build_ppt")
workflow.add_edge("build_ppt", END)

# 编译图
slide_graph = workflow.compile()

你可以把这个图想象成一个工厂流水线，数据（State）在传送带上流动，经过一个个机器（Node）加工，最终产出成品。

LangGraph 工作流示意图：从规划到生成 PPT 的完整流水线

---

03 ✨ 运行效果实测

当我们输入主题：”介绍大语言模型：原理、能力、应用与局限”。

程序会在后台静默运行：

1. Qwen 迅速构思出 10 页大纲
2. 程序自动根据大纲，生成每一页的精炼短句
3. python-pptx 将内容写入幻灯片

最后控制台输出：

PPT 输出： output/介绍大语言模型_20231123.pptx

打开生成的 PPT，你会发现标题清晰、要点明确。

虽然没有精美的设计（那是排版工具的事），但作为内容初稿，它已经帮你节省了 90% 的脑力劳动！

---

04 📝 总结与展望

这个脚本虽然只有 100 多行，但它展示了 Agentic Workflow（代理工作流） 的核心魅力：

要点	说明
结构化 Prompt	强制 LLM 输出 JSON，是自动化的基石
任务拆解	将复杂任务（做 PPT）拆解为简单任务（写大纲+写内容）
状态流转	LangGraph 让数据在不同步骤间优雅传递

👉 下一步你可以做什么？

1. 优化 Prompt：让 AI 生成更详细的演讲备注（Notes）
2. 并发加速：在第二步使用 async 并发生成，10 页 PPT 可能只需 3 秒
3. 加入模板：修改 build_ppt 函数，加载公司专属的 PPT 模板

---

别再对着空白 PPT 发呆了，让 AI 成为你的生产力助手吧！