PPT页面识别转JSON工具

问题背景

PPT 文件在办公和演示中广泛使用，但其内容通常以非结构化形式存储，难以进行程序化分析、数据提取或与其他系统集成。手动转换为 JSON 等结构化格式耗时且易出错，尤其是在处理多页、复杂布局或图片型页面时，容易丢失层级、语义和连接关系。

核心工作流程

这个技能通过自动化识别 PPT 页面的结构和内容，生成忠实还原原始语义的结构化 JSON 文件。关键步骤包括：

• 识别前检查：在正式识别开始前，必须检查目标 .pptx 同目录下是否存在同名 PDF。如果 PDF 缺失，会提醒用户选择先补 PDF 或仅用 PPT 继续。同时，检查当前模型是否支持视觉能力；如果不支持，会提醒用户切换模型，以避免静默跳过关键步骤。

• 原生结构识别：运行 scripts/recognize_ppt_deck.py --vision-mode off 脚本，优先提取 PPT 的原生 OOXML 结构，生成初步 JSON。这个步骤侧重于文本、层级和布局信息，输出包含页面类型如 timeline、logo-wall 等字段。

• 视觉补全：如果识别结果中产生 vision_tasks（例如对低文本覆盖率页面的 slide_visual_recovery），并且当前模型支持视觉，则自动利用同名 PDF 导出的截图（存储在 output/screenshots/）进行补全。视觉任务专注于恢复图片型区域的文字、指标和连接关系。

• 合并与清理：通过 scripts/apply_vision_tasks.py 将视觉任务结果合并到初步 JSON 中，生成最终 merged JSON。成功后，运行 scripts/cleanup_intermediate_outputs.py 删除中间文件，如任务结果 JSON 和审计报告，确保工作区只保留一份交付结果。

技能支持多种页面家族，如 people-matrix、metrics、peer-panels 等，并通过 missing_r风险字段 诚实标明无法可靠恢复的区域。

注意事项

• 适用边界：技能最适合可编辑的 .pptx 文件，即文本保留在 OOXML 结构中的场景。如果 PPT 主要是截图、扁平化图示或扫描页，文本覆盖率可能下降，connector 推断更依赖视觉判断，但仍需多模态补全。

• 硬性规则：必须优先使用原生结构而不是 OCR；对图片型页面默认进行视觉补全，无需用户额外确认；不允许静默跳过 PDF 或模型检查步骤；最终输出只有一份 JSON，中间产物如 vision_task_results.json 必须清理。

• 避免的错误：不允许压平结构，例如将时间线或 logo 分组墙降级为普通列表；不能丢失小标签、页脚或侧边窄列等语义区域；必须显式保留冲突数据集，不能只保留一个版本。这些规则确保转换结果的完整性和准确性。