透過 AI 雙代理人自動審核機制，一鍵將長篇文獻、研究報告轉化為高品質的簡報學習方案（投影片、備忘講稿與展示影片）。
本專案內建全新的 零摩擦自動啟動器。無論您是第一次用電腦執行程式的新手，還是進階開發者，均不需要手動下載配置任何 Python 依賴套件或虛擬環境！
首次啟動時，啟動器會自動偵測您的系統，並建立乾淨隔離的 .venv 虛擬環境；同時支援最新的 Astral uv 超高速安裝引擎，享受秒級的極速啟動體驗！
在最新版的 GUI 中，我們特別設計了智慧品質審查看板 (AI Auditor Dashboard)，將 AI 的審查與品質控制過程完全視覺化呈現在介面右側，讓使用者可以即時且透明地觀察到 AI 正在對生成的簡報進行哪些品質檢查與重製修正。
以下是新版 GUI 的運行截圖與真實品質審查日誌（Real-world Audit Log）對比：
| 🏆 [Phase 2: Planning] 審查通過並獲取滿分 (Perfect Pass) | 🔍 [Phase 3: Deck Gen] 審查中並提供修正回饋 (Rework State) |
|---|---|
 |
 |
| 評分：10/10 滿分通過 | 評分：8/10 駁回重製修正 (Retrying...) |
| 「完美達成 MECE，各章節獨立且完整覆蓋了原始論文中關於 Tabular Sequential Graph 的設計概念、視覺元素編碼、三種節點群組化演算法、案例效果評估與專家用戶偏好，以及最後的討論與未來優化方向。簡報大綱邏輯非常嚴謹且敘事流暢。」 | 「整體投影片結構完整，邏輯順序清晰。然而，簡報中存在以下微小瑕疵需修正： 1. 英文混用：第 7 頁內文「...帳戶數量 and 流向...」的「and」應修正為「與」或「和」。 2. 文字錯字：第 13 頁「但也移成了反映脈絡...」的「移成」應修正為「移除」。 3. 用語習慣：第 15 頁標題「欺詐交易」應統一修正為台灣慣用的「詐欺交易」。 修正上述細節後，本簡報將更加完美。」 |
透過此 Generator-Validator 的自我修正迴圈，系統會在背景自動將修正意見餵回給 Generator 並重跑該投影片，直到品質完全符合驗收標準，才正式寫入最終檔案，確保每一頁投影片都具備最高水準的品質。
您可以選擇使用 Git，也可以完全不依賴 Git：
- 💡 方法 A：不使用 Git (適合全新新手)
直接點擊下載連結：下載專案 ZIP 壓縮檔
下載完成後，將 ZIP 檔案解壓縮到您的電腦中（如桌面或文件資料夾）。 - 🛠️ 方法 B：使用 Git (適合開發者)
在終端機中執行以下指令複製專案：
git clone https://github.com/Chiakai-Chang/PPTPlaner.git cd PPTPlaner
啟動後，PPTPlaner 會自動完成所有環境偵測、下載安裝缺失套件、完成配置遷移，並自動開啟 premium 的 GUI 圖形化操作介面！
Tip
🚀 Astral uv 支援：
啟動時會自動偵測是否已安裝 Astral uv 工具。若未安裝，啟動器會貼心地提供一鍵自動下載並啟用 uv 的選項。使用 uv 能將專案初始化與套件安裝速度提升 10 倍以上！您也可以選擇不安裝並直接改用標準 Python 工具，完全不受影響。
在您解壓或 clone 出來的資料夾中，直接 按兩下 (Double Click) 執行 以下檔案：
PPTPlaner.bat(提示：首次執行時若出現 Windows Defender 防護警告，請點擊「其他資訊」並選擇「仍要執行」即可)
開啟終端機 (Terminal)，切換到專案目錄後執行以下指令：
# 1. 賦予啟動腳本執行權限（僅需在首次執行一次）
chmod +x PPTPlaner.sh
# 2. 啟動 PPTPlaner 智慧助手
./PPTPlaner.sh一鍵啟動成功後，會自動彈出精美且具科技感的 Tkinter 視窗：
- 全新生成簡報：選擇「全新生成」模式 -> 點擊瀏覽選取您的 Markdown 原始文獻 (例如
source/Chapter5.md) -> 點擊「開始生成」即可。 - 影片合成 (選用)：簡報生成完畢後，切換到「影片生成」模式 -> 選擇簡報的輸出資料夾 -> 點擊「開始生成」即可自動合成帶有高品質 AI 配音的 MP4 教學影片。
如果您習慣使用 Command Line 進行開發，可以直接呼叫核心腳本：
# 1. 啟用簡報與備忘稿生成管線 (Phase 1-5)
python scripts/orchestrate.py --source source/Chapter5.md
# 2. 獨立調用影片合成管線 (Phase 6 - 需要 ffmpeg)
python scripts/video_pipeline.py --project-root . --enable-video
# 3. 獨立調用投影片按數字順序合併工具
python scripts/combine_slides.py output/你的簡報資料夾| 功能 | 說明 | 狀態 |
|---|---|---|
| 📊 AI 簡報生成 | 自動生成結構化、排版優雅的 Markdown 格式投影片 (Gamma 相容) | ✅ |
| 📝 深度學習備忘稿 | 基於費曼學習法驅動的逐字講稿生成，保留關鍵學術名詞 | ✅ |
| 🎬 影片生成 | 一鍵將投影片與備忘稿轉換為精美、動態的 YouTube 教學影片 | ✅ |
| 🎤 跨平台 TTY Agent | 支援 Antigravity CLI (agy) 與 PTY 降級，無縫支援 Windows/macOS/Linux | ✅ |
| 🧰 智慧品管引擎 | 雙代理人 Generator-Validator 品管機制，自動自我糾錯與重試 | ✅ |
系統將非結構化的原始文獻，透過五個階段的轉換，最終煉成結構化的知識資產。
graph LR
subgraph Input ["輸入層"]
Source["📄 原始文獻"]
end
subgraph Pipeline ["AI 處理管線"]
direction TB
Phase1("🔍 Phase 1: Analysis<br>分析與元數據提取")
Phase2("🗺️ Phase 2: Planning<br>教學架構規劃")
Phase3("🎞️ Phase 3: Deck Gen<br>投影片內容生成")
Phase4("📝 Phase 4: Memo Gen<br>逐字稿撰寫")
Phase5("🎨 Phase 5: SVG Gen<br>視覺素材生成")
Phase1 --> Phase2 --> Phase3 --> Phase4 --> Phase5
end
subgraph Output ["輸出層"]
Result1["📊 結構化投影片 .md"]
Result2["🎙️ 講者逐字稿 .md"]
Result3["🖼️ 動畫圖表 .svg"]
Result4["🌐 整合網頁 .html"]
end
Source --> Phase1
Phase5 --> Result1 & Result2 & Result3 & Result4
為了確保產出品質，我們不依賴單次 Prompt (Zero-shot)，而是為每個關鍵步驟設計了 "Generator-Validator-Refiner" 的自我修正迴圈。
- Orchestrator (指揮官)：負責狀態管理、錯誤處理與流程控制。
- Generator (生成者)：專注於創造力與內容生成的 Agent。
- Validator (品管者)：專注於邏輯檢查、事實查核與格式驗證的 Agent。
sequenceDiagram
participant O as 🤖 Orchestrator
participant G as ⚡ Generator Agent
participant V as 🔍 Validator Agent
Note over O, V: 單一任務執行週期 (e.g., 生成第 N 頁講稿)
loop 自我修正迴圈 (Retry Loop)
O->>G: 1. 發送任務指令 + 上下文
G-->>O: 返回初稿 (Draft)
O->>V: 2. 傳送初稿 + 驗收標準
V-->>O: 返回評估結果 (Pass/Fail) + 修改建議
alt 驗證通過 (Perfect/Acceptable)
O->>O: 💾 儲存成果
Note right of O: 跳出迴圈，進入下一任務
else 驗證失敗 (Valid: False)
O->>O: 📝 累積錯誤日誌 (Feedback History)
Note right of O: 將「修改建議」加入下一次的 Prompt
end
end
- 🛡️ 容錯式編排 (Fault-Tolerant Orchestration)：
- 實作了 State Persistence (狀態持久化)，即使 API 連線中斷或配額耗盡，系統能自動暫停並保存進度，隨時恢復執行 (Resume)。
- 🧠 語境注入 (Context Injection)：
- 在生成下游內容（如 SVG 圖表）時，系統會自動注入上游的上下文（如投影片大綱、講稿內容），確保視覺圖表與演講內容高度一致。
- 🔄 累積式反饋 (Cumulative Feedback)：
- 在重試迴圈中，系統會維護一份
feedback_history，讓 AI 不僅知道「這次錯了」，還知道「過去犯過哪些錯」，避免在修正過程中反覆踏入相同的誤區。
- 在重試迴圈中，系統會維護一份
- 👁️ 透明化品管 (Transparent QA & Audit Logs)：
- 系統會在 CLI 介面即時顯示每個階段的驗證結果與重試理由（例如：「內容遺漏」、「格式錯誤」）。
- 同時，所有的 AI 推理過程（包含原始 Prompt、Raw Response、驗證回饋）都會完整記錄於
logs/資料夾的日誌檔中，提供完整的 可追溯性 (Traceability)，讓您隨時可以「查帳」AI 的思考邏輯。
當您查看 logs/ 資料夾中的日誌時，您會看到 AI 與品管系統的互動紀錄：
✓ ... validation passed (Perfect).：表示產出完美符合所有標準，一次過關。✓ ... validation passed (Acceptable). Striving for perfection...：表示產出雖然可用（如：字數稍多），但 AI 認為還可以更好。系統已暫存此版本，並主動重試以追求完美。[QA Feedback]: ...：這是品管 Agent 發現的具體問題（如：缺少關鍵引文、格式錯誤）。系統會將此回饋傳遞給生成 Agent 進行修正。Max retries reached... Using best acceptable result.：表示經過多次嘗試仍未達到完美，系統為了不中斷流程，智慧地退回使用之前最好的「可接受」版本。
| 需求 | 文件 | 連結 |
|---|---|---|
| 🚀 系統架構與適配 | 跨平台與 TTY 技術指南 | CROSS_PLATFORM_SUPPORT.md |
| 🎬 影片生成技術 | 影片管線總索引 | VIDEO_PIPELINE_INDEX.md |
| ⚙️ 環境安裝細節 | 影片管線設定指南 | VIDEO_PIPELINE_SETUP_GUIDE.md |
| 📚 哲學與開發指南 | PPTPlaner 核心哲學 | GEMINI.md |
若您想分享此專案，以下是確保程式運作所需的最精簡檔案列表：
PPTPlaner/
├─ PPTPlaner.bat # ⭐ Windows 一鍵啟動入口 (虛擬環境自動偵測)
├─ PPTPlaner.sh # ⭐ macOS/Linux 一鍵啟動入口 (虛擬環境自動偵測)
├─ config.yaml # 專案基礎設定
├─ requirements.txt # Python 套件依賴列表
├─ run_ui.py # 圖形介面主程式
├─ templates/
│ └─ guide.html.j2 # HTML 產生模板
└─ scripts/
├─ orchestrate.py # 核心主控腳本
└─ build_guide.py # HTML 產生腳本
您需要提供的：
- 您自己的原文書或簡報檔案，通常會放在
source/資料夾中 (例如source/Chapter5.md)。
專案採用嚴格的測試驅動開發 (TDD) 模式，在乾淨的非 Windows 環境下亦能流暢收集並執行所有測試：
# 執行完整測試套件
pytestOutput:
================== 153 passed, 3 skipped in 67.24s (0:01:07) ==================
「利用 AI 自動品管審查，過濾多餘雜訊，守護珍貴的時間。」
身處 2025 年的科技偵查、資料分析、AI 研究與開源情資（OSINT）第一線，我們最稀缺的資源永遠是 「時間」 。面對日新月異的 ArXiv 論文、突發的技術報告，以及海量的白皮書，我們常陷入「讀與不讀」的兩難。
PPTPlaner 誕生於這種生存壓力之下。我們不希望技術學習成為負擔，它應該是自動、高效且結構化的。
我們必須誠實且謙卑地說明：我們不生產知識，我們致力於成為原著與讀者之間的「橋樑」。
- 推崇原著：PPTPlaner 的產出絕非原著的替代品。我們希望幫助您用 10 分鐘判斷這篇文獻是否值得您花 3 小時深讀。回到原著，才是獲取真實價值的途徑。
- 引用倫理 (Citation Ethics)：本工具的 Prompt 已被精心設計為「知識導讀者」而非「創作者」。生成的內容會盡力保持客觀並標註來源，但作為使用者，您有責任確認最終產出的引用是否準確，並尊重原作者的智慧財產權。
- 擁抱進化：這是一個開源專案。如果您覺得生成的內容有瑕疵，感謝您幫我們找出了盲點；如果您有更好的 Prompt 或架構建議，歡迎發起 Issue 或 PR。
正如作者在 DeepRead AI 頻道創立時所言：
「希望這個小作品，能在大家忙碌的工作裡，放進一點輕鬆、也放進一點**『保持尖端戰力』的浪漫**。」
無論您是執法夥伴、資安專家還是開發者，歡迎 Fork 這個專案，打造屬於您的知識萃取流水線。讓我們不用再孤軍奮戰，用最省力的方式，一起變強。
A: 請前往 Python 官網 下載並安裝 Python 3.12+，安裝時請務必勾選 "Add Python to PATH"。
A: 影片渲染需要 FFmpeg：
- Windows: 圖形介面會引導您下載，或透過
winget install Gyan.FFmpeg安裝。 - macOS: 在終端機執行
brew install ffmpeg。 - Linux: 在終端機執行
sudo apt install ffmpeg。
- License: MIT License. 可自由使用於非商業的教學與研究用途。
- Original Creator: Chiakai Chang
- Contact:
- Email: lotifv@gmail.com
- LinkedIn: chiakai-chang-htciu
- GitHub: Chiakai-Chang
- Inspiration: Inspired by the need to prepare for the Eyewitness Memory chapter in a Forensic Psychology course at Central Police University.
感謝以下開源專案的貢獻：