Banana Slides 拆解：当 PPT 生成跳过模板，直接调用模型能力
Banana Slides 在 GitHub 上拿了 15k Stars，AGPL-3.0 开源。它基于 Google 的 nano banana pro 🍌 模型，做的是一个 AI 原生的 PPT 生成应用。
但值得看的不是它生成了多好看的 PPT——nano banana pro 本身已经能生成不错的页面。真正有意思的是它的产品方向：一个 AI 原生的、不依赖预设模板的 PPT 创作工具，用模型的视觉理解能力替代了传统模板系统。
传统 AI PPT 工具的结构问题
市面上多数 AI PPT 工具的工作方式差不多：用户输入主题，AI 生成大纲，然后从预设模板库里选一套模板套上去。Gamma、讯飞智文、Beautiful.ai 基本都是这个路径。
这个模式有两个结构性问题。
第一，模板是静态的，内容是动态的。 你选的模板再好，内容一多一少、结构一调整，排版就崩。结果是用户花大量时间手动调整模板套不上的页面。
第二，修改成本高。 想让 AI 改某一页的布局，它往往把整组样式改乱。最后用户放弃 AI 修改，自己拖 PPT 元素。
Banana Slides 的作者把这归为五个点：只能选预设模板、自由度低、同质化严重、素材质量差、图文排版割裂。核心矛盾是一样的——传统 AI PPT 工具的瓶颈不在 AI 能力，在模板架构。
key design 1：用模型视觉理解替代模板系统
Banana Slides 的做法和同类工具不一样：它不做自己的模板系统。页面布局、配色、图文搭配这些，全交给 nano banana pro 生成。
这意味着几个变化。
每页都是独立的。 没有「这套模板的第 3 页有什么元素」的概念。每一页由模型根据当前内容、配图和风格参考即时生成。你一页页翻过去，不会感到用的是同一张模板。
风格通过参考图传达。 用户上传一张参考图片或模板，模型从中提取视觉风格，而不是从库中选一个编号模板。多图联合参考也支持——模板图和素材图一起传入模型。
局部修改不依赖模板 API。 框选不满意的区域，口头描述修改（「把这张图换成饼图」「改成左右结构」）。模型直接重绘这一块，不影响其他区域。
这个设计的关键前提是：nano banana pro 的视觉生成和指令理解能力足够好，不需要模板来托底。 回头来看，这恰好是之前很多 AI PPT 项目没有做成的事——不是不想，是底层模型做不到。
key design 2：Vibe 编辑——把 PPT 操作变成对话
「Vibe PPT」这个词借用了 vibe coding 的概念：像聊天一样生成和修改 PPT。
它体现在几个层面。
一句话生成。 输入标题，AI 自动展开大纲和逐页描述。如果结果不满意，口头调整大纲再批量生成。
正文编辑和局部重绘分开处理。 文本修改走文本模型，图片布局走 nano banana pro 重绘。不混在一起让一个模型包办，降低了单次失败的连带影响。
质量控制过滤器。 生成结果出来后，系统自动检查乱码、低质量输出、提示词偏离。没通过就重新生成，不进入保存流程。这个机制保证了用户看到的是至少「及格」的结果，不会出现文字缺失或排版跑飞的中间态。
key design 3：可编辑 PPTX 导出——从图像回到文档
AI 生成的 PPT 页面本质上是图片。导出成 PPTX 后往往就是一张张截图，文字不可编辑，失去文档属性。
Banana Slides 在 RC 阶段做了一个「可编辑 PPTX（Beta）」模式。导出后文字是文字、图片是图片、背景独立。用户可以在 PowerPoint 或 WPS 里直接改字、调位置、换图。
实现方式参考了 MinerU 等文档解析方案——把图像逆向解析成结构化元素。Beta 阶段还不完美，但这个方向是对的：AI 生成的 PPT 应该是起点，不是终点。
对比同类：notebooklm 的 PPTX 导出不可编辑；Gamma 的免费版有水印，付费版才解锁导出；讯飞智文同样有水印限制。
与同类对比的工程视角
| 维度 | Banana Slides | notebooklm | Gamma |
|---|---|---|---|
| 页数上限 | 无限制 | 15 页 | 有限 |
| 二次编辑方式 | 框选+口头编辑 | 提示词修改 | 提示词修改 |
| 导出格式 | PPTX(可编辑)/PDF/视频 | PDF、不可编辑PPTX | PPTX/PDF |
| 水印 | 无 | 免费版有 | 付费版 |
| 开源 | AGPL-3.0 | ❌ | ❌ |
| 自托管 | Docker | ❌ | ❌ |
从工程角度看，Banana Slides 把每个关键节点都做了开源选择。页数不限、无水印、可自托管，这三条放在一起，就意味着它不靠限制功能来变现，而是靠提供更完整的能力来竞争。
部署方式与依赖
Docker Compose 一键部署是推荐路径：
git clone https://github.com/Anionex/banana-slides.git
cd banana-slides
cp .env.example .env
# 配置 API Key
docker compose up -d
前端 localhost:3011，后端 localhost:5011。
核心依赖是 nano banana pro API（Gemini 格式），也支持 OpenAI、火山方舟、DeepSeek、豆包等厂商——这意味着国内用户也可以通过兼容 API 使用，不一定需要直连 Gemini。
桌面版（RC2）已发布，支持 Windows/macOS/Linux，设置里可直接保存 API 配置，不需要自己维护 .env 文件。
额外依赖： FFmpeg（带 libass 支持），导出讲解视频时需要。
适用场景与边界
适合：
- 需要快速产生高质量 PPT 的学生、教师、职场人士
- 有自托管需求的技术团队
- 想通过开源项目研究 AI PPT 技术实现的人
不适合：
- 不能接受自备 API Key 的用户（需要自己的 Gemini 或兼容 API）
- 对输出稳定性要求极高的正式场合（RC 阶段，偶有问题）
- 需要彻底精细排版控制的设计师（AI 生成的 PPT 需要人工二次调整）
可以带走什么
Banana Slides 提供的启发不限于 PPT 生成：
当底层模型能力足够时，传统模板层可以被移除。 这不是每个场景都能复用的判断——等模型的视觉理解能力赶上 nano banana pro 的水平再说。但方向是清晰的：如果某个垂直场景一直被「预设模板」限制，值得重新评估现在能不能做原生生成。
开源可以成为垂直 AI 工具的差异化壁垒。 页数不限、无水印、可自托管——这些在商业产品中通常被作为付费功能，在开源项目中成为默认配置。对于技术用户，这比任何营销都直接。
可编辑输出是 AI 工具的验收标准之一。 如果 AI 的产出进了编辑软件就变成死图片，那就只完成了半个功能。真正可编辑的输出才谈得上工程闭环。