FindMyGrocery：基于LBS的智能杂货购物App实战解析
2026/9/20 4:24:33
简介：这份PPT课件聚焦「人工智能与知识管理」主题，面向管理信息化从业者、高校师生及知识管理方向的研究者，可作为课程讲授、专题汇报与自学梳理的参考材料。课件以第6章「知识管理与知识服务」为主体，涵盖知识管理概述、从70年代认知科学到90年代互联网普及的发展历程，以及IBM、微软与清华同方等企业提供的知识管理方案，并延伸到数据仓库、知识仓库、资料仓库的「三仓库」思路、知识挖掘与智能推荐、知识共享协作与知识产权保护等研究方向。整套资料仅含1个pptx，压缩包约1.12MB，轻量便携。已有134人学习，读者可从中建立知识管理从理论起源到企业落地的整体框架，理解人工智能技术在知识获取、表达、加工与共享中的结合点，适合快速备课或补充案例素材。
1. 从一份叫"人工智能-ArtificialIntelligence.pptx"的课件说起
拿到这个名字的文件，通常只有两种来路：一种是学校或企业内训派下来的活儿，要求你用一份演示文稿把"人工智能"从定义讲到应用；另一种是你自己攒了几十页零散笔记，想收成一份能对外讲、能改、能复用的东西。真正卡住人的从来不是配色和动画，而是内容骨架——人工智能这个概念太宽，从感知机、反向传播一直扯到具身智能和幻觉，没有主线地一页页往下写，前三页就能把听众讲睡。
这份课件要解决的问题很具体：把散落的知识点压成一条有因果关系的叙事，再用可复现的脚本把它生成成 pptx，而不是手工复制粘贴五十遍文本框。它适合三类人：要交付一次人工智能入门或科普分享的讲师、要交人工智能导论大作业或毕业设计答辩的学生、以及想把自己的人工智能学习路线固化成交付物的从业者。
后面按"内容骨架 → 脚本生成 → 图表数据页 → 交付前排错"的顺序往下推，每一段都能直接落到文件里。
2. 人工智能课件的知识骨架：从基础概念到具身智能
一份能撑住提问的课件，页数不是关键，主线才是。听众记不住十个并列的名词，只记得住一条链条。所以我一般把整份材料收敛成四问：它是什么、它怎么学会的、它会错在哪、谁在推动它。所有热搜话题，包括人工智能偏见、训练师职业画像、具身智能这些，都能挂到这四问下面，而不是另开一章。
2.1 一条四问主线，套住所有知识点
第一问"它是什么"，用人工智能定义与理解开场：感知、推理、学习、决策四类能力的集合，配一个历史锚点（比如图灵测试、达特茅斯会议），三到四页收住。这一层最忌讳一上来就讲大模型，听众会把人工智能直接等同于聊天机器人，后面所有原理都白讲。
第二问"它怎么学会的"，用一条闭环：数据 → 特征 → 模型 → 损失函数 → 评估 → 再训练。这条闭环是后面所有技术分支的母板，机器学习、深度学习、生成式人工智能都是这条闭环的不同实现，具身智能则是把闭环的输出从"文本/标签"换成了"动作"。这里务必用一张图强调包含关系，不要并列摆放，否则听众会问出"深度学习和大模型哪个更高级"这种没法一句话答的问题。
第三问"它会错在哪"，直接放人工智能偏见、幻觉、数据隐私三个案例，每个案例拆成"现象—成因—缓解手段"三页。偏见这一段尤其要落到工程环节上，不然容易讲成情绪输出。
第四问"谁在推动它"，讲人工智能训练师的等级体系和职业画像、制造业服务案例里的智能体、以及一条可执行的人工智能学习路线。
| 模块 | 核心知识点 | 听众最容易误解的点 | 建议页数 |
|---|---|---|---|
| 开场 | 人工智能定义与理解、生物智能/人工智能/计算智能的层次关系 | 把人工智能等同于大模型 | 3–4 |
| 原理 | 数据—特征—模型—损失—评估闭环 | 以为模型"理解"了内容 | 8–10 |
| 分支 | 机器学习、深度学习、生成式、具身智能 | 分不清几者的包含关系 | 6–8 |
| 风险 | 人工智能偏见、幻觉、隐私 | 认为偏见是模型自己长出来的 | 4–5 |
| 应用 | 智能体、机器视觉、制造业服务案例 | 把演示 Demo 当生产能力 | 5–6 |
| 职业 | 人工智能训练师五级到一级、职业画像 | 以为就是标注员换个叫法 | 3–4 |
| 路径 | 数学基础、工具链、项目练手 | 一上来就啃论文 | 4–5 |
关于"生物智能、人工智能、计算智能的层次关系"，这套常被引用的三层框架值得单独做一页对比表：生物智能提供原型，关注神经机制与认知；人工智能是用机器模拟人类的认知任务，关注任务完成度；计算智能则以算法和算力为基础，走的是进化计算、群体智能这类不完全依赖人类样本的路径。三者的评价标准不同，混在一页上对比，比单独各讲一页更有信息密度。
提纲建议先用 Markdown 写，一是好改，二是后面能直接喂给脚本。用##表示一页，-表示页内要点，>表示写进演讲者备注的讲稿：
## 什么是人工智能 - 感知、推理、学习、决策四类能力 - 1956 年达特茅斯会议：概念正式提出 - 常见误解：人工智能 ≠ 大模型 > 讲稿：先问听众"手机里的语音助手算不算人工智能"，停顿三秒再给定义。 ## 人工智能是怎么学会的 - 数据 → 特征 → 模型 → 损失 → 评估 - 机器学习的三种范式：监督、无监督、强化 - 深度学习 = 多层神经网络 + 反向传播 > 讲稿：把闭环类比成学生做题、对答案、改错题的过程。2.2 三套受众版本，页数和停留时间完全不同
同一份内容，讲给初中生和企业技术负责人，结构必须换。科普版一共 35 到 40 页，每页停留 40 秒左右，重点在案例和互动；企业内训版可以到 55 到 65 页，重点在技术分支和落地成本；大作业或毕业设计答辩版压在 18 到 22 页，12 到 15 分钟讲完，重点在问题定义、方法、实验结果三块，职业和学习路线整节删掉。
| 版本 | 听众 | 主线侧重 | 总页数 | 单页停留 |
|---|---|---|---|---|
| 科普版 | 零基础学生、跨部门同事 | 是什么 + 能做什么 | 35–40 | 35–45 秒 |
| 内训版 | 技术、产品、管理层 | 原理 + 分支 + 落地成本 | 55–65 | 50–70 秒 |
| 答辩版 | 评审老师 | 问题—方法—实验—结论 | 18–22 | 30–40 秒 |
页数分配的硬约束是单页信息量：正文超过 120 字，听众必然低头读字而不是听你讲。所以答辩版宁可用三页图表，也不要把实验数据塞进一页文字。
2.3 把"人工智能偏见"和"训练师职业画像"做成撑得住提问的页面
人工智能偏见是整份材料里最容易被追问的一页，讲得太虚就会被问倒。稳妥的拆法是按工程环节分四段，每段给一个具体现象和一句结论：数据采集阶段，历史数据本身带有人群分布不均；标注阶段，标注规则模糊导致标注者自由裁量；目标函数阶段，优化目标只写了准确率，没有写公平性约束；评估阶段，测试集与真实场景分布不一致，离线指标好看线上出问题。四段讲完，听众自然明白偏见来自流程，而不是模型自己"长"出来的。
人工智能训练师的职业画像同样是高频提问点。它和纯数据标注的区别在于：标注只对数据负责，训练师要对"数据—规则—模型效果"整条链路负责。按五级到一级的能力梯度，级别越低越偏执行，级别越高越偏规则设计和效果归因。
| 等级 | 典型能力要求 | 对应工作内容 |
|---|---|---|
| 五级 / 四级 | 按规则完成采集与标注，工具操作熟练 | 数据采集、清洗、基础标注 |
| 三级 | 能理解业务指标，发现数据异常 | 标注规则设计、质检、badcase 归集 |
| 二级 / 一级 | 能做效果归因，设计评估方案 | 模型效果评估、人机交互调优、流程优化 |
这一页建议配一张"工时分布"图，用训练师真实的工作时间占比说明重心在数据侧而不是模型侧，比纯文字有说服力。
3. 用 python-pptx 自动生成 ArtificialIntelligence 演示文稿
提纲写完之后，手工排版是最容易出错也最没价值的部分。常见做法是用 python-pptx 把 Markdown 提纲直接映射成幻灯片：标题一个文本框、要点一个文本框、讲稿进备注，版式统一，改一遍提纲整份重生成。
3.1 环境准备与最小可运行脚本
先建独立环境，避免和系统里的其他包打架：
python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install python-pptx pillow下面这段是最小可运行版本，直接生成一份 16:9 的封面页：
from pptx import Presentation from pptx.util import Inches, Pt from pptx.dml.color import RGBColor prs = Presentation() prs.slide_width = Inches(13.333) # 16:9 宽屏，13.333 英寸 ≈ 33.87 cm prs.slide_height = Inches(7.5) slide = prs.slides.add_slide(prs.slide_layouts[0]) # 0 号版式 = 标题幻灯片 slide.shapes.title.text = "人工智能导论" slide.placeholders[1].text = "Artificial Intelligence · 从概念到应用" prs.save("人工智能-ArtificialIntelligence.pptx")逻辑上就三步：先拿默认模板建一个 Presentation，再指定画布尺寸，最后往版式里填占位符。几个参数要留意：slide_width和slide_height必须在加页之前设，否则已有页不会跟着改；slide_layouts[0]是默认模板的标题版式，索引依赖模板，换了公司模板索引会变；placeholders[1]是副标题占位符，不是所有版式都有，取不到会抛 KeyError，稳妥写法是先判断len(slide.placeholders) > 1。
3.2 中文字体、占位符与排版参数
中文字体是这套流程里最大的坑。run.font.name只设置拉丁字形，中文字符走的是东亚字形属性，不单独设置的话，在部分渲染器里会回退成宋体或方框。补一个设置函数：
from pptx.oxml.ns import qn def set_cn_font(run, name="微软雅黑", size=18, bold=False, color=RGBColor(0x1F, 0x2A, 0x37)): run.font.name = name run.font.size = Pt(size) run.font.bold = bold run.font.color.rgb = color rPr = run._r.get_or_add_rPr() # 拿到运行属性的 XML 节点 ea = rPr.makeelement(qn("a:ea"), {"typeface": name}) # a:ea = 东亚字形 rPr.append(ea)常用排版参数集中在这几个，做完一份 60 页的课件基本不用改：
| 参数 | 常用值 | 说明 |
|---|---|---|
| 画布尺寸 | 13.333 × 7.5 英寸 | 16:9，投影和笔记本都合适 |
| 标题字号 | 32–40 pt | 低于 28 pt 后排看不清 |
| 正文字号 | 18–24 pt | 答辩版取 20 pt 以上 |
| 单页正文 | ≤ 120 字 | 超过就该拆页 |
| 行距 | 1.2–1.5 倍 | 中文比英文更吃行距 |
| 页边距 | 左右各 0.8 英寸 | 留给投影裁切的安全区 |
提示：字体名要在演示机上真实存在。Windows 用微软雅黑，macOS 用苹方，Linux 或容器环境用思源黑体、Noto Sans CJK SC。跨平台交付时，正文用通用字体，标题如果一定要特殊字体，就转成图片嵌进去。
3.3 从 Markdown 提纲批量生成幻灯片
解析规则很朴素：##开新页，-加一条要点，>写进演讲者备注。用一个正则循环就能跑通：
import re from pptx import Presentation from pptx.util import Inches, Pt def md_to_pptx(md_path, out_path): prs = Presentation() prs.slide_width, prs.slide_height = Inches(13.333), Inches(7.5) blank = prs.slide_layouts[6] # 6 号 = 空白版式，位置全靠手摆 body = None for line in open(md_path, encoding="utf-8").read().splitlines(): line = line.rstrip() if re.match(r"^##\s+", line): # 二级标题 -> 新建一页 slide = prs.slides.add_slide(blank) tb = slide.shapes.add_textbox(Inches(0.8), Inches(0.6), Inches(11.7), Inches(0.9)) tb.text_frame.text = re.sub(r"^##\s+", "", line) for r in tb.text_frame.paragraphs[0].runs: r.font.size, r.font.bold = Pt(34), True body = slide.shapes.add_textbox(Inches(0.8), Inches(1.9), Inches(11.7), Inches(4.8)).text_frame elif re.match(r"^[-*]\s+", line) and body is not None: p = body.add_paragraph() # 每条要点独占一段 p.text = re.sub(r"^[-*]\s+", "", line) p.font.size = Pt(20) p.space_after = Pt(10) # 段后距，避免挤在一起 elif line.startswith(">") and prs.slides: # 引用块 -> 演讲者备注 notes = prs.slides[-1].notes_slide.notes_text_frame notes.text += line.lstrip("> ").strip() + "\n" prs.save(out_path) md_to_pptx("outline.md", "人工智能-ArtificialIntelligence.pptx")几点说明：slide_layouts[6]是默认模板里的空白版式，标题和正文都用手动文本框，好处是位置完全可控，坏处是不会自动套用母版样式。space_after控制段后距，单位是 Pt，正文用 8 到 12 pt 视觉最舒服。add_paragraph()是追加段落，第一段不用手动创建，python-pptx 会自动带一个空段落，所以不要在循环外预先赋值text，否则前面会多出一行空白。生成完后把 pptx 打开翻一遍，重点看有没有一页要点超过 8 条——超过就该拆。
4. 图表页实战：把训练师画像和专利数据画进幻灯片
一份人工智能课件里真正被反复翻看的，是图表页。文字页听完就忘，两张对比图能撑起整场讨论。图表有两条路线：matplotlib 出图后当图片插进去，或者用 python-pptx 的原生图表对象。两者各有取舍，混用最省事。
4.1 用 matplotlib 出图再嵌入的可靠姿势
中文标签在 matplotlib 里默认是方框，必须在画图之前设字体。同时服务器或无桌面环境要用 Agg 后端，否则会因为没有显示设备报错：
import matplotlib matplotlib.use("Agg") # 无桌面环境必须，避免依赖显示设备 import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "Noto Sans CJK SC"] plt.rcParams["axes.unicode_minus"] = False # 负号不设会显示成方框 labels = ["数据采集", "清洗标注", "规则设计", "效果评估"] share = [38, 27, 20, 15] fig, ax = plt.subplots(figsize=(8, 4.5), dpi=200) bars = ax.barh(labels, share, color="#2F6FEB") ax.bar_label(bars, fmt="%d%%") # 直接在柱子上标数值，省一个图例 ax.set_title("人工智能训练师典型工时分布") fig.tight_layout() # 防止中文标签被裁掉 fig.savefig("trainer.png", dpi=200, facecolor="white")参数上：figsize按幻灯片可用区域给，正文区宽度约 11.7 英寸，图给 8 英寸宽正好留白；dpi=200是投影和 PDF 的安全线，再高文件体积涨得快；facecolor="white"必须显式指定，否则透明背景在深色主题下会变成黑底白字的反色效果。嵌入时只给宽度，高度交给 python-pptx 按比例算，避免图片被拉变形：
slide.shapes.add_picture("trainer.png", Inches(1.0), Inches(2.0), width=Inches(8.5))4.2 原生图表和图片，什么时候用哪个
| 维度 | 原生图表（add_chart） | matplotlib 图片 |
|---|---|---|
| 可编辑性 | 高，双击可改数据 | 无，只能换图 |
| 复杂样式 | 受限于 OOXML 支持的图表类型 | 几乎不受限 |
| 字体一致性 | 跟随 PPT 主题 | 需单独设置，容易不一致 |
| 文件体积 | 小 | 200 dpi 下每张约 150–400 KB |
| 批量生成难度 | 写起来繁琐 | 一个函数循环搞定 |
结论很直接：需要现场改数据、或者要给领导留编辑余地的图，用原生图表；配色复杂、带注释带标注的图，用 matplotlib 出图。一份 60 页的课件里，原生图表控制在 2 到 3 张就够。
4.3 表格页的行高陷阱与排版参数
表格是偏见成因、训练师等级这类对比内容的最佳载体。python-pptx 的表格有个反直觉的地方：add_table传入的height只是初始高度，单元格文字多了行会自动撑高，整张表往下溢出到画布外，所以行数和列宽必须提前算好。
rows, cols = 4, 3 gf = slide.shapes.add_table(rows, cols, Inches(0.8), Inches(1.8), Inches(11.7), Inches(3.2)) table = gf.table for i, w in enumerate([Inches(3.2), Inches(4.6), Inches(3.9)]): table.columns[i].width = w # 列宽逐列设，合计等于表宽 for r in range(rows): table.rows[r].height = Inches(0.6) # 只是最小高度，会被文字撑开 for c, txt in enumerate(["环节", "常见现象", "缓解手段"]): cell = table.cell(0, c) cell.text = txt cell.fill.solid() # 表头填色，实心填充必须先调 solid cell.fill.fore_color.rgb = RGBColor(0x1F, 0x2A, 0x37) for p in cell.text_frame.paragraphs: for r in p.runs: r.font.size, r.font.bold = Pt(18), True r.font.color.rgb = RGBColor(0xFF, 0xFF, 0xFF)注意cell.fill.solid()必须先调用，直接设fore_color.rgb在部分版本上不生效。表格总高度按rows × 0.6估算，超过 4 英寸就该拆成两张表，或者把某一列改成图标加短语。
5. 交付前的人工智能课件检查清单与几个省事技巧
生成完不等于能交。最后这一步花二十分钟，能挡掉演示现场 90% 的尴尬。
5.1 溢出、字体、导出三步验证
第一步查溢出。最省事的办法是导成 PDF 翻一遍，LibreOffice 命令行就够：
soffice --headless --norestore --convert-to pdf \ --outdir ./dist "人工智能-ArtificialIntelligence.pptx"--headless表示无界面运行，--norestore跳过崩溃恢复流程，容器里不加容易卡住。PDF 里凡是文字压到页面边缘、或者表格被切掉半行，都要回到提纲改字数，而不是在 pptx 里手动缩字号。
第二步查字体回退。把你的 pptx 拷到实际演示的那台机器上打开，看标题和表头有没有变成方框或宋体。容器和 Linux 环境缺 Noto Sans CJK SC 是高频事故点，装一次fonts-noto-cjk就能解决。
第三步查页码和备注。演讲者备注是这份材料最容易被忽略的价值：把提纲里的>讲稿按每页 150 字左右写满，等于自带一份逐字稿。用slide.notes_slide.notes_text_frame.text读回来数一遍字数，就能估出总时长——150 字/分钟的语速下，5000 字讲稿约 33 分钟，和 35 页科普版正好对上。
5.2 复用公司模板：版式索引要先打印出来
想把生成结果套进现成的品牌模板，把Presentation()换成带路径的构造即可，母版、配色、页脚全部继承：
from pptx import Presentation prs = Presentation("brand.pptx") # 复用现成模板的母版与主题 for i, layout in enumerate(prs.slide_layouts): print(i, layout.name) # 先打印版式清单，再决定用哪个索引不同模板的版式索引完全不一样，默认模板里 0 是标题、6 是空白，换成品牌模板后可能 6 变成了"章节页"。所以别凭记忆写索引，先把名字打出来，再在代码里按名字取版式：
def pick(prs, keyword): for layout in prs.slide_layouts: if keyword in layout.name: return layout return prs.slide_layouts[6] # 找不到就退回空白版式把md_to_pptx包成带参数的脚本，一条命令就能在科普版、内训版、答辩版之间切换映射规则，提纲改了重跑一次，三十秒出完整份材料，比在 PowerPoint 里拖文本框快得多。
本文还有配套的精品资源，点击获取