制造咨询全栈技能 v7.3（项目总结报告·客户高层汇报·5Part结构）

版本演进：v3 Pro → v4 → v5 → v5.1 → v6 → v6.1 → v7.0（全栈整合）→ v7.1（方法论升级）→ v7.2（结构修复）→ v7.3（咨询项目总结报告重构：明确以附件为素材生成面向客户高层的正式汇报材料，5Part标准结构35-60页，非简单摘要）

核心升级：

• 🧬 技能自进化系统 — 每日发现新技能、追踪使用模式、自动优化
• 🔍 技能发现引擎 — 扫描126+本地技能，智能推荐可集成的新能力
• 📊 使用分析引擎 — 追踪布局模式使用频率，优化模板选择
• 🐛 错误学习机制 — 记录每次错误与修复，避免重复问题
• 🔄 持续优化循环 — 自动更新技能生态矩阵，保持与时俱进
• 🎯 内容类型自识别 — 上传任意PPT/文字，自动判断内容类型
• 🔬 深度研究引擎 — 多源交叉验证、证据层次、三轮调研循环
• 🖼️ OCR/文档识别 — PDF、图片、Word、Excel文字提取
• 🧠 内容智能扩增 — 联网搜索补充，扩展报告深度
• ✨ 去AI味润色 — 集成 humanizer-zh 去除AI痕迹
• 🎨 素材智能搜集引擎（v6新增）— 自动搜图、搜图标、搜参考PPT、搜配色方案
• 👔 模板风格智能选择（v6新增）— 内容驱动+用户偏好双因子风格推荐
• 📄 多格式输出（v6.1新增）— PPT/DOCX/PDF 三格式支持，无明确指令时默认生成PPT
• 🧠 脑图PDF输出（v6.1新增）— 根据PPT结构自动生成思维导图PDF，可视化报告大纲
• 🏢 7大部门调研方法论（v7.0新增）— 销售/计划/生产/采购/仓储/质量/工艺调研指南+访谈问题库+检查清单
• 🔬 ODP-I²诊断框架（v7.0新增）— 端到端问题诊断模型+改善方向库+优先级四象限+改善项目卡片
• 🖼️ 原PPT图片提取复用（v7.0新增）— 从参考PPTX中提取图片直接嵌入新报告
• 🏗️ 流程图/架构图绘制引擎（v7.0新增）— 路线图/组织结构图/业务流程图/鱼骨图/甘特图等9种图表
• 📊 行业报告搜索与问答（v7.0新增）— 艾瑞咨询(iResearch)+QuestMobile报告搜索，行业数据一键获取
• 🎯 复杂度自适应分级（v7.1新增）— L1/L2/L3三级自适应，简单问题快速输出；复杂问题多框架组合
• 🧩 框架组合策略（v7.1新增）— 预设5种制造咨询组合（生产效率/质量改善/供应链/工厂规划/战略评估）
• ✅ 跨框架交叉验证（v7.1新增）— 多框架结论模式连接+矛盾化解+深层洞察
• 💰 IE经济分析模板（v7.1新增）— ROI/NPV/回收期分析，改善建议可量化可计算
• 🏛️ 咨询项目总结报告模式（v7.3重构）— 以附件为素材生成面向客户高层的正式汇报材料，5Part结构35-60页，非精简摘要
• 🖼️ 原PPT图片复用（v7.3新增）— 自动提取附件中的组织架构图/流程图/数据截图等关键图片，嵌入咨询报告的对应页面

一、定位

技能名称

consulting-report-generator（通用报告生成器）

核心能力

输入附件内容 → 解析项目资料 → 生成面向客户高层的正式咨询项目总结报告

本技能不是对输入附件做"精简摘要"，而是以附件为原始素材，按照咨询行业专业标准，生成供被服务企业高层及相关部门审阅的项目总结汇报材料。

附件的作用是提供项目背景、调研数据、分析过程、改善措施等原始素材。技能在此基础上进行：

• 结构化整理 → 按咨询报告框架重组
• 专业升维 → 从原始数据到洞察结论
• 场景适配 → 面向高层汇报的叙事逻辑
• 格式规范 → 符合麦肯锡风格的视觉呈现

双模式工作

内容类型自动检测

当用户上传资料时，自动执行内容分析：

输入内容分析
     │
     ├── 关键词检测: 精益/OEE/MES/TPM/SMED → 制造专家模式
     ├── 关键词检测: 项目/里程碑/成果/阶段 → 项目管理模式
     ├── 关键词检测: 市场/竞争/客户/份额 → 市场分析模式
     ├── 关键词检测: 技术/架构/系统/方案 → 技术总结模式
     └── 未匹配 → 通用模式（自适应模板）

用户角色

精益生产、智能制造、计划物控（PC&MC）、数字化转型、AI与工业智能资深咨询专家； 以及任何需要将内容转化为专业报告的职场人士。

覆盖领域

报告类型 — 不限页数，内容深度驱动

咨询项目总结报告标准结构（核心产出）

面向客户企业高层（CEO/VP/部门负责人）汇报时使用的正式咨询交付物：

PART 01 项目概况 (背景·范围·团队·方法)
  ├─ 企业背景与项目动因
  ├─ 项目目标与范围
  ├─ 项目团队与分工
  └─ 咨询方法论与实施路径

PART 02 现状诊断 (调研·数据·发现)
  ├─ 调研方法与过程
  ├─ 关键发现与问题归类
  ├─ 数据采集与分析（基线数据）
  └─ 根因分析总结

PART 03 改善方案 (规划·设计·实施)
  ├─ 改善方案设计思路
  ├─ 模块一：组织/流程/系统（逐项展开）
  ├─ 模块二：按实际项目模块展开
  ├─ 模块三：...
  └─ 实施路径与时间线

PART 04 成果验证 (数据·指标·对比)
  ├─ 关键指标改善对比（Before/After）
  ├─ 各模块验证结果
  ├─ 异常处理与问题闭环
  └─ 经济效益分析

PART 05 总结展望 (价值·沉淀·规划)
  ├─ 项目核心成果总结
  ├─ 客户能力沉淀
  ├─ 持续改善建议
  └─ 下一步合作展望

附录 (数据·图表·资料)

关键原则：附件内容中的每一页、每一个数据点都有其汇报价值。不要"删减"内容，而是将原始素材重新编排为面向客户高层的汇报叙事。项目模块越多、数据越丰富，生成的报告页数就越多（推荐25-50页），而不是压缩到8-10页。

核心原则：除非用户指定页数，否则不设上限。每个模块充分展开，数据表格完整呈现，对比分析逐项展开，确保信息密度和专业深度。生成建议页数为各项之和，但不受限于任何固定页数。

二、架构 — 十二层设计（v7.2 全栈整合）

┌─ 咨询方法论层 ──【v7.0新增】─────────────────────────────┐
│  制造咨询四阶段方法论 + 7大部门调研指南                    │
│  ▸ Phase1 调研诊断：部门流程穿行、数据采集、痛点挖掘       │
│  ▸ Phase2 问题分析：ODP-I²诊断模型、根因分析、优先级排序   │
│  ▸ Phase3 改善规划：改善项目定义、ROI评估、项目卡片        │
│  ▸ Phase4 合作交付：调研报告、改善建议书、合作方案         │
├─ 自进化层 ──【v5新增】──────────────────────────────────────┐
│  技能发现引擎 + 使用分析 + 错误学习 + 模板优化              │
│  ▸ 每日扫描 ~/.workbuddy/skills/ 发现新技能                │
│  ▸ 追踪布局模式使用频率，自动推荐最佳模板                   │
│  ▸ 记录每次执行错误与修复，持续改进                         │
│  ▸ 自动更新技能生态矩阵，保持与系统同步                     │
│  ▸ 每次执行后写入进化日志，供后续参考                       │
├─ 识别层 ──────────────────────────────────────────────────┤
│  内容类型自动检测 + 自适应模板选择                          │
│  ▸ 关键词扫描 → 判断内容领域（制造/项目/市场/技术/通用）    │
│  ▸ 结构分析 → 识别章节/数据/图表/KPI                      │
│  ▸ 模板匹配 → 根据内容类型选择最佳模板                     │
│  ▸ 制造领域 → 启用专家技能生态                             │
├─ 设计层 ──────────────────────────────────────────────┤
│  mck-ppt-design 引擎（70种麦肯锡布局模式）              │
│  ▸ 所有标准布局模式保持不变                             │
│  ▸ 【v7.0】9种咨询流程图/架构图绘制引擎：               │
│    路线图/组织结构图/业务流程图/鱼骨图/甘特图/KPI仪表盘  │
├─ 图片提取复用层 ──【v7.0新增】─────────────────────────┤
│  python-pptx图片提取引擎                                │
│  ▸ 从参考PPTX逐页提取所有图片 → 按幻灯片编号+形状名称保存 │
│  ▸ 支持提取组织结构图、流程图、现场照片等关键视觉素材     │
│  ▸ 提取的图片直接嵌入新PPTX的对应页面                    │
├─ 行业报告搜索层 ──【v7.0新增】─────────────────────────┤
│  艾瑞咨询(iResearch) + QuestMobile 行业报告搜索         │
│  ▸ 市场报告搜索 → AI营销/数字化/智能制造等行业报告       │
│  ▸ 报告详情提取 → 摘要+目录+图表目录+在线阅读链接       │
│  ▸ 报告问答 → 基于报告内容的Q&A                         │
│  ▸ 联网搜索降级（iResearch/QuestMobile均无结果时回到web）│
├─ 素材层 ──【v6新增】───────────────────────────────────┤
│  PPT素材智能搜集 + 模板风格选择引擎                     │
│  ▸ 行业图片搜索 → 按内容关键词收集高质量配图            │
│  ▸ 图标/装饰元素 → 创建装饰图标资源池                   │
│  ▸ 参考PPT分析 → 提取优秀设计元素（配色/字体/布局比例）   │
│  ▸ 风格双因子推荐 → 内容主题 × 受众期望 → 最优风格       │
│  ▸ 素材本地化 → 下载并保存到素材缓存目录                 │
│  ▸ 用户确认 → 展示素材预览，让用户调整风格选择            │
├─ 研究层 ──【v5.1新增】──────────────────────────────────┤
│  深度研究引擎 + 多源交叉验证 + 证据层次                    │
│  ▸ 关键数据点识别 → 自动判断是否需要深度研究              │
│  ▸ 三级调研（广度/深度/交叉验证）                         │
│  ▸ 四级证据体系（L1-L4）                                  │
│  ▸ 对接academic-deep-research等研究技能生态               │
├─ 内容层 ──────────────────────────────────────────────┤
│  联网搜索（免API） + 内容扩增引擎                       │
│  ▸ multi-search-engine（16引擎中英双语）                │
│  ▸ WebSearch（WorkBuddy内置搜索）                      │
│  ▸ WebFetch（搜索结果详情提取）                         │
│  ▸ 智能扩增：搜索补充资料 → 扩展报告深度                │
├─ 提取层 ──────────────────────────────────────────────┤
│  OCR识别 + 文档解析 + 图片文字提取                      │
│  ▸ markitdown（PDF/Word/Excel/图片OCR/HTML/URL）       │
│  ▸ Read工具（直接读取PDF/图片/文本）                    │
│  ▸ python-pptx提取（PPT图片/文字）                      │
│  ▸ 原PPT图片提取复用（extract_images_from_pptx()）     │
├─ 分析层 ──────────────────────────────────────────────┤
│  通用分析（所有模式）  │  制造专家（仅制造领域）          │
│  ▸ 数据趋势分析        │  ▸ ie-expert（工业工程）        │
│  ▸ 竞品对比分析        │  ▸ rohoon-6sigma（六西格玛）    │
│  ▸ SWOT/波特五力       │  ▸ inventory-*（库存分析）     │
│  ▸ 数据可视化          │  ▸ planning-mc（计划物控）      │
│  ▸ 图表生成            │  ▸ lean-toolkit（精益工具）     │
│  ▸ 统计建模            │  ▸ mfg-toolkit（制造咨询）     │
│                        │  ▸ CIO（数字化战略）            │
├─ 输出层 ──────────────────────────────────────────────┤
│  三格式输出引擎（v6.1新增）：                        │
│  ▸ PPT（默认）：python-pptx + mck-ppt-design 布局     │
│  ▸ DOCX：python-docx 原生生成，完整格式化+表格+图表   │
│  ▸ PDF：Markdown→reportlab 管道，CJK字符完美支持      │
│  ▸ 🧠 脑图PDF：从Slide Config自动生成结构脑图（v6.1） │
│  全格式统一规范：微软雅黑（Mac兼容）                  │
│  humanizer-zh 去AI味润色                              │
│  full_cleanup() 深度XML净化 + AUDIT() 自审函数        │
└────────────────────────────────────────────────────────┘

三、内容分析引擎（v4 通用 ⭐）

3.1 功能定位

核心创新：不再依赖固定的内容预设，而是智能分析用户提供的实际内容，自动决定报告的结构、模板和重点。

3.2 内容类型检测

接收到用户内容后，执行以下分析流程：

# 内容类型自动检测
def detect_content_type(text):
    """根据提取的文字内容判断内容类型"""
    indicators = {
        "manufacturing":   ["精益", "OEE", "TPM", "SMED", "MES", "WIP", "Kaizen",
                           "5S", "VSM", "Takt", "换型", "在制", "节拍", "数字化车间"],
        "project":         ["项目背景", "里程碑", "交付物", "甘特图", "阶段",
                           "进度", "风险", "项目总结", "结项", "收益"],
        "market":          ["市场", "竞品", "客户", "份额", "SWOT", "波特",
                           "增长率", "市场规模", "竞争对手"],
        "technical":       ["架构", "系统", "方案设计", "技术路线", "模块",
                           "接口", "部署", "测试", "上线", "版本"],
        "business":        ["营收", "利润", "KPI", "增长率", "ROI", "成本",
                           "预算", "达成率", "同比", "环比", "运营"],
    }

    scores = {k: sum(1 for kw in v if kw in text) for k, v in indicators.items()}
    best = max(scores, key=scores.get)
    return best if scores[best] >= 3 else "general"

检测结果决定：

• 制造领域（manufacturing）→ 启用制造专家模式 + 内容驱动不限页模板
• 项目管理（project）→ 项目管理模板（含甘特/里程碑/风险矩阵）
• 市场分析（market）→ 市场分析模板（含竞品矩阵/SWOT/趋势图）
• 技术总结（technical）→ 技术总结模板（含架构图/路线图/对比表）
• 运营分析（business）→ 运营分析模板（含KPI仪表盘/趋势/行动项）
• 通用（general）→ 通用模板（摘要/数据/对比/时间线/行动）

3.3 自适应模板引擎

基于内容类型，自动选择模块化结构（页数由内容量自动决定）：

制造领域: [封面→目录→背景→KPI→BA→支柱→流程→时间线→仪表盘→结束]
项目管理: [封面→目录→概述→里程碑→成果→风险→资源→时间线→行动→结束]
市场分析: [封面→目录→环境→竞品→SWOT→趋势→策略→对比→建议→结束]
技术总结: [封面→目录→背景→架构→方案→对比→路线→验证→展望→结束]
通用模板: [封面→目录→摘要→数据→分析→对比→时间线→行动→总结→结束]

3.4 内容驱动的内容层

对于通用模式，报告章节内容直接从用户提供的资料中提取和重组：

四、资料提取子系统

4.1 功能定位

从用户提供的各类材料中智能提取文字内容，作为 PPT 生成的内容根基：

4.2 提取流程

用户提供资料
     │
     ▼
┌── 判断文件类型 ──────────────────────────────────────┐
│                                                        │
│  PDF/Word/Excel/Image  ──→ 方法A: markitdown CLI       │
│                            方法B: Read工具（内置支持）  │
│                                                        │
│  PPTX ──→ extract_images_from_pptx() + python-pptx读取 │
│                                                        │
│  HTML/URL ──→ WebFetch / markitdown                    │
│                                                        │
│  图片含表格 ──→ 手动提取表格结构 + 文字描述             │
│                                                        │
└────────────────────────────────────────────────────────┘
     │
     ▼
┌── 提取结果处理 ───────────────────────────────────────┐
│  ▸ 按文件来源分类整理                                   │
│  ▸ 识别关键数据点（数字、指标、日期、KPI）              │
│  ▸ 提取行业术语和技术要点                               │
│  ▸ 整理为结构化内容摘要                                 │
│  ▸ 输出 `extracted_content.md` 供后续使用               │
└────────────────────────────────────────────────────────┘

4.3 markitdown 使用规范

# 安装
pip install 'markitdown[all]'

# 基本用法
markitdown 输入文件路径 -o 输出文件.md

# 示例
markitdown report.pdf -o report.md          # PDF
markitdown data.xlsx -o data.md             # Excel
markitdown photo.png -o photo.md            # 图片OCR
markitdown https://example.com -o page.md   # 网页
markitdown doc.docx -o doc.md               # Word

4.4 资料提取规则（R6-R9）

五、内容扩增子系统

5.1 功能定位

基于用户提供的资料内容，通过联网搜索 + 专业技能分析，智能扩展补充，提升报告的信息密度和专业深度。

5.2 三级扩增模型

L1: 直引 → 直接引用用户资料中的事实和数据
    └── 来源标记为 "数据来源：用户资料"

L2: 搜索补充 → 对每个关键数据点搜索行业基准/对标值
    └── 来源标记为 "来源：XXX（搜索日期）"

L3: 专业深化 → 调用技能生态进行专业分析
    └── 调用 ie-expert / rohoon-6sigma 等分析

5.3 扩增策略矩阵

5.4 扩增执行流程

提取的原始内容
     │
     ▼
┌── 关键数据点识别 ────→ 数字指标、KPI、日期、行业术语
     │
     ▼
┌── 搜索规划 ──────────→ 每个数据点对应2个搜索关键词
     │
     ├── [深度检测] 是否需要三轮调研？
     │   ├─ 数字指标 → standard/deep
     │   ├─ 竞品/政策 → deep
     │   └─ 纯描述 → quick（跳过研究）
     │
     ▼
┌── 联网执行 ──────────→ multi-search-engine / WebSearch
     │                      (根据深度级别执行1-3轮)
     ▼
┌── 交叉验证 ──────────→ 多来源对比（仅deep模式）
     │
     ▼
┌── 数据融合 ──────────→ 用户数据 + 搜索数据 = 综合结论
     │
     ▼
┌── 专业深化 ──────────→ 调用技能生态验证分析
     │
     ▼
┌── 内容撰写 ──────────→ 撰写扩增后的报告内容
     │
     ▼
┌── 去AI味润色 ────────→ humanizer-zh 去除AI痕迹

5.5 去AI味润色（集成 humanizer-zh）

生成的内容在写入 PPT 前，必须执行去AI味处理：

# 检查点：每条文案输出前自检以下特征
CHECK_LIST = [
    "❌ 夸大的象征用语（"革命性""颠覆性""前所未有的"）",
    "❌ 宣传性/空洞表述（"赋能""抓手""闭环""打通"）",
    "❌ 模糊归因（"一般来说""某种程度""通常"）",
    "❌ 过度三段式（"第一...第二...第三..."）",
    "❌ AI常用词汇（"值得关注的是""值得注意的是"）",
    "❌ 过多连接短语（"此外""同时""另外""而且"）",
]

规则：每条 Action Title 和正文段落必须经过自检，去除上述特征后再写入 PPT。

六、设计要求

6.1 布局模式（基于 mck-ppt-design）

废弃全部自定义图表函数（VSM/GANTT/BAR/PIE等），全面使用 mck-ppt-design 的布局模式：

6.2 配色规范 — Theme Contract 主题合约模式

采用标准化的 5 色主题合约 机制，所有布局函数统一遵守。每个主题定义 5 个颜色密钥：

Theme Contract = {primary, secondary, accent, light, bg}

当前系统默认合约（咨询专业风）：

扩展辅助色（所有合约通用）：

6.6 多配色主题 — Theme Contract 引擎（v5新增·v6增强）

每个主题遵循标准的 5 色合约：{primary, secondary, accent, light, bg}。

Python 主题合约实现：

# Theme Contract 字典（供生成脚本引用）
THEME_CONTRACT = {
    "deepblue": {
        "primary": (0x05, 0x1C, 0x2C), "secondary": (0x33, 0x33, 0x33),
        "accent": (0x00, 0x6B, 0xA6), "light": (0xF2, 0xF2, 0xF2),
        "bg": (0xFF, 0xFF, 0xFF),
        "style_name": "咨询专业风", "section_deco": "深蓝左侧竖条",
    },
    "tech": {
        "primary": (0x00, 0x5A, 0x96), "secondary": (0x33, 0x33, 0x33),
        "accent": (0x00, 0x7A, 0x53), "light": (0xF0, 0xF7, 0xFF),
        "bg": (0xFF, 0xFF, 0xFF),
        "style_name": "科技现代风", "section_deco": "渐变色横条",
    },
    "business": {
        "primary": (0x2C, 0x3E, 0x50), "secondary": (0x33, 0x33, 0x33),
        "accent": (0x00, 0x6B, 0xA6), "light": (0xF5, 0xF5, 0xF5),
        "bg": (0xFF, 0xFF, 0xFF),
        "style_name": "沉稳专业风", "section_deco": "灰色细线分隔",
    },
    "vibrant": {
        "primary": (0xD4, 0x6A, 0x00), "secondary": (0x33, 0x33, 0x33),
        "accent": (0xC6, 0x28, 0x28), "light": (0xFF, 0xF5, 0xEB),
        "bg": (0xFF, 0xFF, 0xFF),
        "style_name": "热情鲜明风", "section_deco": "橙色全宽色块",
    },
}

def apply_theme(theme_name):
    """一键应用主题合约——设置全局色值"""
    t = THEME_CONTRACT[theme_name]
    NV = RGBColor(*t["primary"]); D3 = RGBColor(*t["secondary"])
    AB = RGBColor(*t["accent"]);  BG = RGBColor(*t["light"])
    WH = RGBColor(*t["bg"])
    return t["style_name"]

风格自动选择逻辑（双因子推荐）：

def auto_select_theme(content_type, user_preference=""):
    """
    根据内容类型和用户偏好自动选择最佳主题
    内容类型权重60%，用户偏好权重40%
    """
    type_theme_map = {
        "manufacturing": "deepblue",
        "project": "deepblue",
        "digital": "tech",
        "AI": "tech",
        "finance": "business",
        "management": "business",
        "innovation": "vibrant",
        "startup": "vibrant",
    }
    
    user_vibe_map = {
        "高端": "deepblue", "权威": "deepblue", "严肃": "deepblue",
        "科技": "tech", "前沿": "tech", "未来": "tech",
        "沉稳": "business", "稳重": "business", "保守": "business",
        "活力": "vibrant", "创新": "vibrant", "热情": "vibrant",
    }
    
    # 内容类型匹配
    recommended = type_theme_map.get(content_type, "business")
    
    # 校正：如果用户表达了偏好
    for word, theme in user_vibe_map.items():
        if word in user_preference:
            return theme  # 用户偏好优先级更高
    
    return recommended

使用方式：生成脚本开头调用 theme = auto_select_theme(content_type, user_preference)，然后 apply_theme(theme) 一键切换全局色系。

6.3 字体规范

全微软雅黑 + Arial英文：

规则：

• 中文统一用 Microsoft YaHei（微软雅黑）
• 英文/数字统一用 Arial
• 通过 a:ea 节点设置东亚字体：ea.set('typeface', 'Microsoft YaHei')
• 设置拉丁字体：latin.set('typeface', 'Arial')

6.4 Mac兼容规则（R1-R5）

6.5 资料提取兼容规则（R6-R9）

R6-R9 规则的完整定义请参考 第四章第4.4节「资料提取规则（R6-R9）」，此处不再重复。

快速索引：

• R6 → 资料必须优先提取
• R7 → 提取内容按来源分类
• R8 → 关键数据点单独标注
• R9 → 提取失败降级重试

七、内容标准 — 深度优先自适应引擎（v6 升级 ⭐）

核心原则：不再设定固定页数上限。报告结构由内容量自动决定，每个模块充分展开到细节。除非用户明确指定页数，否则页数不受限制，以信息完整和专业深度为唯一衡量标准。

模块化内容装配器

报告由以下模块组成，根据内容量自动装配。每个模块的页数由内容深度决定，不设上限：

每个模块的「典型展开」为参考建议，实际页数由内容量自行决定，不受任何上限约束。

内容深度分级

生成的每一页报告内容按以下三级深度展开：

展开规则：页面内容自动判断是否需要更多页来充分表达。如果一页排不下，自动拆分到下一页继续展开，不受任何页数限制。

自动页数生成算法

内容总量(Total Content Units)
     │
     ▼
┌── 评估内容密度 ─────────────────────────────────────┐
│                                                      │
│  每个模块的 TCU = Σ(段落数 × 1.0 + 数据点 × 0.5     │
│                       + 图表数 × 1.5 + 列表项 × 0.3) │
│                                                      │
│  每个Action Title(一页)容量 ≈ 4-6 TCU                │
│                                                      │
│  该模块页数 = ceil(模块TCU / 每页TCU容量)            │
│                                                      │
│  总页数 = Σ(各模块页数) + 导航页(封面+目录+章节分隔) │
│                                                      │
└──────────────────────────────────────────────────────┘
     │
     ▼
如用户指定页数（如"20页"）：
     → 按比例压缩每个模块的TCU分配
     → 优先保留L1深度，压缩L3细节
     → 保证完整性和连贯性

如未指定页数（默认）：
     → 所有模块按L2-L3深度完整展开
     → 页数不受限制，以内容完整为准
     → 总页数 = 自然生成的页数

建议页数参考（非约束）

以下为参考范围，实际生成不受此范围限制：

Action Title 要求

每页标题必须是完整句子（陈述结论），而非标题式短语：

❌ "组织优化"
✅ "深入调研发现问题 — 组织架构不匹配、职责交叉"

❌ "项目背景"
✅ "民和电器携手连恩，启动精益+数字化双轮驱动战略转型"

❌ "库存分析"
✅ "库存管理行业对标 — 中国制造业与国际差距1.4-2.3倍"

来源标注规范

• 每个数据/图表下方必须标注来源
• 三级来源标注体系：

• 位置：页面底部 7.05 英寸位置（9pt, M6色）

八、助手函数规范

所有生成的 PPT 脚本必须包含以下助手函数（参考 generate_pro.py 实现）：

九、布局模式实现规范

布局：#1 Cover — 封面

def cover(s, title, subtitle="", date="", company=""):
    # 顶部细线：NV色
    # 标题：40pt Bold, NV色，多行动态计算高度
    # 副标题：24pt, D3色
    # 日期+公司：14pt, M6色
    # 底部装饰线：NV色 2pt

• 封面标题高度根据行数动态计算：th = 0.8 + 0.65 * (lines-1) 英寸

布局：#6 TOC — 目录

def toc(s, items):
    # items = [(编号, 标题, 描述), ...]
    # 每行：圆形编号(NV) + 章节名(16pt,Bold) + 描述(14pt,M6)
    # 底部：灰色分隔线

• 全部8个章节必须完整列出

布局：#5 Section — 章节分隔页

def SEC(s, n, title, subtitle=""):
    # 左侧NV色竖条
    # "PART N" 16pt M6色
    # 标题 28pt Bold NV色
    # 副标题 14pt D3色

布局：#8 Big Number — 大数字

def BN(s, items, y=TZ):
    # items = [(大数字, 标签, 颜色), ...]
    # 第一项：NV底色+白字 或 BG底+NV字
    # 大数字44pt Bold，标签14pt

布局：#11 Data Table — 数据表

def TB(s, l, t, rows, cols, data, col_ws=None):
    # 使用 add_table() 原生表格（不自绘）
    # 表头：NV深蓝底 + 白字 Bold 9pt
    # 数据行：浅灰交替行（#F5F7FA）
    # 字体：9pt Microsoft YaHei
    # 居中对齐

布局：#12 Metric Cards — 指标卡片

def MCARDS(s, items, y=TZ):
    # items = [(数值, 标签, 示例值, 颜色), ...]
    # 白底卡片 + 顶部色彩条
    # 数值24pt Bold 色彩色，标签11pt M6，详情10pt D3

布局：#14 Three-Pillar — 三支柱

def PILLAR(s, items, y=TZ):
    # items = [(标题, [要点列表...], 颜色), ...]
    # 顶部色条 + 标题14pt WH色
    # 下方BG色卡片 + 要点列表12pt D3色

布局：#16 Process Flow — 流程箭头

def FLOW(s, steps, y=Inches(2.5)):
    # steps = [(标题, 描述), ...]
    # 第一项NV色，后续BG色
    # 箭头用文本"→" AO色

布局：#24 Exec Summary — 执行摘要

def EXEC(s, title, points):
    # title: 摘要标题
    # points: [(编号, 标题, 描述), ...]
    # 首项：NV底白字 关键结论
    # 后续：编号OV + 标题(14pt NV Bold) + 描述(14pt D3)

• 用于 P4 项目背景、P8 方案概览等需要结论先行的页面
• 顶部深蓝结论条 + 下方3-4个支撑论点

布局：#20 Before/After — 对比

def BA(s, before, after, y=TZ):
    # 左栏 BG色 "现状(Before)" D3色文字
    # 右栏 NV色 "目标(After)" WH色文字
    # 中间 "→" 箭头 NV色

布局：#29 Timeline — 时间线

def TIMELINE(s, items, y=Inches(3.0)):
    # items = [(标题, 描述), ...]
    # 水平LG色连接线 2pt
    # 圆形编号节点 NV色
    # 上方标题 16pt Bold NV色
    # 下方描述 11pt D3色

布局：#35 Action Items — 行动项

def ACTIONS(s, items, y=TZ):
    # items = [(行动, 时间, 负责人), ...]
    # 多列BG色卡片
    # 编号 + 标题(14pt NV色) + 时间(11pt M6) + 负责人(11pt D3)

布局：#36 Closing — 结束页

def CLOSE(s, main_text, sub_text="", tagline=""):
    # 顶部NV色细线
    # 主标题 28pt NV色 Bold 居中
    # 装饰线 NV色 1.5pt
    # 副标题 18pt D3色
    # 底部NV色粗线 2pt
    # 标语：20pt AO色 Bold

布局：#39 Horizontal Bar — 水平柱状图

def HBAR(s, items, y=TZ, title=""):
    # items = [(标签, 值), ...] 已排序
    # 第一名NV色，后续BG色
    # 背景浅灰条 + NV色填充条

布局：#37 Grouped Bar — 分组柱状图

def GBAR(s, data, labels, colors, y=TZ, title=""):
    # data = [[系列1的值], [系列2的值], ...] 每行=一个系列
    # labels = [组标签, ...] 如 ["M1","M2","M3"]
    # colors = [颜色1, 颜色2, ...] 每个系列的颜色

• 通常嵌入 #57 Dashboard 中使用
• 含Y轴刻度（0%-100%）、数值标签、图例
• 用于月度趋势对比、多系列数据展示

布局：#52 KPI Tracker — KPI追踪

def KTRACK(s, items, y=TZ):
    # items = [(名称, 进度0-1, 详情, 状态on/risk/off), ...]
    # 表头(11pt M6 Bold) + 黑色分割线
    # 进度条 on=AG / risk=AO / off=AR
    # 达成率 14pt Bold 状态色

布局：#57 Dashboard — 仪表盘

def DASH(s, kpis, data, labels, colors, insights):
    # kpis = [(数值, 标签, 颜色), ...] 顶行KPI卡片
    # data/labels/colors → 分组柱状图
    # insights → BG色底+NV色字 关键洞见

十、完整工作流（S0-S15 + S0.5·S0.75 · v7.2 全栈版）

S0: 需求识别与内容分析（双轨并行 ⭐）

需求识别轨道 — 首先判断用户的真实意图：

def detect_intent(user_request):
    """识别用户需求类型"""
    consulting_keywords = ["项目总结", "总结报告", "汇报", "咨询项目", "改善汇报", 
                          "结项", "阶段汇报", "终期", "客户汇报", "高层汇报"]
    summary_keywords = ["概括", "精简", "摘要", "简短", "核心内容"]
    
    if any(k in user_request for k in consulting_keywords):
        return "CONSULTING_REPORT"  # 生成面向客户高层的咨询项目总结报告
    elif any(k in user_request for k in summary_keywords):
        return "QUICK_SUMMARY"     # 快速精简总结
    return "CONSULTING_REPORT"     # 默认：咨询项目总结报告模式

内容分析轨道 — 在确认意图后，分析附件内容类型：

1. 提取内容样本（前1000字符或文件标题）
2. 运行 detect_content_type() 检测内容类型
3. 根据检测结果选择模式：制造专家 / 项目管理 / 市场分析 / 技术总结 / 通用
4. 根据模式选择对应的内容驱动模板（页数不限）
5. 通知用户检测结果，确认或手动调整

自进化轨道 — 与内容分析同时执行：

1. 加载进化数据（self_evolution/ 目录下的 known_skills / usage_log）
2. 调用 self_evolution.py scan 扫描新技能
3. 检查上次错误是否已修复
4. 加载高频使用的布局模式偏好
5. 如有新发现技能，通知用户集成建议

检测结果示例：
  "检测到内容类型：项目管理（置信度85%）
  将使用项目管理模板，包含：里程碑/风险矩阵/资源分配等章节
  如需切换模板请告知"

💡 系统提示：
  "自进化检查完成 | 已发现 0 个新技能 | 上次错误已修复 ✅"

S0.5: 制造咨询方法论加载（v7.0 新增）

检测到制造咨询领域时，自动加载四大咨询方法论资源：

检测到关键词 → 加载方法论
  ├─ "调研"/"诊断" → 加载 Phase1: references/methodology.md + 7部门调研指南
  ├─ "问题分析"/"根因" → 加载 Phase2: references/diagnosis_framework.md
  ├─ "改善"/"项目" → 加载 Phase3: references/project_definition.md
  └─ 通用制造咨询 → 加载完整四阶段 + assets/interview_questions.md

可引用的7大部门调研指南（按需加载）：

ODP-I²诊断框架（references/diagnosis_framework.md）：

• 问题诊断 → 改善方向映射 → 优先级四象限（严重度×0.6+紧迫度×0.4）
• 跨部门交叉验证 → 改善项目卡片 → ROI评估

交互式工具：

# 启动诊断分析工具（交互式）
python3 scripts/diagnosis_analyzer.py

# 启动报告生成工具（交互式）
python3 scripts/consulting_report_generator.py

S0.75: 复杂度分级与方法选型（v7.1 新增）

第一步：问题复杂度分级（L1/L2/L3）

根据用户需求的广度和深度，判断问题层级：

def classify_complexity(query, materials_count):
    """自适应复杂度分级"""
    keywords_l1 = ["简单介绍", "基本概念", "快速", "模板"]
    keywords_l3 = ["跨部门", "全流程", "战略", "转型", "体系搭建", "对标"]
    
    l3_score = sum(1 for k in keywords_l3 if k in query)
    l1_score = sum(1 for k in keywords_l1 if k in query)
    
    if l3_score >= 2 or materials_count > 5:
        return "L3"  # 复杂：多框架组合+完整调研
    elif l1_score >= 2 or "是什么" in query:
        return "L1"  # 简单：单框架快速输出
    return "L2"      # 中等：标准报告流程

第二步：快速方法选型 — 症状→方案映射

根据用户描述的症状，快速匹配诊断方法：

3分钟选型表（管理咨询方法工具箱 v7.1）：

第三步：制造咨询框架组合策略

预设5种制造咨询框架组合，L3问题时自动启用：

COMBO_STRATEGIES = {
    "生产效率": ["DMAIC", "VSM", "Pareto", "PDCA"],
    "质量改善": ["SPC", "鱼骨图", "5WHY", "FMEA"],
    "供应链优化": ["ABC分析", "EOQ", "VMI", "安全库存"],
    "工厂规划": ["SLP布局", "物料流分析", "仿真", "设施规划"],
    "战略评估": ["PESTEL", "波特五力", "SWOT+交叉", "商业模式画布"],
}

组合规则（R32-R33）：

S1: 资料收集与识别

确认用户提供了哪些资料：

• [ ] PDF 文件 → 计划使用 markitdown / Read 提取文字
• [ ] Word 文档 → 计划使用 markitdown 提取文字
• [ ] Excel 表格 → 计划使用 markitdown 提取数据
• [ ] 图片/截图 → 计划使用 markitdown OCR / Read 识别
• [ ] 参考 PPTX → 计划使用 extract_images_from_pptx() 提取
• [ ] 参考 URL → 计划使用 WebFetch 获取内容
• [ ] 纯文本/笔记 → 计划使用 Read 读取
• [ ] 未提供任何资料 → 跳过S1，从S2开始

S2: 资料提取

执行资料提取流程：

1. 对每个文件执行对应的提取方法
2. 按来源分类整理提取结果
3. 标注关键数据点（数字、指标、年份、KPI）
4. 输出 extracted_content.md 内容摘要文件
5. 如提取失败，尝试降级方法（Read → WebFetch）

S3: 内容解析与素材结构化

核心原则：附件不是"要被精简的源文件"，而是咨询报告的核心素材。解析的目的是提取原始数据、发现、方案，然后按咨询报告框架重新组织。

1. 逐页解析附件内容 → 标记每页在咨询报告中的定位：
   • 📋 项目背景素材 → Part 01 项目概况
   • 🔍 调研数据/发现 → Part 02 现状诊断
   • 🛠️ 改善方案/设计 → Part 03 改善方案
   • 📊 验证数据/成果 → Part 04 成果验证
   • 💡 总结/展望/建议 → Part 05 总结展望
2. 识别关键数据点 → 每个数据点标注其在报告中的作用（基线/改善前/改善后/行业对标）
3. 【v7.0】行业报告搜索：对关键数据点，调用艾瑞咨询/QuestMobile搜索行业基准数据增强对比
   • python scripts_industry_search/iresearch_report_search.py search "关键词" --pages 4 --limit 10 --format json
4. 素材完整性检查：检查附件是否涵盖5Part的每个维度，如缺失则标记"待补充"
5. 调用专业技能验证分析（仅制造领域）
6. 输出解析后的素材大纲（按5Part归类）

S3.5: 原PPT图片提取与复用（v7.3 新增）

核心原则：咨询项目总结报告必须包含原始素材中的关键图片（组织架构图、流程图、数据截图、现场照片等），而非仅输出文字。

从附件PPTX中提取所有图片，按幻灯片编号+内容类型分类保存，在新报告中按需嵌入：

def extract_images_from_source(pptx_path, output_dir="extracted_images"):
    """从源PPTX提取所有图片"""
    from pptx import Presentation
    from pptx.enum.shapes import MSO_SHAPE_TYPE
    import os
    
    prs = Presentation(pptx_path)
    os.makedirs(output_dir, exist_ok=True)
    
    for i, slide in enumerate(prs.slides):
        for j, shape in enumerate(slide.shapes):
            if shape.shape_type == MSO_SHAPE_TYPE.PICTURE:
                ext = shape.image.content_type.split("/")[-1]
                fname = f"slide_{i+1:02d}_{j+1:02d}.{ext}"
                with open(f"{output_dir}/{fname}", "wb") as f:
                    f.write(shape.image.blob)

图片分类与复用映射：

每张图片在报告中的布局方式取决于图片类型和所在页面：

def layout_image(slide, img_path, slide_idx, page_type):
    \"\"\"智能图片布局：确保不遮挡文字\"\"\"
    from pptx.util import Inches
    
    # 布局方案A: 文字左 + 图片右 (默认)
    if page_type == "text_left":
        img = slide.shapes.add_picture(img_path, 
            Inches(5.2), Inches(1.5), Inches(4.8), Inches(3.5))
    
    # 布局方案B: 全图页 (独立展示)
    elif page_type == "full_image":
        img = slide.shapes.add_picture(img_path,
            Inches(0.5), Inches(0.8), Inches(9.5), Inches(4.8))
    
    # 布局方案C: 顶部图片 + 底部文字说明
    elif page_type == "image_top":
        img = slide.shapes.add_picture(img_path,
            Inches(1.0), Inches(0.3), Inches(8.5), Inches(3.0))
    
    # 保持原始宽高比
    img.lock_aspect_ratio = True
    
    # 如果超过最大尺寸则缩小
    max_w, max_h = Inches(9.5), Inches(4.8)
    if img.width > max_w: img.width = max_w
    if img.height > max_h: img.height = max_h

S4: 需求确认

输出格式选择（v6.1 新增）：

请选择输出格式：
  ○ 📊 PPT（默认）— 适用于会议汇报/客户演示
  ○ 📝 DOCX — 适用于报告存档/详细文字论述
  ○ 📄 PDF — 适用于正式交付/打印输出
提示：默认为PPT，无需特别声明。如需DOCX/PDF请明确说明。

S5: 联网调研（免API）

使用 multi-search-engine + WebSearch + WebFetch 搜索行业基准数据。

• 每个搜索点至少搜索2个关键词交叉验证
• 所有来源必须标注"来源：XXX（搜索日期）"

S6: 原PPT图片提取（如有）

调用 extract_images_from_pptx() 提取参考PPT图片，按页归类。 提取的图片嵌入新PPT的对应页面。

S6.5: PPT素材搜集与模板风格选择 【v6 新增 ⭐】

核心变更：在生成PPT前，先执行素材搜集操作，然后基于内容+用户偏好双因子驱动选择最佳模板风格，之后再进入设计和生成阶段。

第一步：PPT素材智能搜集

基于已确认的报告大纲和内容主题，执行素材搜集操作：

# 素材搜集操作规范
MATERIAL_TYPES = {
    "industry_image": {
        "description": "行业相关高清图片",
        "search_terms": ["行业关键词 + 制造现场/数字化/精益", "industry + factory/digital/lean"],
        "source": "WebSearch / WebFetch 图片搜索",
        "usage": "封面背景、章节分隔页、案例展示页",
    },
    "icon_element": {
        "description": "装饰图标（简单线条图标）",
        "search_terms": ["SVG icon + sector_name", "图标 + 行业"],
        "source": "WebSearch 图标资源",
        "usage": "指标卡片、流程步骤、列表装饰",
    },
    "reference_slide": {
        "description": "同类行业PPT参考设计",
        "search_terms": ["行业 + PPT模板/报告设计", "consulting deck + industry"],
        "source": "WebSearch + WebFetch 提取设计元素",
        "usage": "参考配色方案、布局比例、信息图表风格",
    },
    "color_palette": {
        "description": "行业相关配色方案",
        "search_terms": ["行业 + 品牌色/VI色彩", "color palette + industry"],
        "source": "WebSearch 品牌/VI资料",
        "usage": "辅助确定报告主色和强调色",
    },
    "data_chart": {
        "description": "行业数据可视化参考",
        "search_terms": ["行业 + 数据可视化/图表", "industry chart/data viz"],
        "source": "WebSearch 公开报告图表",
        "usage": "参考图表类型选择和视觉呈现方式",
    },
}

def collect_ppt_materials(content_type, keywords):
    """基于内容类型和关键词搜集PPT素材"""
    collected = {}
    
    # 1. 根据内容类型确定搜索关键词
    search_terms = generate_search_terms(content_type, keywords)
    
    # 2. 对每种素材类型执行搜索
    for mat_type in MATERIAL_TYPES:
        results = web_search(f"{search_terms} {mat_type.search_terms[0]}")
        if results:
            # 提取前3个最有价值的素材链接
            top_results = filter_best_results(results, mat_type)
            collected[mat_type] = top_results
    
    # 3. 对参考素材进行详情提取
    for mat_type, results in collected.items():
        for result in results[:2]:  # 提取前2个
            detail = web_fetch(result.url)
            enrich_material(mat_type, result, detail)
    
    # 4. 输出素材清单供用户确认
    save_material_inventory(collected)
    return collected

素材搜集规则（R15-R18）：

第二步：模板风格智能选择

基于内容分析结果和素材搜集情况，使用双因子推荐算法选择最佳模板风格：

THEMES = {
    "deepblue": {
        "name": "咨询专业风",
        "palette": "NV(#051C2C)深蓝 + WH白 + AB(#006BA6)蓝",
        "best_for": ["manufacturing", "supply_chain", "lean", "project"],
        "vibe": "高端、权威、严肃",
        "deco_style": "简约线条、几何装饰、数据驱动",
        "font_emphasis": "Bold标题+清晰层级",
        "section_deco": "深蓝左侧竖条",
    },
    "tech": {
        "name": "科技现代风",
        "palette": "AB(#005A96)亮蓝 + WH白 + AG(#007A53)绿",
        "best_for": ["AI", "digital", "smart_mfg", "IT_architecture"],
        "vibe": "前沿、创新、高效",
        "deco_style": "渐变色块、轻薄阴影、科技图标",
        "font_emphasis": "Light标题+清晰层级",
        "section_deco": "渐变色横条",
    },
    "business": {
        "name": "沉稳专业风",
        "palette": "D3(#333333)商务灰 + NV深蓝点缀 + AB蓝",
        "best_for": ["management", "finance", "operation", "general"],
        "vibe": "稳重、理性、信任",
        "deco_style": "灰底卡片、精细边框、保守排版",
        "font_emphasis": "规则的标题+正文",
        "section_deco": "灰色细线分隔",
    },
    "vibrant": {
        "name": "热情鲜明风",
        "palette": "AO(#D46A00)活力橙 + WH白 + AR(#C62828)红",
        "best_for": ["innovation", "kickoff", "change", "startup"],
        "vibe": "活力、推动、紧迫",
        "deco_style": "大色彩块、粗轮廓、大数字强调",
        "font_emphasis": "大号标题+高对比",
        "section_deco": "橙色全宽色块",
    },
}

def select_theme(content_type, user_mood, material_results):
    """双因子模板风格推荐算法"""
    content_score = {}  # 内容因子：基于内容类型
    for theme_name, theme in THEMES.items():
        # 内容类型匹配度
        best_for = theme["best_for"]
        match_count = sum(1 for t in best_for if t in content_type or content_type in t)
        content_score[theme_name] = match_count
    
    # 如果用户表达了偏好，增强偏好分
    if user_mood:
        mood_map = {
            "高端": "deepblue", "权威": "deepblue", "严肃": "deepblue",
            "科技": "tech", "创新": "tech", "前沿": "tech",
            "稳重": "business", "保守": "business", "专业": "business",
            "活力": "vibrant", "创新2": "vibrant", "推动": "vibrant",
        }
        for word, theme in mood_map.items():
            if word in user_mood:
                content_score[theme] += 2  # 用户偏好权重
    
    # 选择分值最高的主题
    best_theme = max(content_score, key=content_score.get)
    return best_theme

算法逻辑：

1. 内容因子（权重60%）：由内容类型检测结果决定
   • 制造/精益/供应链 → deepblue
   • AI/数字化/智能制造 → tech
   • 管理/财务/运营 → business
   • 创新/变革/启动会 → vibrant
2. 用户偏好因子（权重40%）：来自用户表述/历史记录
   • 用户明确说"高端/权威" → deepblue
   • 用户说"科技感/前沿" → tech
   • 用户说"稳重/保守" → business
   • 用户说"活力/创新" → vibrant
3. 校正因子：素材搜集结果反馈
   • 如果搜集到的素材中有明确的品牌色/VI倾向，反向校准推荐

第三步：风格确认与素材预览

将推荐的模板风格 + 搜集到的素材列表呈现给用户确认：

┌─ 模板风格推荐 ──────────────────────────────────────────┐
│                                                          │
│  推荐风格：🔵 咨询专业风 (deepblue)                      │
│  ○ 深蓝主色 #051C2C × 白色背景 × 蓝色强调               │
│  匹配理由：内容类型"精益制造" × 用户偏好"高端"          │
│                                                          │
│  ┌──────────────────────────────────────────────────────┐│
│  │  素材搜集清单：                                      ││
│  │  ✅ 行业图片：3张（制造现场图×2, 数字化看板×1）     ││
│  │  ✅ 装饰图标：5个（生产/质量/物流/计划/设备）        ││
│  │  ✅ 参考PPT：2个（同行业咨询报告设计）               ││
│  │  ✅ 配色方案：已从参考PPT提取2组备选                 ││
│  │  └─ 来源详见 material_inventory.md                   ││
│  └──────────────────────────────────────────────────────┘│
│                                                          │
│  可选风格：                                              │
│  ○ ⚪ 咨询专业风（推荐） ○ 🔵 科技现代风                │
│  ○ ⚫ 沉稳专业风      ○ 🟠 热情鲜明风                  │
│                                                          │
│  请确认风格，或选择其他风格：                            │
└──────────────────────────────────────────────────────────┘

• 如果用户调整风格，更新 theme = apply_theme(selected_theme)
• 将素材引用信息写入生成脚本注释
• 将素材图片/图标路径嵌入生成脚本中

S7: 设计大纲 + Slide Config 模块化架构

按照选定的内容类型和模板模块，逐页确定内容和布局模式。页数由内容量自动决定，不设上限。

咨询项目总结报告模式（核心场景）： 严格按照标准5Part结构进行编排：

PART 01 项目概况  → Cover + Section + 5~8页内容
PART 02 现状诊断  → Section + 8~15页内容
PART 03 改善方案  → Section + 10~20页内容
PART 04 成果验证  → Section + 5~10页内容
PART 05 总结展望  → Section + 3~5页内容
附录              → 2~5页
────────────────────
总计              → 35~60页（按素材丰富度自然决定）

• 附件中的每一页都有汇报价值：不要"精简"内容，而是重新编排为面向高层的汇报叙事
• 每个模块按内容深度分级（L1-L3）展开
• 数据丰富时自动拆分到多页，不急于一页塞完
• 默认不限制页数；如用户指定页数，按比例压缩模块深度

Slide Config 模块化架构（借鉴 PPT 演示文稿技能）：

每页幻灯片定义为独立的 slide_config 数据块，统一元数据结构：

# 每页的标准化 Slide Config
slide_config = {
    "type": "cover|toc|section|content|summary|closing",
    "index": 1,         # 页码
    "layout": "#1 Cover",  # mck-ppt-design 布局模式编号
    "title": "页面Action Title（完整句子）",
    "depth": "L1|L2|L3",   # 内容深度级别
    "theme": "deepblue",   # 主题合约名称
    "data_sources": [],    # 数据来源列表
}

# 生成时统一从 Slide Config 渲染
def render_slide(prs, config, theme):
    """根据Slide Config渲染单页"""
    if config["type"] == "cover":
        return cover(prs, config["title"], ...)
    elif config["layout"] == "#14 Three-Pillar":
        return PILLAR(prs, config["data"], theme)
    # ...

优势：

• ✅ 每页数据独立，便于并行生成
• ✅ 后期修改某页不影响其他页
• ✅ 支持导出为 JSON 作为大纲确认

S8: 专业技能分析（仅制造领域）

v7.1 新增框架组合策略：

v7.0 新增： 7大部门调研指南 + ODP-I²诊断框架 + 改善项目定义已整合为内置模块。流程图绘制（路线图/鱼骨图/甘特图等）在S9脚本中直接添加对应函数。

S8.5: 渐进交付策略选择 — Draft→Iterate→Final 【v6 新增】

借鉴 AI绘图技能的渐进式工作流，支持三阶段交付模式：

class DeliveryMode:
    """渐进交付模式定义"""
    DRAFT = {
        "name": "草稿模式",
        "desc": "快速生成报告骨架：封面+目录+每页Action Title+关键数据标记",
        "sections": "全部章节的L1深度（结论先行）",
        "turnaround": "1-2分钟，快速确认方向",
        "best_for": "需求不确定/需要先确认框架",
    }
    ITERATE = {
        "name": "迭代模式",
        "desc": "在草稿基础上填充：L2分析展开+数据图表+对比分析",
        "sections": "L2深度展开 + 部分L3数据表格",
        "turnaround": "5-10分钟",
        "best_for": "草稿方向确认后逐步完善",
    }
    FINAL = {
        "name": "完整模式",
        "desc": "全质量输出：L3完整细节 + 全数据表格 + 精美排版",
        "sections": "全深度L3展开",
        "turnaround": "10-30分钟（页数不限）",
        "best_for": "终稿交付",
    }

用户交互流程：

您希望以哪种模式生成？
  ○ 草稿模式（快速骨架，确认方向）
  ○ 迭代模式（逐步完善）
  ○ 完整模式（一步到位，推荐 ⭐）

选择 DRAFT → 执行 S9-S12 生成草稿 → 确认 → 升级为 ITERATE
选择 ITERATE → 执行 S9-S12 生成迭代版 → 确认 → 升级为 FINAL
选择 FINAL → 一步执行全部流程

渐进交付规则（R26-R27）：

S9: 编写生成脚本

参考 references/generate_pro.py 模板（制造领域）或按通用模板模块规则编写：

1. 导入 python-pptx / lxml
2. 设置常量和配色
3. 按内容驱动模块逐页生成（使用 mck-ppt-design 布局模式），页数由内容量决定
   • 数据丰富时每个模块可拆分为2-4页，不设上限
   • 每个数据点独立制作图表，不合并在一页
   • 每个对比项独立成页，不压缩空间
4. 全微软雅黑，无 BLOCK_ARC
5. 每条文案执行去AI味自检
6. 包含 full_cleanup() + AUDIT()

S9.5: 格式适配生成 【v6.1 新增 ⭐】

根据 S4 确认的格式选择，将报告内容转换为对应格式：

格式路由：

                      ┌─ PPT ──→ python-pptx + mck-ppt-design 布局（默认）
  报告内容大纲         │
  (Slide Config JSON) ──┼─ DOCX ─→ python-docx 原生生成
                      │
                      └─ PDF ──→ Markdown → reportlab

PPT 格式（默认）

使用现有的 python-pptx + mck-ppt-design 引擎，遵循全部 S9 规则：

• 安装依赖：pip install python-pptx lxml
• 脚本模板：references/generate_pro.py
• 输出扩展名：.pptx

DOCX 格式

使用 python-docx 生成专业 Word 文档：

# DOCX 生成示例
from docx import Document
from docx.shared import Pt, Inches, RGBColor
from docx.enum.text import WD_ALIGN_PARAGRAPH

doc = Document()

# 封面（无页眉页脚）
title = doc.add_heading('', level=0)
run = title.add_run('报告标题')
run.font.name = 'Microsoft YaHei'
run.font.size = Pt(26)
run.font.color.rgb = RGBColor(0x05, 0x1C, 0x2C)

# 章节（Heading 1）
doc.add_heading('章节标题', level=1)

# 正文
p = doc.add_paragraph()
run = p.add_run('正文内容...')
run.font.name = 'Microsoft YaHei'
run.font.size = Pt(11)

# 表格
table = doc.add_table(rows=5, cols=4)
table.style = 'Light Grid Accent 1'

# 保存
doc.save('report.docx')

生成规范：

• 安装依赖：pip install python-docx
• 脚本模板：references/generate_docx.py
• 输出扩展名：.docx

PDF 格式

使用 Markdown→PDF 管道，两条路径可选：

路径A：reportlab（推荐，零依赖）

# 简易PDF生成（md-to-pdf-cjk 方案）
python3 -c "
from md_to_pdf import convert
convert('report.md', '报告标题', 'report.pdf')
"

路径B：Markdown直接转换

pip install 'markitdown[all]'
markitdown report.docx -o report.md  # DOCX转MD
# 然后使用 md-to-pdf-cjk 技能转换

生成规范：

• 安装依赖：pip install reportlab markdown
• 脚本模板：references/generate_pdf.py
• 输出扩展名：.pdf

格式规则（R28-R29）：

S10: 执行生成

根据选择的格式安装对应依赖并执行。PPT模式必须包含图片提取与嵌入步骤：

# 1. 从源文件提取图片
extract_images_from_source("用户附件.pptx", "extracted_images/")

# 2. 生成PPT（文字+图片）
python generate_report.py

# 3. 图片嵌入逻辑：在对应页使用 add_picture()
slide.shapes.add_picture("extracted_images/slide_11_01.png", 
                          left, top, width, height)

# PPT格式（默认）
pip install python-pptx lxml
python generate_report.py

# DOCX格式
pip install python-docx
python generate_report_docx.py

# PDF格式
pip install reportlab markdown
python generate_report_pdf.py

图片嵌入规范（R34-R35）：

S11: 质量审查 + 5-Pass Editor 审校 + 跨框架交叉验证

执行 AUDIT() + full_cleanup()，按交付检查清单逐项确认。

跨框架交叉验证（v7.1 新增） — 当使用多框架组合（≥2个）时，强制执行交叉验证：

def cross_validate_results(framework_results):
    """
    跨框架结论交叉验证
    输入：各框架的分析结果
    输出：交叉验证报告
    """
    report = {"mode_connections": [], "contradictions": [], "deep_insights": []}
    
    # 1. 模式连接：不同框架结论是否互相印证
    # ▸ VSM结论"搬运浪费严重" + 鱼骨图根因"布局不合理" → 互证 ✅
    # ▸ SPC数据显示"过程不稳定" + FMEA风险数高 → 互证 ✅
    
    # 2. 矛盾化解：冲突点分析
    # ▸ 例：VSM建议"集中库存" vs 精益建议"零库存" — 分析矛盾根因
    # ▸ 判断：哪个框架在当前情境下权重更高/更适用
    # ▸ 输出：化解后的综合建议
    
    # 3. 深层洞察：跨框架发现的隐藏规律
    # ▸ 例：VSM+5WHY+SPC三者都指向"供应商管理" — 发现隐藏重点
    # ▸ 这是单一框架无法发现的系统性问题
    
    return report

交叉验证执行时机：

• L1问题：无需交叉验证
• L2问题：如有≥2个框架参与，执行模式连接检查
• L3问题：强制执行完整交叉验证（模式连接+矛盾化解+深层洞察）

5-Pass Editor 自动审校机制（借鉴内容工厂技能）：

报告生成后，自动执行 5 轮审校：

def editorial_review(draft_content):
    """
    5轮审校流程，每轮聚焦一个维度
    输出：审校后的内容 + 编辑报告
    """
    report = {"passes": [], "changes": []}
    
    # Pass 1: 清晰度手术 — 删除30%冗余，去除填充词和被动语态
    # ▸ "值得注意的是/一般来说/某种程度" → 删除
    # ▸ 长句拆短，每句≤25字
    # ▸ 将被动变主动（"被建议"→"建议"）
    
    # Pass 2: 故事流 — 检查每个章节的因果逻辑
    # ▸ 开头是否有结论句
    # ▸ 段落间是否有逻辑递进
    # ▸ 数据→分析→结论是否完整
    
    # Pass 3: 语气一致性 — 统一为管理咨询权威自信语气
    # ▸ "可能/也许/大概" → "数据显示/分析表明"
    # ▸ "我们希望" → "我们建议"
    # ▸ 禁止使用削弱权威性的措辞
    
    # Pass 4: 质量检查 — 数据完整性核查
    # ▸ 每个数据点是否有来源标注
    # ▸ 对比数据是否完整（before/after成对出现）
    # ▸ Action Title是否完整句子
    
    # Pass 5: 格式化 — 格式/拼写/标点统一
    # ▸ 中英文空格统一
    # ▸ 数字格式统一（"10%" vs "10 %"）
    # ▸ 标点符号全角/半角统一
    
    return edited_content, report

编辑报告示例：

📋 5-Pass Editor 编辑报告
├─ Pass 1 清晰度: 删减28%字数 (2,340→1,685字), 移除填充词12处
├─ Pass 2 故事流: 修复3处因果关系断裂, 补充2个数据支撑
├─ Pass 3 语气一致: 替换5处削弱表述, 统一为"我们建议"语气
├─ Pass 4 质量检查: 发现2个缺失来源标注, 均已补充 ✅
└─ Pass 5 格式化: 统一中英文间距12处, 标点修正5处

S12: 自进化日志（v5 新增）

报告生成完成后，自动写入进化日志：

1. 记录本次使用的内容类型和模板 → usage_log.json
2. 记录使用的布局模式及其频率 → template_stats.json
3. 如有错误发生 → 写入 error_log.json（含修复方案）
4. 更新 evolution_summary.md 进化摘要
5. 输出本次进化日志摘要：💡 自进化：记录本次使用 | 累计X次 | 成功率Y%

S13: 技能自修复（S13）— 【v6 新增 ⭐】

核心思想：每次PPT生成都是技能自我进化的机会。运行时遇到的任何问题，都要被分析、记录，并自动反馈到 SKILL.md 中，让下一次生成时技能已经"学会了"。

第一步：问题收集

在 S0-S12 全过程中捕获所有异常和用户反馈：

def collect_issues():
    """收集本次执行中遇到的所有问题"""
    issues = {
        "errors": [],        # 运行时错误（崩溃/异常）
        "warnings": [],      # 非致命问题（AUDIT未达标/素材缺失）
        "user_feedback": [], # 用户主动反馈（"文件打不开"/"风格不对"）
        "improvements": [],  # 执行过程中发现的可优化点
    }
    # 1. 从 error_log.json 提取新增错误
    # 2. 从 S11 质量审查结果提取未达标项
    # 3. 从用户交互中提取反馈关键词
    # 4. 审计生成脚本，发现可优化的编码模式
    return issues

第二步：问题分级

第三步：自动修复规则

def auto_repair(issues, skill_base_path):
    """根据收集到的问题自动修复技能文件"""
    for issue in issues["errors"]:
        if issue["level"] != "P0" and issue["level"] != "P1":
            continue
        
        error_text = issue["description"]
        cause_text = issue["root_cause"]
        fix_text = issue["fix"]
        
        # 检查是否已在 SKILL.md 的「常见错误与修复」中
        if not is_already_documented(error_text):
            # 追加新的错误条目
            append_error_to_skill_md(error_text, cause_text, fix_text)
            print(f"🛠️ 自修复：追加错误「{error_text}」到SKILL.md")
        
        # 检查是否涉及函数实现规范
        if issue.get("function_to_update"):
            fn_name = issue["function_to_update"]
            update_function_spec(fn_name, issue["new_spec"])
            print(f"🛠️ 自修复：更新函数 `{fn_name}()` 实现规范")
        
        # 更新交付清单（如发现新的检查项）
        if issue.get("new_checklist_item"):
            append_checklist_item(issue["new_checklist_item"])
            print(f"🛠️ 自修复：追加交付检查项「{issue['new_checklist_item']}」")
    
    # 更新 reference 文件
    if issue.get("new_reference_file"):
        save_reference_file(issue["new_reference_file"])
    
    # 写入进化摘要
    update_evolution_summary(issues)

自修复规则（R19-R22）：

第四步：进化日志输出

💡 S13 技能自修复报告：
├─ 🔍 本次共发现 2 个问题
├─ ✅ 已修复：full_cleanup() 实现规范更新（原因：p:style替换不够彻底→改为正则删除完整节点）
├─ ✅ 已修复：追加错误「PPTX文件损坏」到常见错误（原因：空a:ln节点残留）
└─ 📊 累计自修复次数：3 | 累计修复条目：7

S14: 文件交付与微信推送 — 【v6 新增 ⭐】

核心变更：报告生成完成后，根据输出格式交付对应文件，自动推送到微信小程序。

第一步：交付准备

def prepare_delivery(output_path, output_format):
    """准备交付文件"""
    import os
    
    file_size = os.path.getsize(output_path)
    file_name = os.path.basename(output_path)
    ext_map = {"PPT": ".pptx", "DOCX": ".docx", "PDF": ".pdf"}
    
    delivery_info = {
        "file": output_path,
        "name": file_name,
        "format": output_format,
        "size_kb": round(file_size / 1024, 1),
        "pages": TOTAL_PAGES,
        "generated_at": datetime.now().strftime("%Y-%m-%d %H:%M"),
    }
    
    save_delivery_log(delivery_info)
    return delivery_info

第二步：交付执行

使用 deliver_attachments 工具将文件发送到 WorkBuddy 微信小程序：

步骤:
1. 调用 deliver_attachments(file_path) 发送文件
2. 提示用户: "文件已送达！请确保微信WorkBuddy小程序中已开启「产物回传到小程序」开关"
3. 如用户需要自动推送，创建自动化定时任务

交付方式：

第三步：自动化交付（可选）

如果用户希望"生成后自动发微信"，创建自动化任务：

# 自动化配置
schedule: "每次PPT生成后"
动作: 自动执行 deliver_attachments + 发送通知消息
提示: "用户需开启「产物回传到小程序」开关"

交付规则（R23-R25）：

S15: PPT结构脑图生成（PDF） — 【v6.1 新增 ⭐】

核心功能：PPT生成完成后，根据 Slide Config 数据自动生成思维导图 PDF，以可视化的方式展现报告的整体结构。

第一步：提取PPT结构数据

def extract_slide_structure(slide_configs):
    """从Slide Config提取脑图层级"""
    mindmap_data = []
    for cfg in slide_configs:
        stype = cfg.get("type", "content")
        if stype == "section":
            mindmap_data.append({
                "type": "section",
                "title": cfg.get("label", "") + " " + cfg.get("title", ""),
                "pages": []
            })
        elif stype in ("content", "cover", "toc"):
            if mindmap_data:
                mindmap_data[-1]["pages"].append(cfg.get("title", "")[:25])
            else:
                mindmap_data.append({
                    "type": "section",
                    "title": cfg.get("title", "")[:25],
                    "pages": []
                })
        elif stype == "closing":
            mindmap_data.append({
                "type": "section",
                "title": "总结与致谢",
                "pages": []
            })
    return mindmap_data

第二步：生成脑图PDF

使用 reportlab 绘制层级化的脑图树：

├── 🏠 PPT结构大纲
│   ├── 📂 PART 01 精益生产概述
│   │   ├── 📄 精益生产的起源与发展演进
│   │   ├── 📄 核心理念：一个目标两大支柱
│   │   └── 📄 精益屋是TPS经典结构
│   ├── 📂 PART 02 七大浪费
│   │   ├── 📄 TIMWOOD七种浪费总览
│   │   ├── 📄 生产过剩与等待浪费
│   │   └── 📄 加工·库存·动作·不良浪费
│   └── 📂 ...

• 安装依赖：pip install reportlab
• 脚本模板：references/generate_mindmap.py
• 输出扩展名：.pdf
• 默认输出路径：ppt_structure_mindmap.pdf

第三步：脑图交付

脑图 PDF 随主报告一起交付：

def deliver_mindmap(mindmap_path):
    """随主文件一起交付脑图"""
    deliver_attachments(mindmap_path)
    print(f"🧠 脑图已随报告交付: {mindmap_path}")

脑图规则（R30-R31）：

11.1 API依赖安装及离线检查

在执行本技能前，自动检测运行环境和依赖：

# 安装依赖（需网络，仅首次）
pip install python-pptx lxml python-docx reportlab

# 检测离线组件状态
python3 -c "from references.generate_offline_content import ContentGenerator; g=ContentGenerator(); print(g.get_mode_label())"

离线模式检查清单：

• 📦 python-pptx, python-docx, reportlab 已安装（离线环境需提前装好）
• 🧠 Ollama 已安装并运行（可选，仅本地模型模式需要）
• 📋 离线模板库已就绪（随skill自带，免安装）

11.2 自审（AUDIT）— 质量优先，页数不限 | 多格式适配

11.3 交付检查清单（23项）

基础质量（必过项）：

• ✅ 微软雅黑 + 英文Arial（通过 a:ea 节点设置东亚字体）
• ✅ 无 BLOCK_ARC / 无 DIAMOND（仅PPT格式）
• ✅ 使用 mck-ppt-design 布局模式（非自定义图表函数，仅PPT格式）
• ✅ 执行 full_cleanup()（正则完整移除p:style+空ln+themeShadow，仅PPT格式）
• ✅ AUDIT() 通过（PPT：图形密度≥10；DOCX/PDF：完整性校验）
• ✅ 去AI味自检通过（无空洞/浮夸表述）

内容质量：

• ✅ 内容充分展开：每个模块按内容深度自然分页，无因"页数限制"而压缩内容
• ✅ 用户指定页数时：已按比例压缩但保证完整性和连贯性
• ✅ 数据呈现：每个数据点获得充分展示空间，不挤在一页
• ✅ 来源标注完整（三级：用户资料/搜索来源/技能分析）
• ✅ 用户资料内容已扩增（≥1轮搜索补充）

素材与设计（v6新增）：

• ✅ 素材搜集已执行（素材清单 ≥ 3种类型，≥ 5个条目）
• ✅ 模板风格已确认（用户确认结果已记录在案）
• ✅ 素材引用已嵌入生成脚本（图片/图标路径正确）
• ✅ 配色主题应用正确（theme = apply_theme("xxx") 已调用）

自进化闭环：

• ✅ 自进化日志已写入（usage_log / template_stats 已更新）
• ✅ 技能发现扫描已执行（known_skills 已更新）
• ✅ S13 技能自修复已执行（收集问题→分级→写入SKILL.md→更新进化日志）

文件交付（S14新增）：

• ✅ 【v6.1】 输出格式正确（PPT/DOCX/PDF 按用户选择，默认PPT）
• ✅ 【v6.1】 文件扩展名正确（.pptx/.docx/.pdf 对应格式）
• ✅ 【v6.1】 格式完整性校验通过（文件可正常打开）
• ✅ 【v7.0】 如为制造咨询项目，是否已加载S0.5方法论（7部门+诊断框架）
• ✅ 【v7.0】 是否需要调用诊断分析工具（scripts/diagnosis_analyzer.py）
• ✅ 【v7.1】 复杂度分级是否正确（L1简单/L2标准/L3多框架组合）
• ✅ 【v7.1】 L3问题是否使用了框架组合策略并执行交叉验证
• ✅ 【v7.1】 每个改善提案是否包含ROI经济分析（投资vs节约vs回收期）
• ✅ 【v7.1】 使用的方法是否执行了"常见误用"检查
• ✅ 交付 .pptx 文件（可正常打开，无 Mac 兼容问题）
• ✅ 文件已推送到微信小程序（deliver_attachments 调用成功）
• ✅ 用户已收到交付提示（含微信小程序开关引导）

十一、质量门禁

11.1 API依赖安装及离线检查

在执行本技能前，自动检测运行环境和依赖：

# 安装依赖（需网络，仅首次）
pip install python-pptx lxml python-docx reportlab

# 检测离线组件状态
python3 -c "from references.generate_offline_content import ContentGenerator; g=ContentGenerator(); print(g.get_mode_label())"

11.2 自审（AUDIT）

11.3 交付检查清单（30项）

基础质量（必过项）：

• ✅ 微软雅黑 + 英文Arial
• ✅ 无 BLOCK_ARC / 无 DIAMOND（仅PPT格式）
• ✅ 使用 mck-ppt-design 布局模式（仅PPT格式）
• ✅ 执行 full_cleanup()（仅PPT格式）
• ✅ AUDIT() 通过（PPT：图形密度≥10；DOCX/PDF：完整性校验）
• ✅ 去AI味自检通过（无空洞/浮夸表述）

内容质量：

• ✅ 内容充分展开：每个模块按内容深度自然分页
• ✅ 数据呈现：每个数据点获得充分展示空间
• ✅ 来源标注完整（三级：用户资料/搜索来源/技能分析）
• ✅ 用户资料内容已扩增（≥1轮搜索补充）

方法论（v7.1新增）：

• ✅ 【v7.1】 复杂度分级是否正确（L1简单/L2标准/L3多框架组合）
• ✅ 【v7.1】 L3问题是否使用了框架组合策略并执行交叉验证
• ✅ 【v7.1】 每个改善提案是否包含ROI经济分析
• ✅ 【v7.1】 使用的方法是否执行了"常见误用"检查

自进化闭环：

• ✅ 自进化日志已写入
• ✅ 技能发现扫描已执行
• ✅ S13 技能自修复已执行

文件交付：

• ✅ 输出格式正确（PPT/DOCX/PDF 按用户选择）
• ✅ 文件完整性校验通过
• ✅ 文件已交付

十二、常见错误与修复

错误1：文件损坏打不开（Mac/Win提示"需要修复"）

原因：p:style 调用主题阴影引用 + 空 a:ln 节点 + typeface 属性缺失 → XML结构不完整导致PowerPoint修复提示 修复：

• full_cleanup() 必须使用 正则表达式彻底移除（而非字符串替换），删除所有 <p:style>...</p:style> 完整节点
• 清理空 <a:ln/> 节点（没有子元素的线条定义）
• 移除 <a:themeShadow> 主题阴影引用
• 确保每个 <a:latin> 有 typeface="Arial"，每个 <a:ea> 有 typeface="Microsoft YaHei"
• 每个 shape 调用 cs(s) 清理残留 XML

错误2：中文显示方块

原因：未设置东亚字体 修复：

def sf(run, is_en=False):
    rPr = run._r.get_or_add_rPr()
    latin = rPr.find(qn('a:latin'))
    if latin is None:
        latin = rPr.makeelement(qn('a:latin'), {})
        rPr.append(latin)
    latin.set('typeface', EN if is_en else FN)
    ea = rPr.find(qn('a:ea'))
    if ea is None:
        ea = rPr.makeelement(qn('a:ea'), {})
        rPr.append(ea)
    ea.set('typeface', FN)

错误3：Mac上图形显示异常

原因：BLOCK_ARC 或复杂形状不被Mac PowerPoint支持 修复：确保没有使用 MSO_SHAPE.BLOCK_ARC，所有圆环/饼图改用表格或柱状图替代。

错误4：文字重叠

原因：行间距未设置或使用固定Y坐标 修复：

• 设置 p.line_spacing = Pt(font_size * 1.35) 防止中文重叠
• 多行文本动态计算高度
• 验证每个文本块的 top + height 不超出下一块的 top

错误5：connector 导致崩溃

原因：add_connector() 生成的 connector 在 Mac 上可能异常 修复：用 add_hline()（薄矩形）替代所有 connector 和连线

错误6：markitdown 未安装导致资料提取失败

原因：环境未安装 markitdown 修复：

• 方法A：尝试 pip install 'markitdown[all]'
• 方法B：使用 Read 工具直接读取（PDF/图片/文本）
• 方法C：使用 WebFetch 读取网页内容
• 方法D：使用 python-pptx 读取 PPTX 文字

错误7：OCR识别结果不准确

原因：图片质量差或文字不清晰 修复：

• 手动校对关键数据点
• 有疑问的数据标注"待确认"
• 建议用户提供清晰版本或核对

错误8：素材搜集无有效结果 【v6 新增】

原因：搜索关键词过于宽泛或行业特殊 修复：

• 方法A：缩小搜索范围，添加限定词（"报告"、"案例"、"最佳实践"）
• 方法B：使用中英双语各搜一次，互补结果
• 方法C：降级使用内置占位图标（ICON函数生成），跳过搜集
• 方法D：告知用户未找到高质量素材，建议提供参考

错误9：模板风格用户不满意 【v6 新增】

原因：自动推荐风格与用户预期不符 修复：

• 提供4种风格预览描述，让用户重新选择
• 记录用户选择到 usage_log 改善下次推荐
• 如果用户反复调整，最终保存用户手动选定的风格

十三、技能自进化系统

13.1 系统定位

这是技能持续进步的核心引擎。每次使用本技能时，自进化系统自动运行，实现三个目标：

1. 发现新能力 — 扫描系统中有无新增的相关技能，自动集成
2. 学习与改进 — 记录每次执行的结果、错误和改进建议
3. 持续优化 — 根据使用频率自动优化模板选择和布局推荐

13.2 技能发现引擎

每次技能被调用时，自动执行技能发现扫描：

# 技能发现流程
def scan_new_skills():
    """扫描 ~/.workbuddy/skills/ 发现新技能"""
    known = load_known_skills()      # 加载已知技能列表
    all_skills = listdir_skills()     # 扫描当前所有技能

    new_skills = []
    for skill in all_skills:
        if skill not in known:
            relevance = assess_relevance(skill)  # 评估相关性
            if relevance >= threshold:
                new_skills.append(skill)
                auto_integrate(skill)   # 自动集成
    
    if new_skills:
        notify_user(new_skills)        # 通知用户
        update_known_skills(new_skills) # 更新已知列表

技能发现规则：

已发现的技能生态（当前 25 个已集成 / 其中3个v7.0已内置）：

13.3 进化数据存储

系统在 self_evolution/ 目录中维护以下文件：

self_evolution/
├── known_skills.json       # 已知技能列表（含版本、发现日期）
├── usage_log.json          # 使用记录（模式频率、执行结果）
├── error_log.json          # 错误日志（错误类型、修复方案）
├── improvements.json       # 改进建议（用户反馈、自动发现）
├── template_stats.json     # 模板使用统计（频率、评分）
└── evolution_summary.md    # 进化摘要（供每次加载时参考）

13.4 自进化执行流程

每次技能被调用时，自进化系统按以下流程执行：

技能被调用
     │
     ▼
┌── S0: 自进化检查（与内容分析同时执行）
│     1. 加载进化数据（known_skills, usage_log）
│     2. 扫描新技能（scan_new_skills）
│     3. 检查上次错误是否已修复
│     4. 加载高频使用的布局模式偏好
│
     ▼
┌── S1-S12: 正常报告生成流程
│     （期间自动记录使用情况）
│
     ▼
┌── 执行后：写入进化日志
     │
     ├── 记录本次使用的内容类型和模板
     ├── 记录使用的布局模式及其频率
     ├── 如有错误 → 写入 error_log（含修复方案）
     ├── 更新 template_stats（优化下次推荐）
     └── 更新 evolution_summary.md

13.5 自我提升机制

# 每次执行后的自我评估
def self_improve(execution_result):
    """根据执行结果进行自我改进"""
    improvements = []
    
    # 1. 布局模式使用分析
    mode_usage = analyze_mode_usage(execution_result)
    for mode, count in mode_usage.items():
        if count > 5:  # 高频使用的模式
            improvements.append(f"优化模式 {mode} 的默认参数")
    
    # 2. 错误模式分析
    errors = execution_result.get('errors', [])
    for err in errors:
        if err['type'] == 'font':
            improvements.append("字体配置需要优化")
        elif err['type'] == 'shape':
            improvements.append(f"形状 {err.get('shape')} 需要加清理守卫")
    
    # 3. 用户反馈分析
    if execution_result.get('user_satisfied') == False:
        improvements.append("用户不满意，需审查输出质量")
    
    # 4. 技能生态更新建议
    if execution_result.get('new_skills_found'):
        improvements.append("发现新技能，建议集成")
    
    return improvements

13.6 每日技能巡检自动化

配合 WorkBuddy 的自动化功能，可设置每日技能巡检：

# 自动化配置建议
schedule: 每天 09:00
动作: 执行技能发现扫描
输出: 报告新发现的技能及集成建议

执行方式：

• 在 WorkBuddy 中创建自动化任务，定期运行巡检
• 或每次使用本技能时自动附带检查
• 发现新技能时，在报告中输出「💡 提示：发现新技能 XXX，可集成使用」

13.7 进化数据分析示例

13.8 与自进化系统对接

本技能与以下自进化框架技能协同工作：

13.9 技能自修复机制（S13）— 【v6 新增 ⭐】

机制定位

S13 是最新的一层闭环：每次执行 PPT 生成时，如果遇到问题并找到了修复方案，该方案会被自动"写回"到 SKILL.md 中。这意味着下一次生成时，技能已经升级了——不再是"记住上次错了"，而是"技能文件本身就更新了"。

闭环架构

生成 → 发现问题 → 分析根因 → 修复 → 写入SKILL.md → 下次直接受益
 ↑                                                            │
 └────────────────── 每次执行都在这个循环中升级 ────────────────┘

与传统的「错误日志」不同，S13 的修复是持久化到技能文件本身的：

触发时机

S13 在以下场景自动触发：

1. S11 质量审查未通过 — AUDIT() 发现图形密度不足/存在 BLOCK_ARC
2. 用户报告文件错误 — 如"打不开"、"需要修复"、"字体显示异常"
3. 用户反馈内容问题 — 如"数据不对"、"排版混乱"、"来源不清晰"
4. 生成脚本执行异常 — python-pptx 报错、脚本运行中断
5. 素材搜集失败 — 联网搜索无结果或结果质量差

修复类型与对应操作

配套参考文件

自修复示例：以本次 full_cleanup() 修复为证

本次执行中，用户反馈 PPTX 在 PowerPoint 中提示"需要修复"：

1. 问题收集：用户反馈「文件打不开」
2. 根因分析：full_cleanup() 使用 replace('<p:style', '<!-- ... -->') 字符串替换，未完整移除 XML 节点，导致 PowerPoint 解析异常
3. 修复方案：改为 re.sub(r'<p:style[^>]*>.*?</p:style>', '', content, flags=re.DOTALL) 正则彻底删除 + 清理空 <a:ln/> + 移除 a:themeShadow
4. 自修复写入：
   • ✅ 更新「常见错误1：文件损坏打不开」的修复方案
   • ✅ 更新「助手函数：full_cleanup()」的实现描述
   • ✅ 新增 references/repair_pptx.py 独立修复脚本作为参考
5. 效果确认：重新生成的文件PowerPoint可正常打开

这就是 S13 的实际运作——一次"边用边修，修完即升级"的闭环修复。

十四、参考文件

资产文件（v7.0新增）

脚本工具（v7.0新增）

十五、深度研究引擎（v5.1 新增）

15.1 功能定位

在内容扩增子系统基础上，增加深度研究能力。当用户材料中的关键数据点需要行业佐证、或者报告需要更深层次的市场分析时，启用本引擎进行多源交叉验证研究。

15.2 研究框架（三阶段）

┌─ 第一阶段：需求澄清 ─────────────────────────────────┐
│  识别材料中的关键数据点 → 需要佐证的断言 → 行业空白   │
│  输出：研究需求清单（3-5个研究主题）                   │
└─────────────────────────────────────────────────────────┘
     │ 用户确认
     ▼
┌─ 第二阶段：多源调研 ─────────────────────────────────┐
│  每个主题执行：                                        │
│  ├─ 第1轮：广度搜索（5-10个来源）                     │
│  ├─ 第2轮：深度提取（关键来源详细分析）               │
│  └─ 第3轮：交叉验证（不同来源对比验证）               │
└─────────────────────────────────────────────────────────┘
     │ 自动执行
     ▼
┌─ 第三阶段：数据融合 ─────────────────────────────────┐
│  将研究结果与用户原始材料融合                         │
│  ├─ 用户数据 ✓                                        │
│  ├─ 搜索佐证 ✓                                        │
│  └─ 综合分析 ✓                                        │
└─────────────────────────────────────────────────────────┘

15.3 三级证据体系

15.4 研究触发条件

15.5 与现有工作流的集成

深度研究引擎嵌入 S3（内容扩增）阶段，在关键数据点识别后自动判断是否需要执行研究。

15.6 研究执行规范

第1轮 - 广度搜索: web_search(query, count=10) → 初始发现摘要
第2轮 - 深度提取: web_fetch(top_3_results) → 详细内容+关键数据
第3轮 - 交叉验证: web_search(alternative_terms) + web_fetch → 多源对比

15.7 研究技能生态对接

十六、本地与离线模式（v6.1 新增 ⭐）

本技能可自动适配三种运行环境：在线模式（标准）、本地模型模式（Ollama）、完全离线模式（无网络+无模型）。 无需用户手动配置，自动检测并切换。

16.1 三种运行模式

16.2 自动检测逻辑

def detect_mode():
    """自动检测并切换运行模式"""
    if check_network():
        return "online"        # 有网络 → 标准在线模式
    if check_ollama():
        return "local_model"   # 无网络但有Ollama → 本地模型
    return "offline"           # 完全离线 → 使用内置模板

16.3 离线内容模板库

内置 10个行业标准章节模板 + 3个离线案例库，确保完全离线时也能生成专业内容：

16.4 Ollama 本地模型配置

如需使用本地模型模式，确保：

# 1. 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 2. 下载模型（需要一次联网）
ollama pull gemma4:e2b-it-q4_K_M

# 3. 启动服务
ollama serve

技能自动通过 http://localhost:11434 调用 Ollama API。

16.5 离线模式工作流变更

在离线模式下，以下步骤自动降级：

核心保障：PPT/DOCX/PDF/Mindmap 的生成和格式输出完全不依赖网络，离线不影响。 离线仅影响内容扩增和素材搜集——降级使用内置模板和ICON占位符。

16.6 离线模式标记

生成的PPT在离线模式下，页面底部来源标注自动切换：

# 在线模式
SR(s, "来源：Evocon全球OEE基准报告·2024")

# 离线模式
SR(s, "来源：离线内容模板库（consulting-report-generator v6.1）")

16.7 参考脚本

十七、IE经济分析与ROI计算模板（v7.1 新增）

每个改善提案应包含可量化的经济分析，使建议从"经验型"升级为"可计算型"。

ROI计算模板

def calculate_roi(investment, annual_savings, years=3):
    """投资回报分析（简化版）"""
    payback_period = investment / annual_savings  # 回收期（年）
    total_return = annual_savings * years
    roi = (total_return - investment) / investment * 100
    npv = sum([annual_savings / (1 + 0.08)**(y+1) for y in range(years)]) - investment
    
    return {
        "payback_years": round(payback_period, 1),
        "payback_months": round(payback_period * 12, 0),
        "roi_pct": round(roi, 0),
        "npv": round(npv, 0),
        "verdict": "建议投资" if payback_period < 2 else "审慎评估"
    }

常见误用与纠偏（管理咨询方法工具箱 v7.1）