如果你在成都做过旧改项目大概率经历过这样的夜晚白天跑现场、拍照、量尺寸晚上回到办公室赶一份给社区和业主看的汇报PPT。效果图找设计师加急出改了三四版PPT套用公司老模板图片拖进去还要一张张裁剪、对齐、改说明做到一半领导又让加一段现状分析页码全部重排。整个过程散落在至少四五个软件里时间耗在“搬运”和“对齐”上真正需要动脑子的判断反而没时间做。而最近有一种新做法正在被团队验证把“现场照片采集—AI效果图生成—汇报PPT输出”连成一条流水线。照片进效果图出效果图进PPT出。人的角色从“操作工”变成“审核者”。这篇围绕的就是这条流水线怎么搭、用哪些工具、脚本怎么写、会遇到哪些坑。1. 这篇文章真正要解决的问题先给一个明确判断在成都老小区翻新这类场景里AI带来的效率提升最容易被人低估的不是单张效果图的质量而是“最终交付物”的产能。什么叫最终交付物对设计师、施工方、社区工作人员来说一套完整的方案汇报文档包含现状分析、翻新效果图、投资概算、施工计划。业主和社区重点看效果图决策层重点看进度和预算。以往的痛点不是能力不够而是AI出图工具散点使用这张效果好、那张角度不对整理成本很高。PPT是手工排版图片尺寸不一致导致反复重排。每个人做出来的汇报结构都不一样经验无法复用。项目一多重复劳动成倍增加。所以这篇文章真正要解决的是如何用一套低成本工具链把AI效果图和汇报PPT的生产过程标准化。你不需要会复杂的算法不需要买昂贵的设备只要会基本Python脚本和提示词就能把过去一两天的人工整理工作压缩到半小时内。什么样的读者最应该看如果你在做城市更新、旧房改造、室内设计、乡村振兴这类偏工程和偏现场的项目这条流水线可以直接搬用大部分思路。如果你是学生正在做开题答辩PPT或课程汇报同样可以用这套“数据驱动生成PPT”的方法。2. 从“单点AI”到“AI流水线”区别在哪里很多人已经习惯了单点使用AI。让AI画一张图让AI列一个提纲让AI润色一段文字。这种用法确实省时间但问题是没有形成资产。每次做新项目都要重新设计提示词、重新排版、重新找参考图。流水线的本质是把可复用的环节固化成脚本和模板让每次项目的差异化内容只出现在“输入数据”里。用旧改项目举个例子。传统方式下你拿到一个老小区先看现状照片再找人画效果图然后手动把效果图和文字排进PPT。如果小区有10栋楼工作量就是10倍。用流水线方式变化的是现场照片和项目参数不变的是出图逻辑和PPT骨架。下面用一个表格对比三种方式环节传统方式单点AI流水线方式现场素材手动整理、命名混乱仍手动整理按规范批量采集并命名效果图设计师手绘或外包AI散点生成AI批量生成局部重绘图片规格大小不一PPT里手动缩放仍然需要手动调整脚本统一压缩和裁剪PPT排版手动拖拽、对齐AI生成文字提纲脚本按JSON配置自动排版经验复用靠个人记忆零散提示词模板沉淀为项目资产从表格里能看出来真正的效率提升不是某个环节快了10%而是整个链条的重复劳动被剔除了。这背后对应的是一个工程概念数据驱动文档生成Data-driven Document Generation。在你自己的项目里哪怕只是把“图片批量处理”和“PPT自动排版”这两步做成脚本就已经算踏上流水线了。3. 核心概念与术语扫盲在进入实操前先把这条流水线涉及的核心概念讲清楚。这些术语不算难但如果不理解后面跑脚本时报错会找不到方向。3.1 图生图图生图是把一张现有图片作为底图由AI模型在保留主体结构的前提下生成新的效果图。用在旧改场景非常合适因为你要翻新的就是某栋楼本身而不是凭空创造一栋楼。实际操作时AI工具会读取底图的构图、色调和物体轮廓然后按照提示词的要求改变材质、颜色、附加元素。比如一张破旧外立面的照片可以通过“保持建筑轮廓不变改成米白色真石漆墙面增加灰色雨棚”这样的提示词生成改造后效果。需要注意图生图不等于精确建模。AI可能改变窗户数量或柱子的比例所以我的建议是生成后进行人工比对必要时用局部重绘功能框选需要修改的区域。3.2 提示词模板提示词不是一句随机的话。在批量场景下提示词应该拆成“固定部分”和“可变部分”。固定部分是整个项目的统一风格比如摄影角度、光线方向、改造风格。可变部分是每栋楼具体的差异化信息比如“三单元外墙需要重新做防水”“一楼增设立体绿化”。维护一份提示词模板文件能让AI输出的风格保持稳定。3.3 模板化编排模板化编排是指把一篇汇报PPT的骨架固定下来。封面放什么、目录有几章、每一页放几张图和什么文字全部用配置文件或模板页面描述。这样做的意义在于当项目从5栋楼变成50栋楼时你不需要重新设计PPT框架只需要多传几张图和几段文字。3.4 数据驱动文档这个概念是这条流水线的核心。PPT的每一页内容都来自一个结构化数据源通常是JSON或YAML而不是在PPT里手工输入。脚本读取数据自动生成页面。好处是数据可以修改可以复用可以和AI对话无缝衔接。比如你在AI对话里生成了项目概况整理成JSON后脚本自动排版成PPT页面。3.5 工作流编排平台如果你不想自己写Python脚本串全流程也可以使用Dify这类AI应用开发平台。它能通过可视化方式把“上传照片—生成文案—输出结构化数据—调用HTTP请求”串成一个工作流。工作流里的每个节点可以是一个大模型调用也可以是一个代码片段。对于旧改汇报场景我推荐的最小方案是先用脚本方式跑通一条最基础的管道再根据实际经验决定要不要迁移到平台型工作流。不要一上来就追求复杂编排容易陷入工具学习成本。4. 环境准备与工具选型先说明一下我下面给的版本和工具属于常用组合具体版本请以实际项目为准。这套方案的优点是完全在本地跑不需要额外购买云服务。4.1 基础环境操作系统Windows 10/11、macOS 或 Linux 均可本文示例以通用命令为主。Python版本建议3.9及以上。包管理器使用pip即可。4.2 Python库依赖主要依赖两个库库名作用python-pptx读取和生成PowerPoint文件Pillow图片压缩、尺寸统一可选依赖如果要用脚本调用大模型API生成文案可以安装openai库或其他平台的SDK以官方为准。如果想用较新的python-pptx能力版本建议不低于0.6.21但请以官方发布为准。4.3 AI绘图工具选择AI绘图工具时核心考虑三点是否能图生图、是否能局部重绘、是否有批量接口。市面上主流的中文AI绘画平台和Stable Diffusion系本地工具基本都支持建议根据你本地的显存和实际使用习惯选择。文章不绑定某一个具体工具重点是流程方法。4.4 项目目录结构建议提前建好统一的目录结构后面所有脚本都基于这个结构运行。old_community_renovation/ ├── assets/ # 原始素材 │ ├── photos/ # 现场照片 │ └── render/ # AI生成效果图 ├── config/ │ └── project_config.json # 项目配置 ├── output/ │ └── old_community_report.pptx ├── scripts/ │ ├── preprocess_images.py # 图片预处理 │ └── generate_report.py # 生成PPT └── requirements.txt5. 核心流程拆解这条流水线一共分5步。每一步解决一个问题建议先跑通再优化。5.1 现场素材采集去老小区现场时不要拿着手机随手拍。按楼栋、方位、重点区域三个维度采集比如“1栋-南立面-外墙脱落.jpg”“公共区域-入口-现状.jpg”。命名规范比整理工具更有效它决定了后面AI批量出图和PPT自动关联的效率。采集时注意三件事同一栋楼远景一张、近景一张、局部细节一张。光线尽量保持一致不要正午和傍晚混拍。每个拍摄点附带位置信息可以用手机便签记录“1栋3单元北面”。5.2 AI生成多版效果图拿到现场照片后用图生图模式生成翻新效果图。这里的提示词需要拆成模板。固定部分描述整体风格可变部分对应每栋楼的问题。示例提示词模板如下场景定位成都老小区外立面翻新效果图 固定要求真实摄影感白天柔和光线35mm镜头视角墙面为米白色真石漆窗户更换为深灰色铝合金窗整体整洁干净 可变部分{specific_issue}请保持建筑主体结构和楼栋位置与底图一致 意图仅在局部重绘模式下修改指定区域其他区域保持现状每一栋楼可以生成2到3个方案再从中选择1个最符合预期的方案进入PPT。这里的“人工审核”环节不要省略AI效果图可能存在结构变形或过度美化问题。5.3 统一图片规格这一步非常容易被忽略但却是PPT排版观感的核心。AI出图分辨率不同手机照片尺寸也不同直接插入PPT会大小不一。用一个Python脚本批量做三件事统一最长边像素、压缩尺寸、重命名。5.4 生成PPT使用python-pptx读取JSON配置按章节生成PPT页面。篇幅原因这里的完整脚本放在下一章你可以直接复制使用。5.5 串联全流程跑通单步后用一个build.sh串联预处理和PPT生成。以后每来一个新项目只需要更新素材和配置文件然后运行一条命令。6. 完整示例用Python自动生成汇报PPT下面给出一套可以直接运行的示例。先创建requirements.txt。python-pptx0.6.21 Pillow9.0.06.1 图片预处理脚本这个脚本做两件事把图片统一为最长边不超过1600像素压缩后输出到assets/render_preview目录。文件路径scripts/preprocess_images.py# -*- coding: utf-8 -*- import os from pathlib import Path from PIL import Image INPUT_DIR Path(assets/render) OUTPUT_DIR Path(assets/render_preview) MAX_EDGE 1600 def compress_image(src_path: Path, dst_path: Path) - None: with Image.open(src_path) as img: # 转换色彩模式避免RGBA图片在JPEG下报错 if img.mode in (RGBA, P): img img.convert(RGB) width, height img.size max_edge max(width, height) if max_edge MAX_EDGE: scale MAX_EDGE / max_edge new_size (int(width * scale), int(height * scale)) img img.resize(new_size, Image.LANCZOS) img.save(dst_path, JPEG, quality85) def main() - None: OUTPUT_DIR.mkdir(parentsTrue, exist_okTrue) for img_path in sorted(INPUT_DIR.glob(*.jpg)): dst_path OUTPUT_DIR / f{img_path.stem}_preview.jpg compress_image(img_path, dst_path) print(f[OK] {img_path.name} - {dst_path.name}) if __name__ __main__: main()运行方式cd old_community_renovation python scripts/preprocess_images.py如果每栋楼的效果图较多建议在目录组织上再增加一层楼栋子目录但这个脚本按扁平目录处理简单够用。6.2 项目配置文件这个JSON文件是整个PPT生成的数据源。它包含封面信息、章节顺序以及每一页的图片和说明文字。文件路径config/project_config.json{ title: 成都某老小区空间更新概念方案, subtitle: 外立面翻新与公共空间适老化改造, author: 更新设计小组, date: 2025, sections: [ { title: 01 项目概况, type: section, summary: 本小区位于成都市主城区建成于上世纪90年代共8栋住宅涉及居民约420户。本次更新聚焦外立面翻新、公共空间梳理和适老化改造三项内容。 }, { title: 02 现状问题, type: content, intro: 经现场排查主要问题集中在墙面空鼓、排水管老化、公共活动空间不足三个方面。, blocks: [ { image: assets/render_preview/1栋-南立面-现状_preview.jpg, caption: 南立面现状外墙涂料大面积脱落 }, { image: assets/render_preview/公共区域-入口-现状_preview.jpg, caption: 小区入口缺乏无障碍坡道 } ] }, { title: 03 更新策略与效果图, type: content, intro: 本方案采用AI辅助生成多视角效果图用于快速比选立面色彩和材质组合。, blocks: [ { image: assets/render_preview/1栋-方案A-米白色真石漆_preview.jpg, caption: 方案A米白色真石漆 深灰色窗框 }, { image: assets/render_preview/1栋-方案B-暖灰色涂料_preview.jpg, caption: 方案B暖灰色涂料 木色雨棚 } ] }, { title: 04 实施计划, type: section, summary: 计划分为三期一期完成外立面样板栋施工二期完成全部楼栋翻新三期完成公共空间改造与适老化设施加装。每期施工完成后组织居民意见反馈和使用后评估。 } ] }6.3 生成PPT的Python脚本文件路径scripts/generate_report.py# -*- coding: utf-8 -*- import json from pathlib import Path from pptx import Presentation from pptx.util import Inches, Pt from pptx.enum.text import PP_ALIGN class ReportGenerator: def __init__(self, config_path: str): self.config_path Path(config_path) self.prs Presentation() self.json_data {} self._load_config() self._setup_slide_size() def _load_config(self) - None: with open(self.config_path, r, encodingutf-8) as f: self.json_data json.load(f) def _setup_slide_size(self) - None: # 设置为16:9 self.prs.slide_width Inches(13.333) self.prs.slide_height Inches(7.5) def _add_cover(self) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[0]) title slide.shapes.title subtitle slide.placeholders[1] title.text self.json_data[title] title.font.size Pt(40) subtitle.text f{self.json_data[subtitle]}\n{self.json_data[author]} {self.json_data[date]} subtitle.font.size Pt(20) def _add_section_slide(self, section: dict) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[1]) slide.shapes.title.text section[title] content slide.placeholders[1] content.text section.get(summary, ) content.font.size Pt(20) def _add_content_slide(self, section: dict) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[5]) slide.shapes.title.text section[title] if intro in section: content slide.placeholders[1] content.text section[intro] content.font.size Pt(18) left_pos Inches(0.8) top_pos Inches(1.8) img_width Inches(5.4) img_height Inches(4.2) for idx, block in enumerate(section.get(blocks, [])): left left_pos idx * Inches(6.0) top top_pos img_path Path(block[image]) try: slide.shapes.add_picture( str(img_path), left, top, widthimg_width, heightimg_height ) except FileNotFoundError: print(f[WARN] 图片不存在: {img_path}) continue # 在图片下方添加说明文字 txBox slide.shapes.add_textbox( left, top Inches(4.35), img_width, Inches(0.6) ) tf txBox.text_frame tf.text block[caption] tf.paragraphs[0].alignment PP_ALIGN.CENTER tf.paragraphs[0].font.size Pt(14) def generate(self) - None: self._add_cover() for section in self.json_data[sections]: if section[type] section: self._add_section_slide(section) else: self._add_content_slide(section) output_dir Path(output) output_dir.mkdir(exist_okTrue) output_path output_dir / old_community_report.pptx self.prs.save(str(output_path)) print(f[OK] PPT生成成功: {output_path}) if __name__ __main__: generator ReportGenerator(config/project_config.json) generator.generate()6.4 一键串联脚本为了把流程固定下来再增加一个build.sh#!/bin/bash set -e echo 1/3 安装依赖 pip install -r requirements.txt echo 2/3 预处理图片 python scripts/preprocess_images.py echo 3/3 生成汇报PPT python scripts/generate_report.py echo 完成输出在 output/ 目录下执行方式chmod x build.sh ./build.sh如果你在Windows上使用可以直接在命令行里逐条执行等价命令无需bash脚本。7. 运行结果与效果验证脚本运行成功后输出目录会出现old_community_report.pptx。用PowerPoint或WPS打开后重点检查以下维度检查项判断标准封面标题、副标题、作者显示完整章节页章节名称正确摘要文字没有乱码内容页图片按顺序插入大小一致文字说明每张图片下方有说明文字且对齐整体页码章节顺序和配置里的sections顺序一致如果PPT中图片全部变形、文字溢出优先检查图片预处理是否成功执行以及内容页布局参数坐标、宽度、高度是否和你的实际分辨率匹配。7.1 失败后的第一步排查脚本报FileNotFoundError直接检查config里图片路径和真实文件名是否一致。图片能显示但很模糊说明预处理时MAX_EDGE设得太小建议调整到1920或2048。PPT打开乱码检查JSON文件编码是否UTF-8避免使用Windows记事本默认的ANSI编码。8. 常见问题与排查思路结合我实际使用中踩过的坑列成下表问题现象可能原因排查方式解决方案图片无法插入PPT路径中包含空格或中文导致读取失败查看脚本WARN日志确认图片是否存在使用pathlib处理路径避免硬编码字符串拼接生成的PPT体积过大效果图未压缩或分辨率过高查看输出文件大小调低图片质量或MAX_EDGE值建议quality80~85页面文字重叠内容页预留位置与图片位置冲突打开PPT查看重叠区域坐标调整cons.top、图片height或文本框高度JSON中文乱码文件编码不是UTF-8用VS Code或Notepad查看编码保存为UTF-8无BOM格式AI效果图风格不一致提示词模板未统一对比多张图的生成参数把固定部分完全复制只改可变部分楼栋结构被AI改变图生图约束不够对比原照片和效果图建筑轮廓使用局部重绘锁定窗外墙以外区域PPT文件被占用上次打开未关闭关闭PowerPoint后重试增加脚本保存前检测或改用新的输出文件名9. 最佳实践让流水线可持续迭代跑通第一版流水线后你会发现真正拉开差距的不是脚本本身而是你如何组织和沉淀素材。9.1 素材命名规范建议统一按“楼栋-位置-用途-版本”命名例如“1栋-南立面-现状-v1.jpg”而不是“微信图片_20250601123456.jpg”。好的命名是半个数据库。9.2 提示词模板沉淀每次生成效果好就把这组提示词记录到提示词库。下次遇到类似风格需求直接复制改造。AI绘图的质量上限很大程度取决于提示词的沉淀质量而不是模型本身。9.3 配置文件当数据源脚本尽量少改在流水线设计里数据和逻辑分离。JSON只存项目信息与图片清单Python脚本只负责读取和生成。当新项目到来时不要改脚本新建配置文件即可。这样一套脚本可以服务很多个项目。9.4 人工审核与合规边界AI生成的效果图本质上是一种“意向图”不是施工图也不是最终承诺。在给业主和社区汇报时建议在PPT里显眼位置标注“效果图仅供参考最终以施工图为准”。这也是对团队和居民的双重保护。9.5 版本管理输出的PPT和配置文件可以用文件夹版本区分比如config_v1、config_v2。建议不要用“最终版”“最终版2”这种命名。如果你在团队协作可以考虑用Git管理配置和脚本PPT二进制文件不适合频繁入库但配置文件几乎是纯文本非常适合版本管理。9.6 从脚本到平台工作流的演进路径如果以后项目变多、节点变多比如需要AI自动生成每页文字、需要自动发送到协作平台可以考虑迁移到Dify这类平台。Dify的自定义工作流可以把上传照片、生成文案、输出结构化JSON串起来再把JSON喂给本地渲染脚本。迁移时先保留本地脚本作为回滚方案不要一次性切换。10. 后续可以继续深入的方向这条流水线解决的是“从效果图到PPT”的标准化问题但它只是AI辅助旧改交付的开始。更进阶的方向有三个把AI生成的多版效果图做成“方案对比矩阵”用工作流平台自动汇总每一栋楼的方案A和方案B差异。把居民反馈文档接进来用AI提炼高频诉求自动生成“居民意见汇总”页面减少整理时间。把投资概算和施工计划接入配置文件让PPT里的预算表、进度表也由数据源驱动而不是手工填表。刚开始不要贪多。先用今天的脚本跑通一个真实项目拿到第一个完整的汇报PPT再根据实际需要决定往哪个方向加节点。流水线最有价值的部分从来不是某一个AI模型的魔法而是把重复劳动变成可复用脚本把个人经验变成团队模板。
AI流水线：旧改项目从现场照片到汇报PPT的自动化实践
如果你在成都做过旧改项目大概率经历过这样的夜晚白天跑现场、拍照、量尺寸晚上回到办公室赶一份给社区和业主看的汇报PPT。效果图找设计师加急出改了三四版PPT套用公司老模板图片拖进去还要一张张裁剪、对齐、改说明做到一半领导又让加一段现状分析页码全部重排。整个过程散落在至少四五个软件里时间耗在“搬运”和“对齐”上真正需要动脑子的判断反而没时间做。而最近有一种新做法正在被团队验证把“现场照片采集—AI效果图生成—汇报PPT输出”连成一条流水线。照片进效果图出效果图进PPT出。人的角色从“操作工”变成“审核者”。这篇围绕的就是这条流水线怎么搭、用哪些工具、脚本怎么写、会遇到哪些坑。1. 这篇文章真正要解决的问题先给一个明确判断在成都老小区翻新这类场景里AI带来的效率提升最容易被人低估的不是单张效果图的质量而是“最终交付物”的产能。什么叫最终交付物对设计师、施工方、社区工作人员来说一套完整的方案汇报文档包含现状分析、翻新效果图、投资概算、施工计划。业主和社区重点看效果图决策层重点看进度和预算。以往的痛点不是能力不够而是AI出图工具散点使用这张效果好、那张角度不对整理成本很高。PPT是手工排版图片尺寸不一致导致反复重排。每个人做出来的汇报结构都不一样经验无法复用。项目一多重复劳动成倍增加。所以这篇文章真正要解决的是如何用一套低成本工具链把AI效果图和汇报PPT的生产过程标准化。你不需要会复杂的算法不需要买昂贵的设备只要会基本Python脚本和提示词就能把过去一两天的人工整理工作压缩到半小时内。什么样的读者最应该看如果你在做城市更新、旧房改造、室内设计、乡村振兴这类偏工程和偏现场的项目这条流水线可以直接搬用大部分思路。如果你是学生正在做开题答辩PPT或课程汇报同样可以用这套“数据驱动生成PPT”的方法。2. 从“单点AI”到“AI流水线”区别在哪里很多人已经习惯了单点使用AI。让AI画一张图让AI列一个提纲让AI润色一段文字。这种用法确实省时间但问题是没有形成资产。每次做新项目都要重新设计提示词、重新排版、重新找参考图。流水线的本质是把可复用的环节固化成脚本和模板让每次项目的差异化内容只出现在“输入数据”里。用旧改项目举个例子。传统方式下你拿到一个老小区先看现状照片再找人画效果图然后手动把效果图和文字排进PPT。如果小区有10栋楼工作量就是10倍。用流水线方式变化的是现场照片和项目参数不变的是出图逻辑和PPT骨架。下面用一个表格对比三种方式环节传统方式单点AI流水线方式现场素材手动整理、命名混乱仍手动整理按规范批量采集并命名效果图设计师手绘或外包AI散点生成AI批量生成局部重绘图片规格大小不一PPT里手动缩放仍然需要手动调整脚本统一压缩和裁剪PPT排版手动拖拽、对齐AI生成文字提纲脚本按JSON配置自动排版经验复用靠个人记忆零散提示词模板沉淀为项目资产从表格里能看出来真正的效率提升不是某个环节快了10%而是整个链条的重复劳动被剔除了。这背后对应的是一个工程概念数据驱动文档生成Data-driven Document Generation。在你自己的项目里哪怕只是把“图片批量处理”和“PPT自动排版”这两步做成脚本就已经算踏上流水线了。3. 核心概念与术语扫盲在进入实操前先把这条流水线涉及的核心概念讲清楚。这些术语不算难但如果不理解后面跑脚本时报错会找不到方向。3.1 图生图图生图是把一张现有图片作为底图由AI模型在保留主体结构的前提下生成新的效果图。用在旧改场景非常合适因为你要翻新的就是某栋楼本身而不是凭空创造一栋楼。实际操作时AI工具会读取底图的构图、色调和物体轮廓然后按照提示词的要求改变材质、颜色、附加元素。比如一张破旧外立面的照片可以通过“保持建筑轮廓不变改成米白色真石漆墙面增加灰色雨棚”这样的提示词生成改造后效果。需要注意图生图不等于精确建模。AI可能改变窗户数量或柱子的比例所以我的建议是生成后进行人工比对必要时用局部重绘功能框选需要修改的区域。3.2 提示词模板提示词不是一句随机的话。在批量场景下提示词应该拆成“固定部分”和“可变部分”。固定部分是整个项目的统一风格比如摄影角度、光线方向、改造风格。可变部分是每栋楼具体的差异化信息比如“三单元外墙需要重新做防水”“一楼增设立体绿化”。维护一份提示词模板文件能让AI输出的风格保持稳定。3.3 模板化编排模板化编排是指把一篇汇报PPT的骨架固定下来。封面放什么、目录有几章、每一页放几张图和什么文字全部用配置文件或模板页面描述。这样做的意义在于当项目从5栋楼变成50栋楼时你不需要重新设计PPT框架只需要多传几张图和几段文字。3.4 数据驱动文档这个概念是这条流水线的核心。PPT的每一页内容都来自一个结构化数据源通常是JSON或YAML而不是在PPT里手工输入。脚本读取数据自动生成页面。好处是数据可以修改可以复用可以和AI对话无缝衔接。比如你在AI对话里生成了项目概况整理成JSON后脚本自动排版成PPT页面。3.5 工作流编排平台如果你不想自己写Python脚本串全流程也可以使用Dify这类AI应用开发平台。它能通过可视化方式把“上传照片—生成文案—输出结构化数据—调用HTTP请求”串成一个工作流。工作流里的每个节点可以是一个大模型调用也可以是一个代码片段。对于旧改汇报场景我推荐的最小方案是先用脚本方式跑通一条最基础的管道再根据实际经验决定要不要迁移到平台型工作流。不要一上来就追求复杂编排容易陷入工具学习成本。4. 环境准备与工具选型先说明一下我下面给的版本和工具属于常用组合具体版本请以实际项目为准。这套方案的优点是完全在本地跑不需要额外购买云服务。4.1 基础环境操作系统Windows 10/11、macOS 或 Linux 均可本文示例以通用命令为主。Python版本建议3.9及以上。包管理器使用pip即可。4.2 Python库依赖主要依赖两个库库名作用python-pptx读取和生成PowerPoint文件Pillow图片压缩、尺寸统一可选依赖如果要用脚本调用大模型API生成文案可以安装openai库或其他平台的SDK以官方为准。如果想用较新的python-pptx能力版本建议不低于0.6.21但请以官方发布为准。4.3 AI绘图工具选择AI绘图工具时核心考虑三点是否能图生图、是否能局部重绘、是否有批量接口。市面上主流的中文AI绘画平台和Stable Diffusion系本地工具基本都支持建议根据你本地的显存和实际使用习惯选择。文章不绑定某一个具体工具重点是流程方法。4.4 项目目录结构建议提前建好统一的目录结构后面所有脚本都基于这个结构运行。old_community_renovation/ ├── assets/ # 原始素材 │ ├── photos/ # 现场照片 │ └── render/ # AI生成效果图 ├── config/ │ └── project_config.json # 项目配置 ├── output/ │ └── old_community_report.pptx ├── scripts/ │ ├── preprocess_images.py # 图片预处理 │ └── generate_report.py # 生成PPT └── requirements.txt5. 核心流程拆解这条流水线一共分5步。每一步解决一个问题建议先跑通再优化。5.1 现场素材采集去老小区现场时不要拿着手机随手拍。按楼栋、方位、重点区域三个维度采集比如“1栋-南立面-外墙脱落.jpg”“公共区域-入口-现状.jpg”。命名规范比整理工具更有效它决定了后面AI批量出图和PPT自动关联的效率。采集时注意三件事同一栋楼远景一张、近景一张、局部细节一张。光线尽量保持一致不要正午和傍晚混拍。每个拍摄点附带位置信息可以用手机便签记录“1栋3单元北面”。5.2 AI生成多版效果图拿到现场照片后用图生图模式生成翻新效果图。这里的提示词需要拆成模板。固定部分描述整体风格可变部分对应每栋楼的问题。示例提示词模板如下场景定位成都老小区外立面翻新效果图 固定要求真实摄影感白天柔和光线35mm镜头视角墙面为米白色真石漆窗户更换为深灰色铝合金窗整体整洁干净 可变部分{specific_issue}请保持建筑主体结构和楼栋位置与底图一致 意图仅在局部重绘模式下修改指定区域其他区域保持现状每一栋楼可以生成2到3个方案再从中选择1个最符合预期的方案进入PPT。这里的“人工审核”环节不要省略AI效果图可能存在结构变形或过度美化问题。5.3 统一图片规格这一步非常容易被忽略但却是PPT排版观感的核心。AI出图分辨率不同手机照片尺寸也不同直接插入PPT会大小不一。用一个Python脚本批量做三件事统一最长边像素、压缩尺寸、重命名。5.4 生成PPT使用python-pptx读取JSON配置按章节生成PPT页面。篇幅原因这里的完整脚本放在下一章你可以直接复制使用。5.5 串联全流程跑通单步后用一个build.sh串联预处理和PPT生成。以后每来一个新项目只需要更新素材和配置文件然后运行一条命令。6. 完整示例用Python自动生成汇报PPT下面给出一套可以直接运行的示例。先创建requirements.txt。python-pptx0.6.21 Pillow9.0.06.1 图片预处理脚本这个脚本做两件事把图片统一为最长边不超过1600像素压缩后输出到assets/render_preview目录。文件路径scripts/preprocess_images.py# -*- coding: utf-8 -*- import os from pathlib import Path from PIL import Image INPUT_DIR Path(assets/render) OUTPUT_DIR Path(assets/render_preview) MAX_EDGE 1600 def compress_image(src_path: Path, dst_path: Path) - None: with Image.open(src_path) as img: # 转换色彩模式避免RGBA图片在JPEG下报错 if img.mode in (RGBA, P): img img.convert(RGB) width, height img.size max_edge max(width, height) if max_edge MAX_EDGE: scale MAX_EDGE / max_edge new_size (int(width * scale), int(height * scale)) img img.resize(new_size, Image.LANCZOS) img.save(dst_path, JPEG, quality85) def main() - None: OUTPUT_DIR.mkdir(parentsTrue, exist_okTrue) for img_path in sorted(INPUT_DIR.glob(*.jpg)): dst_path OUTPUT_DIR / f{img_path.stem}_preview.jpg compress_image(img_path, dst_path) print(f[OK] {img_path.name} - {dst_path.name}) if __name__ __main__: main()运行方式cd old_community_renovation python scripts/preprocess_images.py如果每栋楼的效果图较多建议在目录组织上再增加一层楼栋子目录但这个脚本按扁平目录处理简单够用。6.2 项目配置文件这个JSON文件是整个PPT生成的数据源。它包含封面信息、章节顺序以及每一页的图片和说明文字。文件路径config/project_config.json{ title: 成都某老小区空间更新概念方案, subtitle: 外立面翻新与公共空间适老化改造, author: 更新设计小组, date: 2025, sections: [ { title: 01 项目概况, type: section, summary: 本小区位于成都市主城区建成于上世纪90年代共8栋住宅涉及居民约420户。本次更新聚焦外立面翻新、公共空间梳理和适老化改造三项内容。 }, { title: 02 现状问题, type: content, intro: 经现场排查主要问题集中在墙面空鼓、排水管老化、公共活动空间不足三个方面。, blocks: [ { image: assets/render_preview/1栋-南立面-现状_preview.jpg, caption: 南立面现状外墙涂料大面积脱落 }, { image: assets/render_preview/公共区域-入口-现状_preview.jpg, caption: 小区入口缺乏无障碍坡道 } ] }, { title: 03 更新策略与效果图, type: content, intro: 本方案采用AI辅助生成多视角效果图用于快速比选立面色彩和材质组合。, blocks: [ { image: assets/render_preview/1栋-方案A-米白色真石漆_preview.jpg, caption: 方案A米白色真石漆 深灰色窗框 }, { image: assets/render_preview/1栋-方案B-暖灰色涂料_preview.jpg, caption: 方案B暖灰色涂料 木色雨棚 } ] }, { title: 04 实施计划, type: section, summary: 计划分为三期一期完成外立面样板栋施工二期完成全部楼栋翻新三期完成公共空间改造与适老化设施加装。每期施工完成后组织居民意见反馈和使用后评估。 } ] }6.3 生成PPT的Python脚本文件路径scripts/generate_report.py# -*- coding: utf-8 -*- import json from pathlib import Path from pptx import Presentation from pptx.util import Inches, Pt from pptx.enum.text import PP_ALIGN class ReportGenerator: def __init__(self, config_path: str): self.config_path Path(config_path) self.prs Presentation() self.json_data {} self._load_config() self._setup_slide_size() def _load_config(self) - None: with open(self.config_path, r, encodingutf-8) as f: self.json_data json.load(f) def _setup_slide_size(self) - None: # 设置为16:9 self.prs.slide_width Inches(13.333) self.prs.slide_height Inches(7.5) def _add_cover(self) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[0]) title slide.shapes.title subtitle slide.placeholders[1] title.text self.json_data[title] title.font.size Pt(40) subtitle.text f{self.json_data[subtitle]}\n{self.json_data[author]} {self.json_data[date]} subtitle.font.size Pt(20) def _add_section_slide(self, section: dict) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[1]) slide.shapes.title.text section[title] content slide.placeholders[1] content.text section.get(summary, ) content.font.size Pt(20) def _add_content_slide(self, section: dict) - None: slide self.prs.slides.add_slide(self.prs.slide_layouts[5]) slide.shapes.title.text section[title] if intro in section: content slide.placeholders[1] content.text section[intro] content.font.size Pt(18) left_pos Inches(0.8) top_pos Inches(1.8) img_width Inches(5.4) img_height Inches(4.2) for idx, block in enumerate(section.get(blocks, [])): left left_pos idx * Inches(6.0) top top_pos img_path Path(block[image]) try: slide.shapes.add_picture( str(img_path), left, top, widthimg_width, heightimg_height ) except FileNotFoundError: print(f[WARN] 图片不存在: {img_path}) continue # 在图片下方添加说明文字 txBox slide.shapes.add_textbox( left, top Inches(4.35), img_width, Inches(0.6) ) tf txBox.text_frame tf.text block[caption] tf.paragraphs[0].alignment PP_ALIGN.CENTER tf.paragraphs[0].font.size Pt(14) def generate(self) - None: self._add_cover() for section in self.json_data[sections]: if section[type] section: self._add_section_slide(section) else: self._add_content_slide(section) output_dir Path(output) output_dir.mkdir(exist_okTrue) output_path output_dir / old_community_report.pptx self.prs.save(str(output_path)) print(f[OK] PPT生成成功: {output_path}) if __name__ __main__: generator ReportGenerator(config/project_config.json) generator.generate()6.4 一键串联脚本为了把流程固定下来再增加一个build.sh#!/bin/bash set -e echo 1/3 安装依赖 pip install -r requirements.txt echo 2/3 预处理图片 python scripts/preprocess_images.py echo 3/3 生成汇报PPT python scripts/generate_report.py echo 完成输出在 output/ 目录下执行方式chmod x build.sh ./build.sh如果你在Windows上使用可以直接在命令行里逐条执行等价命令无需bash脚本。7. 运行结果与效果验证脚本运行成功后输出目录会出现old_community_report.pptx。用PowerPoint或WPS打开后重点检查以下维度检查项判断标准封面标题、副标题、作者显示完整章节页章节名称正确摘要文字没有乱码内容页图片按顺序插入大小一致文字说明每张图片下方有说明文字且对齐整体页码章节顺序和配置里的sections顺序一致如果PPT中图片全部变形、文字溢出优先检查图片预处理是否成功执行以及内容页布局参数坐标、宽度、高度是否和你的实际分辨率匹配。7.1 失败后的第一步排查脚本报FileNotFoundError直接检查config里图片路径和真实文件名是否一致。图片能显示但很模糊说明预处理时MAX_EDGE设得太小建议调整到1920或2048。PPT打开乱码检查JSON文件编码是否UTF-8避免使用Windows记事本默认的ANSI编码。8. 常见问题与排查思路结合我实际使用中踩过的坑列成下表问题现象可能原因排查方式解决方案图片无法插入PPT路径中包含空格或中文导致读取失败查看脚本WARN日志确认图片是否存在使用pathlib处理路径避免硬编码字符串拼接生成的PPT体积过大效果图未压缩或分辨率过高查看输出文件大小调低图片质量或MAX_EDGE值建议quality80~85页面文字重叠内容页预留位置与图片位置冲突打开PPT查看重叠区域坐标调整cons.top、图片height或文本框高度JSON中文乱码文件编码不是UTF-8用VS Code或Notepad查看编码保存为UTF-8无BOM格式AI效果图风格不一致提示词模板未统一对比多张图的生成参数把固定部分完全复制只改可变部分楼栋结构被AI改变图生图约束不够对比原照片和效果图建筑轮廓使用局部重绘锁定窗外墙以外区域PPT文件被占用上次打开未关闭关闭PowerPoint后重试增加脚本保存前检测或改用新的输出文件名9. 最佳实践让流水线可持续迭代跑通第一版流水线后你会发现真正拉开差距的不是脚本本身而是你如何组织和沉淀素材。9.1 素材命名规范建议统一按“楼栋-位置-用途-版本”命名例如“1栋-南立面-现状-v1.jpg”而不是“微信图片_20250601123456.jpg”。好的命名是半个数据库。9.2 提示词模板沉淀每次生成效果好就把这组提示词记录到提示词库。下次遇到类似风格需求直接复制改造。AI绘图的质量上限很大程度取决于提示词的沉淀质量而不是模型本身。9.3 配置文件当数据源脚本尽量少改在流水线设计里数据和逻辑分离。JSON只存项目信息与图片清单Python脚本只负责读取和生成。当新项目到来时不要改脚本新建配置文件即可。这样一套脚本可以服务很多个项目。9.4 人工审核与合规边界AI生成的效果图本质上是一种“意向图”不是施工图也不是最终承诺。在给业主和社区汇报时建议在PPT里显眼位置标注“效果图仅供参考最终以施工图为准”。这也是对团队和居民的双重保护。9.5 版本管理输出的PPT和配置文件可以用文件夹版本区分比如config_v1、config_v2。建议不要用“最终版”“最终版2”这种命名。如果你在团队协作可以考虑用Git管理配置和脚本PPT二进制文件不适合频繁入库但配置文件几乎是纯文本非常适合版本管理。9.6 从脚本到平台工作流的演进路径如果以后项目变多、节点变多比如需要AI自动生成每页文字、需要自动发送到协作平台可以考虑迁移到Dify这类平台。Dify的自定义工作流可以把上传照片、生成文案、输出结构化JSON串起来再把JSON喂给本地渲染脚本。迁移时先保留本地脚本作为回滚方案不要一次性切换。10. 后续可以继续深入的方向这条流水线解决的是“从效果图到PPT”的标准化问题但它只是AI辅助旧改交付的开始。更进阶的方向有三个把AI生成的多版效果图做成“方案对比矩阵”用工作流平台自动汇总每一栋楼的方案A和方案B差异。把居民反馈文档接进来用AI提炼高频诉求自动生成“居民意见汇总”页面减少整理时间。把投资概算和施工计划接入配置文件让PPT里的预算表、进度表也由数据源驱动而不是手工填表。刚开始不要贪多。先用今天的脚本跑通一个真实项目拿到第一个完整的汇报PPT再根据实际需要决定往哪个方向加节点。流水线最有价值的部分从来不是某一个AI模型的魔法而是把重复劳动变成可复用脚本把个人经验变成团队模板。