上一篇文章，我讲了为什么要开源 PPT-Deck-Pro-Max。
这一篇，我想换一种方式。
我直接让它介绍它自己。
任务很简单：用 PPT-Deck-Pro-Max 这个 Skill，做一套介绍 PPT-Deck-Pro-Max 的 Deck。
这听起来有点绕，但它其实是一个很好的测试：如果一个 Deck 生产 Skill 连自己的价值、边界、流程和输出都讲不清楚，那它就很难说服别人相信它可以处理复杂商业材料。
更关键的是，这次我不只看最终 PPT。我会把过程中的关键记录也拆开讲：从一句话任务，到 Brief，到 Expert Mode 访谈，到逐页稿，到视觉施工稿，再到最后的 Image2 图片型 PPT。
这才是我真正想表达的东西：
AI 做 PPT 的重点，正在从“生成页面”进入“生产一套可被审查、可被构建、可被复用的商业表达流程”。
一、我给它的输入，只有一句话
这次任务的原始输入很短：
用
PPT-Deck-Pro-Max这个 Skill，来介绍这个 Skill 本身。
如果只是普通 AI PPT 工具，它很可能会直接进入页面生成：标题页、能力页、流程页、优势页、结束页。很快，也很完整。
但这类完整感经常是幻觉。
真正做过商业方案的人都知道，PPT 最难的部分通常发生在逐页稿之前。
你要先判断这套材料给谁看，为什么现在要看，读者第一眼应该相信什么，最强证据是什么，最后希望对方做什么。
所以这次流程的第一步，并没有直接写页面。
它先生成了 deck_brief.md。
这个文件把任务锁成了一个 10 页产品介绍 Deck，定位是：面向专业商业 Deck 生产的 AI Skill，把有限输入、资料整理、应答策略、叙事弧线和页面规格组织成可构建、可评审、可继续打磨的 Deck 生产包。
这里有一个关键变化。
我一开始倾向走 Quick Mode，后来改成了 Expert Mode。原因也很直接：这篇文章要做教学，必须展示这个 Skill 如何把专业用户脑子里的判断挖出来。
Quick Mode 可以快速出稿。
Expert Mode 更适合高价值材料，因为它要先把隐性经验变成结构化输入。
二、第一次访谈并不理想，这反而暴露了关键价值
进入 Expert Mode 后，AI 先提了一组问题。
我当时的反应是：这些问题太粗。
它问得像一个泛泛的访谈提纲，而我需要的是更精确的判断输入。比如，它如果问我“返工成本”相关问题，我就会觉得不对，因为从我的专业工作习惯出发，真正的问题并不叫这个。
我纠偏了它。
我说，做一套解决方案 PPT，真实过程包含完整调研、素材整理、二次加工、数据整理、主叙事梳理和应答策略设计。这个过程远远超过“缺几页内容”，它要把有限输入加工成可讲、可读、可判断的方案。
这一步非常关键。
很多人以为 Expert Mode 的价值是 AI 问问题，人回答。
我的感受更具体：好的 Expert Mode 应该先带着理解来问，再允许专业用户纠偏，最后把纠偏后的判断吸收到生产包里。
我后来让 AI 先基于 Skill 和上一篇文章自己回答，再由我复核。这个动作很有效。
因为专业用户不一定愿意从零回答一堆空问题，但很容易判断一个初始答案哪里对、哪里偏、哪里太粗。
这就是共创。
三、真正被挖出来的，是专业用户对 PPT 的工作理解
这次访谈里，真正有价值的内容来自一段纠偏。
我补了几个判断。
第一，复杂商业方案通常是基于极其有限的输入写出来的。可能只是客户几句话、旧方案、产品说明、零散资料或一次沟通记录。
第二，普通 AI PPT 工具主要解决“逐页稿到成品”的部分。有些工具能做基础逐页稿整理，但大多停在通识场景。
第三，复杂商业方案需要资料整理归类、应答策略梳理和叙事弧线打磨。以前这些事情都要靠人自己想，现在可以通过对话方式先讲出来，再让 Skill 帮你提炼。
第四，国内商业场景对 PPT 的密度要求更高。很多 AI PPT 默认走西方讲述型风格，喜欢把内容减少，这在国内售前、汇报、投标、方案材料里经常不够用。
第五，专业用户真正需要的是把写 PPT 这件事流程化、工程化，摆脱“自动出几页”的低层次满足。这样才能减少不断画框和重复整理的摩擦，让写 PPT 回到思考与表达本身。
这些内容后来进入了 deck_expert_context.md，再进入 deck_clean_pages.md。
这才是这次流程里最有价值的部分：最终那 10 张图背后的判断，是怎么被挖出来、被修正、被整理、被页面化的。
四、Expert Mode 的核心，是让你先把 PPT 讲出来
我越来越确定一件事：
专业写 PPT 的人，讲 PPT 的能力往往强于写 PPT 的能力。
写，会让人陷入措辞、结构、页面细节和格式。
讲，会把判断、语气、重点和真实上下文带出来。
这和 Vibe Coding 有点像。你不一定先写完整代码说明，你可以先把要做什么、为什么这么做、边界在哪里讲出来。AI 再把这段表达转成结构、代码和执行计划。
做 PPT 也一样。
在真正生成 PPT 之前，把这套 PPT 先讲一遍，往往会得到更好的结果。
因为人在讲的时候，会自然暴露很多原始文档里没有的东西：
- 哪些点是客户真的关心的。
- 哪些论据只是你自己觉得重要。
- 哪个反驳必须提前处理。
- 哪页应该先建立信心。
- 哪些内容可以合并，哪些内容必须拆开。
PPT-Deck-Pro-Max 的 Expert Mode 价值就在这里：它把“讲出来”的专业判断，压成可构建的页面规格。
本轮对话本身就是证据。
当问题变得更准确，我这边自然输出了大量可用于 Deck 的内容。Skill 的作用是把这些内容整理成 Brief、专家上下文、逐页稿、视觉组合和构建交接包。
五、逐页稿要从普通大纲升级成页面生产规格
经过 Expert Mode 后，系统生成了 deck_clean_pages.md。
这份文件很重要。
它已经超出普通大纲。
它把每一页拆成三个部分：
- 标题。
- 主判断。
- 支撑点和视觉声明。
比如第 2 页的主判断是：普通 AI PPT 工具主要处理从逐页稿到成品页面，复杂商业方案真正困难的部分发生在逐页稿之前。
第 5 页的主判断是：Expert Mode 的价值是让专业用户通过对话把想法输出给 AI，再由 Skill 完成精炼、提取、归类和结构化。
第 9 页的主判断是：PPT Deck Pro Max 用 review package、commercial scorecard、layout manifest 和修改路由检查内容、视觉和交付标准是否对齐。
这些句子看起来很像页面标题背后的“硬骨头”。
这就是专业 Deck 和普通内容摘要的差别。
普通摘要只负责把内容变短。
页面生产规格要负责告诉后续构建工具：这一页到底要说服谁，主要视觉是什么，证据放在哪里，读者看完应该产生什么判断。
六、视觉施工稿，解决的是“不要让 Build AI 自由发挥”
很多 AI Deck 失败，原因通常不在模型不会画页面。
问题在于，它拿到的输入太松。
如果你只说“做得高级一点”，Build AI 就会自由发挥。它可能做一堆卡片、渐变、图标和大标题，看起来完整，但信息关系并没有被表达出来。
所以 PPT-Deck-Pro-Max 在逐页稿之后，还会生成 deck_visual_composition.md。
这个文件会明确每页的视觉主角。
有些页适合双阶段流程图。
有些页适合漏斗。
有些页适合三柱汇流。
有些页适合对比矩阵。
有些页适合 hub-and-spoke 架构图。
有些页适合质量控制台。
这一步的价值很实际：它让后续构建模型少猜一点，多按规格执行一点。
尤其是国内商业方案场景，页面经常需要高密度表达。高密度并不等于堆字，它需要结构、图表、分区和视觉主角来管理信息。
如果没有视觉施工稿，AI 很容易把一页复杂商业材料压成几句漂亮口号。
那种页面发朋友圈很好看，放到客户会和老板汇报里就很危险。
七、同一套生产包，可以接不同构建路径
这次会话里，我实际走了三条构建路线。
第一条是 ppt-master。
它把生产包转成一套 10 页可编辑 PPTX。页面是原生形状，有 speaker notes，适合后续继续在 PowerPoint 里手工微调。
第二条是 guizang-ppt-skill。
它把同一套内容做成新瑞士国际主义风格网页 PPT，用 IKB 克莱因蓝做主题，适合网页翻页、视觉预览和风格化展示。
第三条是 visual-style-ppt + Image2。
这条路线基于逐页稿，先生成 outline.md、prompts.md 和 style-used.md，确认后逐页调用 Image2，最后把 10 张完整幻灯片图片合成一个图片型 PPTX。
我最后选择用第三条作为这篇文章的配图来源。
原因很简单：图片型 PPT 最适合作为文章插图，它保留了完整页面观感，也能让读者直接看到“生产规格如何变成页面”。
这正好说明 PPT-Deck-Pro-Max 的定位：它不绑定最终容器。
上游先生成稳定生产包，下游可以接 PPTX、HTML、Image2、PDF、长图或其他 build worker。
八、最后的图片型 PPT，也经过了 QA
Image2 生成之后，我没有直接合并 PPT。
先做了基础 QA。
这一步检查了几件事：
- 图片数量是否为 10 张。
- 尺寸是否统一。
- 比例是否接近 16:9。
- 有没有日期、Logo、水印。
- 有没有明显的多余小字。
- 有没有模型自己编出来的未确认指标。
检查结果里，第 1 页和第 9 页需要重生成。
第 1 页出现过多 UI 小字。
第 9 页出现了未确认分数。
这两个问题都不适合保留，因为一旦进入正式 PPT，读者会默认页面上的每个数字都有依据。
所以我重生成了这两页，并在 image_go.md 里记录了通过状态。
这个细节很小，但它体现了我对 AI 生成内容的一贯看法：
AI 产物不能只看好不好看，还要看有没有带入错误信号。
页面越像正式成果，越需要检查里面有没有模型自行补出来的假精确。
九、最终交付物是什么？
最后得到的是一套 10 页图片型 PPT。
页面图统一是白底科技方案风格，尺寸为 1672 x 941，接近标准 16:9。
PPTX 本身只是容器，每页铺入一张完整图片。这种方式的优点是稳定，跨设备打开时不容易因为字体、图标、形状兼容性导致版式漂移。
缺点也很清楚：它无法作为可编辑 PPT 使用。
所以如果你要做正式客户提案，我更建议保留两条路径：
- 可编辑 PPTX，用来做后续人工修改。
- 图片型 PPTX，用来快速展示视觉方向和页面完成感。
这次我把图片型 PPT 用作文章配图，因为它更适合对外展示这个工作流的最终形态。
但除了 PPTX，真正值得保留的是整个生产包：
deck_brief.mddeck_expert_context.mddeck_clean_pages.mddeck_visual_composition.mdoutline.mdprompts.mdimage_go.md
这些文件才是这次 AI Deck 生产的过程记录。
如果下一轮要改标题、换风格、扩展页数、重走 HTML，真正能支撑复用的也是这些文件。
结语：PPT 的下一步，是把专业判断变成可生产流程
这次实验对我最大的启发，并不在 Image2 生成了 10 张图，也不在最后合成了一个 PPT。
真正重要的地方在于：一个专业用户对 PPT 的理解，可以通过对话被提取出来，再被组织成一套可生产流程。
这也是我做 PPT-Deck-Pro-Max 的核心原因。
我不想让 AI 只停在“帮我排版”的位置。
我更希望它能参与前面的复杂工作：资料整理、应答策略、叙事打磨、页面角色分配、视觉施工、质量检查和回退。
这些工作过去都压在写 PPT 的人身上。
尤其是解决方案架构师、售前顾问、产品方案负责人、创始人、咨询顾问这类角色，他们的核心痛苦往往不在画框。真正难点是把一堆混乱输入，变成一套能推动判断的表达系统。
所以，PPT-Deck-Pro-Max 本质上更接近一个 Deck 生产前置工作台。
你先把真实材料讲出来。
它帮你整理成生产包。
再交给合适的构建工具去生成 PPT、HTML、图片页或长图。
这件事看起来只是做 PPT。
但我越来越觉得，它其实代表了一类更大的 AI 工作方式：
让专业人的隐性判断，通过对话进入 AI，再变成可审查、可构建、可复用的生产资产。
未来真正有价值的 AI Coding，不会只停在代码。
它会进入方案、内容、产品叙事、销售材料、知识资产和组织表达。
PPT 只是其中一个入口。
彩蛋：下一块拼图，是 PPT 资产库和 Deck 编排层
这里也顺手埋一个彩蛋。
这周我还会开源另一个新项目：PPT Library。
它是一个本地 CLI 工具，入口命令叫 ppt-lib。如果说 PPT-Deck-Pro-Max 解决的是一套 Deck 在生成之前的内容生产问题，那么 PPT Library 解决的就是另一块长期被低估的基础设施：商用级 PPT 资产库管理与 PPT 组装。
真实商业 PPT 很少完全从零开始。
方案团队手里通常有大量历史材料：行业方案、系统架构图、流程图、案例页、报价说明页、运营看板、服务说明页、投标材料、复盘页。
这些页面很有价值，但过去的使用方式非常原始：靠人记忆、靠文件夹翻找、靠“我好像以前做过一页类似的”。
这对人来说已经很低效，对 Agent 更是灾难。
Agent 如果不知道历史 PPT 里有什么，它就只能重新生成。重新生成当然快，但商用级 PPT 很多时候需要复用已有资产：成熟版式、真实案例、已验证表达、客户看过的结构、公司内部认可的标准页。
PPT Library 想做的事情，就是把这些历史 PPT 变成一个可被 Agent 调用的页级语义库。
它会扫描本地 PPTX，按页提取文本、截图和视觉摘要，写入本机 SQLite 索引库。之后，你可以用自然语言搜索历史 slide，也可以让 Agent 按叙事角色选择页面，再生成 manifest，进入 PPT 组装流程。
这条链路的第一目标，是把“找页、选页、成稿”的重体力环节，推进到可审查的自动化流程；最终商用稿仍保留人工复核。
它的目标很明确：
- 管理商用级 PPT 资产。
- 让 Agent 能搜索和理解历史页面。
- 把页面从“文件夹里的旧素材”变成“可复用的方案资产”。
- 为后续自动选页、组合、组装新 Deck 打基础。
最后再多透露一句：我还有一个项目叫 Deck-Master。
如果说 PPT Library 是 PPT 资产库，PPT-Deck-Pro-Max 是 Deck 生成层，那么 Deck-Master 会成为它们的上层编排层。
它要回答的问题更靠近专业场景的真实工作流：
这套 Deck 应该怎么做？
哪些页面应该来自历史资产？
哪些页面应该重新生成？
叙事弧线、资产搜索、页面生成、组装和复核，如何在同一条链路里闭环？
所以这其实是一套三层结构：
PPT Library是数据层，负责管理历史 PPT 资产，让 Agent 能搜索和理解历史页面。PPT-Deck-Pro-Max是生成层，负责把新方案讲清楚，把 Brief、专家上下文、叙事弧线、逐页稿和视觉施工稿整理出来。Deck-Master是编排层，负责把历史资产调用和新页面生成组织到同一套 Deck 工作流里。
当这三者连起来，AI 做 PPT 才会真正接近专业工作流：先把方案讲清楚，再从已有资产里找证据、找结构、找页面，同时补齐需要新生成的部分，最后组合成新的商业材料。
这也是我接下来真正想推进的方向。
从单次生成一套漂亮 PPT，走向把一个人的 PPT 经验、历史页面、方案资产和表达方法，逐步变成可被 Agent 调用的生产系统。
更长远看，Deck-Master 要做的事情，就是重构专业场景里的 PPT 编写流程。
我是臧青，一名 AI 商业架构师。
我帮助企业把模糊的 AI 机会，收敛成可验证、可落地、可复制的商业方案，让 AI 不停留在概念、工具和 demo 层，而真正进入增长、效率与组织资产。
// End of Stream
关注主页 @臧青内容智能，解锁更多 [AI 落地] 与 [企业智能化转型] 的深度思考。
🕹️ 首发于 GameStarted. Life