技能介绍

问题

PPT 里不少关键信息并不在文本框中：梯形图、电路图、实物图、流程图常常只作为图片存在。普通文本提取只能拿到标题和少量说明，容易漏掉核心结构、接线关系、设备型号或操作步骤。对需要把课件、方案或技术材料转成可检索文字的场景来说，这种只读文字、看不到图的缺口很常见。

工作方式

该技能在 Windows 侧把 PPT 转成可识别的页面图片，再交给多模态模型做视觉理解。核心链路是：

页面导出：通过 WPS 或 PowerPoint COM 将每页导出为 PNG，对 .ppt 旧格式兼容性较好，也可批量处理多个文件。
图片识别：使用支持图像输入的模型读取导出图，识别图中的文字、结构关系和关键知识点。资料中验证过的模型包括 qclaw/pool-minimax-m3 与 qclaw/kimi2.6。
并行处理：为避免主会话被大量识图结果撑满，技能会把图片拆给子代理处理，每批约 10-20 张，完成后再汇总。
结果落盘：识别内容可整理成文字报告，必要时生成带图片和说明的 docx 文档。

适用边界

它适合以图为主、需要人工校对后再入库的材料转换。局限也很明确：仅支持 Windows，因为依赖本地 COM 自动化；识别精度取决于所选多模态模型，复杂梯形图或密集电路图仍可能漏掉线号、引脚或局部标注；超过 500 页 的文件耗时较长，建议分批运行。若默认模型不支持图片输入，需要显式切换到支持视觉理解的模型。