讲义 AI 转课件

01背景与问题

竞品调研给出的第三条方向，是“需要单点提升的效率工具”——基于已有内容生成其他形式的内容。讲义转课件是其中最典型的一个。

• 用户价值：教研大约 25% 的精力耗在课件制作上，基础课件全靠手搓——一份七八十页的课件要从讲义里复制粘贴、调格式、套模板，单份 2-3 小时；
• 业务价值：单业务线一期要制作上百份课件，全靠教研人力堆，成本高、周期长，做完直接降业务的教研人力投入；
• 平台价值：中台在推课件线上化，但老师线下用 Office 做的 PPT 上传到线上系统会跑版——同一份文件，Office 和 WPS 两个渲染引擎的解释不同。在线上直接生成 WPS 原生课件，跑版问题从源头不存在，这是撬动线上化的抓手。

问题的本质。教研对课件是强确定性要求：哪块内容用哪个版式、放到哪个位置、用什么格式，组织里有固定标准，不接受 AI 自由发挥——需要从头改到尾的课件，等于没提效。所以这个项目要回答的不是“AI 能不能生成 PPT”，而是“如何用 AI 做出确定性的课件交付”。

02我的角色

• 主导技术选型与方案设计：路线经历了一个收敛——最早做通用 Agent 让 AI 自动读模板生成课件，但 AI 对 PPT 底层结构必然幻觉、还会静默失败；最终收敛为 Skill 驱动脚本生成：映射表经教研确认后写死进学科专属脚本，AI 只负责语义理解和写脚本，生产环节是固定脚本对海量讲义的确定性执行；
• 全程 vibe coding 完成：项目没有单独工程资源，我作为产品经理直接带着 AI 做出从 Word 解析、公式写入到测试框架的全链路——我定义规则、调试策略和验收标准，AI 辅助实现；
• 直接对接业务线教研：新模板接入时逐模板和教研确认映射表，每轮调试结果都给老师看，验收通过才转入日常生产。

03关键动作

3.1 路线收敛：从通用 Agent 到 Skill 驱动脚本生成

最早做通用 Agent：给模型配脚本能力、文件读写等工具，让它自主读 Word、分析结构、决定每页版式、现场写脚本现场跑。这条路证伪于两个结构性问题：

• 决策层——映射没有唯一解：“哪块内容去哪个版式、一道题拆几页”讲义本身不携带、也没有标准答案，AI 现场决策就是自由发挥，教研拿到要从头改到尾，等于没提效；
• 执行层——底层结构对模型不可观测：占位符编号是不携带语义的物理 ID，与视觉顺序无对应关系，“编号 → 语义”的映射没有机器可读的载体，AI 只能盲猜，猜错内容写错框，且失败被静默吞掉——找不到版式就降级成空白页，输出全白课件却提示“生成成功”。

收敛后的分工：需要智能的过程交给 Skill（接新模板、确认映射、修规则），需要确定的过程交给脚本（批量出课件）——决策挪到产前由教研确认写死，执行交给脚本且失败必须可见、可阻断。

3.2 方案架构：映射确认 + 代码库复用

• 映射表人工确认是唯一的 Gate：模板扫描后生成映射表（章节识别规则、版式映射、占位符归属、循环复用规则），教研逐行确认后才写死进学科专属脚本——确认前绝不写脚本。对齐的是学科标准而不是老师个人喜好：每个学段学科统一一套模板，学段学科可穷尽，模板一年只有小修补，逐模板确认是一次性成本；
• 渲染能力沉淀为两层代码库：引擎层学科无关（WPS 兼容修复、公式 OMML 注入、图片提取、溢出估算），规范层按学科参数化（公式正斜体规则、分页细则、图片放置偏好）——共性走代码库，差异走确认写死；
• 新模板接入是 SOP，不是定制开发：模板扫描 → 映射确认 → 生成脚本 → 两层验证，每个新模板真正要重做的只有映射数据本身，边际成本递减。

最难的技术问题是 WPS 的公式渲染：主流 PPT 操作库官方不支持公式，只能手写 XML 注入；同一份公式 Office 能容错、WPS 直接卡死或乱码，且几乎没有报错信息，只能盲调。用“最小复现 → XML 对比 → 假设 → 修复规则 → 实测”的循环逐坑验证，每验证一个坑就固化成一条确定性规则——最后攒了七条，相当于手写了一个面向 WPS 的公式编译器。

3.3 评测体系：3 大类 13 小项，两层验证

架构是“Skill 生成脚本、脚本生成 PPT”三级产物，每级失败模式不同，评测分三层打：

落地执行两层验证：第一层结构检查直接解 PPT 的 XML，不渲染、十秒跑完，抓“对不对”；第二层代表页截图（新版式首次出现、溢出缩小、含图片的页），抓“好不好看”。设计原则：代码能评的绝不上模型和人；评测范围和责任边界一致——只评转换质量，不评教学内容（讲义是教研已验收的上游产物）。

04量化结果

• 覆盖 10+ 学段学科：暑期班这些学科的教研实际用这个能力生产课件；
• 验收通过率：教研逐件验收，首验 90%，不通过的走修复 SOP，返工后 100%；
• 单份课件耗时：从人工 2-3 小时压到分钟级；
• 人力节省：单业务线每期节省 300+ 小时教研人力。

验证业务真的在用，看两个硬信号：验收率和覆盖率。老师的真实反馈是“拿到基础课件后只需要加动画和个性化内容”——这正是项目定义的交付边界：内容层百分之百确定交付，表现层留给老师。

05方法沉淀

• 结构写死，语义留白：不是让 AI 解决所有问题，而是让它解决擅长的问题——LLM 擅长模糊语义，不擅长百分之百确定的底层结构。把不确定性隔离在低频、可人工验收的环节（AI 只出现在脚本编写和修改环节），生产环节零随机性；
• 失败必须可见、可阻断：静默降级比报错可怕——AI 系统的失败路径要显式化、可观测，结构检查 FAIL 即阻断，不交付；
• 评测范围和责任边界一致：只评这个环节该负责的转换质量，不把上游的教学内容标准塞进来稀释信号。