（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）

痛点

隔三差五，就有星友问我：

王老师，哪个大模型做 PPT 比较好？

其实我早就给你推荐过 Gamma 。

你只要动动手指，它就能「一键生成」一套看起来相当精美的幻灯片。

这让很多人觉得，做幻灯的门槛消失了。

不过，尽管有这么多新潮的工具，我个人却一直坚守着一个看起来有点儿「原始」的选择 ——reveal.js。

没错，就是你平时看到我的视频里，白底黑字特别简约的这个界面。总有人误解我的幻灯为 PPT ，但不是，它其实是网页。

我一直对 PPT (PowerPoint Presentation，「微软 PowerPoint 幻灯片文件格式」) 的叫法有些抵触。它本来就只应该形容微软办公套件产品的。

我当然用过，而且差不多是将近 30 年之前就开始用。早先它那种封闭的格式，总让我感觉自己的心血被「锁」在了一个文件里。当然后来它现在早已经是 XML 变种，但毕竟只有微软自家软件才能做到最完美的兼容匹配。

从读博士到刚开始工作那段，我也时髦过一阵子，迷恋 Prezi 那种无限缩放的酷炫效果。可惜热情很快就退去了，因为我发现，每次想修改或者复用里面的资料，都痛苦不堪。正是这些经历，让我最终走向了基于 Markdown 纯文本的 reveal.js。

记得那是 2014 年学院青年教师教学基本功竞赛前一天晚上，我就是用 Markdown 把脑子里的思路梳理了一遍，然后敲了几行命令，一套包含图片、视频和动画效果的幻灯就流畅地跑起来了。第二天，我凭着这套幻灯拿了院里的一等奖，后来又得了校赛一等奖。从院赛到校赛之间，很多老教授帮我一遍遍打磨讲稿。靠着 Markdown 的简约高效，这种高频的修改我都做得很轻松。

从那以后，不管是平时给学生上课，还是做学术报告，甚至是在美国做文化讲座，Markdown -> reveal.js 都成了我的不二之选。它最大的魅力，就在于那个「纯文本」的核心 —— 所有的内容都是你可以随时搜索、编辑和整合的，还能和我用的 Roam Research 这样的大纲式第二大脑无缝衔接。知识的沉淀和迭代，从未变得如此简单。

后来，我开始在网上制作和发布教学视频，于是发现了一个从前没有的痛点 —— 把已经写好的图文资料，转换成幻灯展示。

我的核心需求其实很明确，就是想把一篇篇图文并茂的深度文章，浓缩成要点式的幻灯。这种幻灯片追求的是极致的简洁，每一页可能就一句话，甚至一个短语，用最精炼的语言把核心信息传递出去。

看起来，这没有什么困难的。毕竟把内容从短变长，是辛苦的；但是从长变短，看起来远为轻松。但是这个过程，其实也需要付出很多努力。因为文章写作的时候，为了强调重点、吸引读者，你可能加入大量冗余信息，也很口语化。但一旦缩短到幻灯片上，就像是「精确制导」，要求文字和图片必须配合得天衣无缝，一起撑起一个清晰的逻辑骨架。

几次折腾下来，我这个懒人受不了了。因为这简直如同重新创作了一遍，太麻烦了。

很自然地，2023 年起，我就想到让生成式 AI 来帮我自动化提炼幻灯。可没想到，最初的尝试却败得一塌糊涂。

彼时的 ChatGPT 3.5/4 版本在处理图文内容时有一个根本性的缺陷：它们虽然能读懂文字，却「看」不见图片。

在模型的眼睛里，一张图，无非就是一行代码链接，比如 ![](https://pub-d538239866fd4dbf9902eb8aef185417.r2.dev/d76ad1d9ab311ea576c47c5a2d690f96e864c7a6.png)。它知道这儿有张图，但图里画了什么、信息量有多大、和上下文是什么逻辑关系，它完全是一无所知的。

这就带来了三个绕不开的难题。

首先是「语义断裂」。比如原文里配了一张核心的架构图，之后有文字。因为 AI 看不懂图，它就没法判断图后面的文字是在解释这张图，还是在补充图里并不存在的新信息。这样提炼出来的要点，自然就抓不住关键。

其次是「排布混乱」。AI 分辨不出这张图是应该先展示出来作为引子，还是应该后出现作为证据。结果就是图文的逻辑关系乱成一团。要么是提前「剧透」，要么是重复说明，观众看得一头雾水。

最后，也是最麻烦的，是「逻辑跳跃」。图片往往是整个论证链条里非常关键的一环。当 AI 无法理解图片内容时，这个关键证据就丢失了，整个幻灯片的叙事逻辑就很容易会出现断层，缺乏说服力。

那么，有没有办法解决呢？