主题
一句话生成 PPT 和流程图，怎么用才不返工
「一句话生成 PPT」这类工具，好用的时候省几小时，不好用的时候来回改五轮还不如自己做。差别不在工具，在输入。
给结构，不要只给主题
最常见的用法是丢一个主题——「帮我做一份关于新能源汽车的 PPT」。模型只能自己编一个大纲，编出来的往往是四平八稳的通用框架，和你脑子里想讲的那件事没什么关系，于是开始逐页改。
有效得多的做法是先给结构，再让它填充：把你想讲的三到五个要点列出来，每点一句话说明，然后让工具据此展开。哪怕这些要点只花两分钟写，也比事后改十页强。
同样的道理适用于流程图和架构图：与其说「画一个订单系统的架构图」，不如把节点和它们之间的关系先列清楚——模型不知道你的系统里有哪几个服务，它只能猜。
明确「不要什么」
生成类工具的默认倾向是多：多加几页、多写几句、多放几个装饰元素。如果你需要的是克制的版本，必须说出来。
有效的约束通常很具体：页数上限、每页字数上限、不要配图、只用一种强调色、不要总结页。模糊的形容词（「简洁一点」「专业一些」）几乎没有作用，因为它们没有可执行的判据。
生成之后一定要看成品
这一条听起来是废话，但看的是渲染后的成品，不是中间结果。
PPT 的常见问题是文字溢出文本框——在数据层面完全正常，导出成图才能看见。流程图的常见问题是连线交叉、节点重叠，同样只有渲染出来才知道。
所以工作流应该是：生成 → 导出/预览 → 发现问题 → 带着具体问题回去改，而不是生成 → 直接交付。
分清「生成」和「加工」
这一类里的工具其实是两种：
生成类从无到有造内容——文生视频、生成 IP 形象、生成网页、生成知识卡片。它们的产出天然带不确定性，同样的输入两次结果不同，需要多试几次挑一个。
加工类在已有素材上做确定的改动——去背景、消除杂物、老照片修复、商品图换场景、局部重绘。它们有明确的对错标准，产出不理想通常是输入素材的问题：分辨率太低、主体和背景对比不够、要处理的区域标注得不准。
两类的使用心态不一样：生成类要有「多抽几次」的预期，加工类则应该回头改输入。
让 AI 读你的材料，而不是让它猜
这类工具里有一批是「有输入材料」的：文档翻译、从文档生成 PPT、把长文拆成知识卡片、把材料整理成思维导图、把数据画成科研图表。
它们的效果好坏，取决于你给的材料本身是否结构清晰。一份层级分明、标题规范的文档，生成出来的大纲基本能用；一份全是长段落、没有小标题的文档，模型只能自己划分层级，划出来的未必是你想要的。
所以在丢给工具之前先把材料整理一遍，往往比事后改产出省时间。整理不需要多精细，把标题层级理顺、把不相关的部分删掉，这两件事就足以显著改善结果。
图和表的特殊之处
生成图表类工具还有一个额外的要求：数据要能被读懂。
粘一段从网页复制来的、格式散乱的数字，模型需要先猜哪些是表头、哪些是数值、单位是什么。猜错了图就画错了，而且错得不明显——图形本身画得很漂亮，只是数字对不上。
这类工具的产出一定要回头核对数据，尤其是坐标轴范围和单位。图看起来对不代表数据对。
一个成本判断
这类工具多数按次计费。开始批量生成之前，先用一两次试出可行的输入格式，确认产出方向对了再放量——而不是先跑二十次再来挑。
产出要能接着改
选工具时有一条容易被忽略的标准：它给的是死图还是活文件。
生成 PPT 如果给的是每页一张图片，那就只能看不能改，一个错别字都得重新生成。给的是原生形状和文本框，才能接着编辑。流程图给的是 PNG 还是可编辑的源文件，差别同样巨大——图表这类东西几乎不可能一次到位。
所以哪怕第一版不完美，只要产出可编辑，剩下的调整成本就是可控的；反过来，一张完美度 90% 的死图，往往意味着推倒重来。