企业官网建设流程全解析

1. 为什么我最终把 PPT 生成搬回了自己服务器

如果你经常要出演示文稿，大概率经历过这种循环：把一份内部数据粘进某个在线 AI PPT 工具，生成完发现排版还行，但内容里混进了不该外传的字段，于是又手动删一遍。更麻烦的是，团队里每个人都在用不同账号，模板风格对不齐，导出还要看订阅档位。Presenton 这个项目就是冲着这些痛点来的——它是一个 Apache 2.0 协议的 AI PPT 生成器，同时提供 API 和内置 MCP Server，支持 16+ LLM 提供商，能跑在桌面、Docker 和云端三种形态。

一句话说清楚它是什么：Presenton 是 Gamma、Canva、Beautiful AI 这类 SaaS 演示工具的开源替代品，你可以把它理解成「自己部署的 AI 幻灯片工厂」。它适合三类人——对数据出境敏感的企业内网用户、想用本地 Ollama 跑离线生成的隐私党、以及想把 PPT 生成接进 Agent 工作流的开发者。我实测下来，最舒服的一点是它把「模型选择权」完全交还给你：今天用 OpenAI 出稿，明天切 DeepSeek 压成本，后天用 Ollama 断网跑，配置只改一个环境变量。

但开源项目的老问题它也躲不掉：文档散、环境变量多、Docker 和桌面版行为不一致。这篇不堆功能清单，而是按「从零到跑通一条生成链路」的顺序，把 16+ 提供商的接入差异、ChatGPT 登录的配置要点、MCP Server 在三端部署时的取舍讲透，每一步都给可复制的命令和验证动作。你跟着做完，应该能拿到一份自己环境里生成的 PPTX 文件。

2. 部署前先把 Presenton 的模型接入层理清楚

在动手之前，得先理解 Presenton 的架构分层，否则后面配环境变量会一头雾水。它大致分四层：最上面是交互层（Electron 桌面应用 / Web 界面 / MCP 客户端），中间是生成编排层（负责把 prompt 拆成大纲、逐页内容、配图指令），下面是模型接入层（LLM 提供商 + 图像提供商），最底是存储层（app_data 目录 + Mem0 记忆 + LiteParse 解析）。

模型接入层是配置的核心。Presenton 用一个LLM环境变量决定走哪家提供商，可选值包括openai、deepseek、google、vertex、azure、bedrock、openrouter、fireworks、together、cerebras、anthropic、litellm、lmstudio、ollama、custom、codex。选定之后，再配对应的 API Key 或 Base URL。这里有个容易踩的坑：不同提供商的默认模型名不一样，比如 OpenAI 默认走gpt-4.1，Google 走gemini-2.0-flash，Ollama 走llama3.2:3b。如果你只设了LLM没设模型名，它会用内置默认值，未必是你想要的。

图像提供商是独立的一层，用IMAGE_PROVIDER控制，可选dall-e-3、gemini_flash、pexels、pixabay、comfyui、open_webui、gpt-image-1.5、custom。注意 Pexels 和 Pixabay 是免费图库搜索，不需要生成模型，适合预算敏感的场景；ComfyUI 和 Open WebUI 则是自托管方案，适合已经有本地图像工作流的团队。如果你完全不需要配图，把DISABLE_IMAGE_GENERATION设为true就能跳过整个图像层。

关于 ChatGPT 登录即用这个特性，需要说清楚它的边界：它指的是在官方云端版（presenton.ai）上可以用 ChatGPT 账号登录，省去自己配 API Key 的步骤。但如果你要自托管，仍然需要自己准备模型凭证。所以「ChatGPT 登录」和「自托管」是两条路径，别混在一起理解。自托管场景下，最省事的组合是 Ollama + 本地模型，完全离线；最省心的组合是 OpenAI 或 DeepSeek，出稿质量稳定。

还有一个隐藏能力值得单独提：Mem0 记忆系统。它用 Qdrant + SQLite 做本地存储，能在演示文稿级别记住你的偏好，比如「这个团队喜欢深色主题」「上次用的字体是思源黑体」。默认情况下它用 Ollama 初始化，不需要 OpenAI Key。LiteParse 则负责解析你上传的 PDF/Word 文档，支持 OCR 渲染，可以配 DPI 和工作线程数。这两个组件在 Docker 部署时是默认带的，桌面版则视打包配置而定。

3. 可复制的环境变量与 Docker 配置片段

这一节给的是能直接粘贴运行的配置。先说 Docker 方式，因为它跨平台最稳，也是团队部署的首选。基础启动命令如下：

docker run -it --name presenton -p 5001:80 \ -v "./app_data:/app_data" \ ghcr.io/presenton/presenton:latest

跑起来后访问http://localhost:5001就能看到界面。但这时候还没接模型，生成会失败。下面按提供商给完整配置。

OpenAI 组合，适合追求出稿质量：

docker run -it --name presenton -p 5001:80 \ -e LLM="openai" \ -e OPENAI_API_KEY="sk-你的key" \ -e IMAGE_PROVIDER="dall-e-3" \ -e DALL_E_3_QUALITY="standard" \ -e CAN_CHANGE_KEYS="false" \ -v "./app_data:/app_data" \ ghcr.io/presenton/presenton:latest

Google Gemini 组合，图像走 Gemini Flash，成本比 DALL-E 3 低：

docker run -it --name presenton -p 5001:80 \ -e LLM="google" \ -e GOOGLE_API_KEY="你的key" \ -e IMAGE_PROVIDER="gemini_flash" \ -v "./app_data:/app_data" \ ghcr.io/presenton/presenton:latest

Ollama 本地组合，完全离线，注意host.docker.internal这个地址在 Linux 上需要额外加--add-host=host.docker.internal:host-gateway：

docker run -it --name presenton -p 5001:80 \ -e LLM="ollama" \ -e OLLAMA_URL="http://host.docker.internal:11434" \ -e OLLAMA_MODEL="llama3.2:3b" \ -e DISABLE_IMAGE_GENERATION="true" \ -v "./app_data:/app_data" \ ghcr.io/presenton/presenton:latest

如果你用 DeepSeek 压成本，把LLM换成deepseek，加DEEPSEEK_API_KEY，模型默认deepseek-chat。想禁用思考模式（DeepSeek 部分模型会输出推理过程），设DISABLE_THINKING=true。需要联网搜索补充素材时设WEB_GROUNDING=true，需要扩展推理时设EXTENDED_REASONING=true。

MCP Server 的配置单独说，因为它是接入 Agent 工作流的关键。Presenton 的 MCP 端点在/mcp，需要 Bearer Token 认证。先设管理员账号：

docker run -it --name presenton -p 5001:80 \ -e AUTH_USERNAME="admin" \ -e AUTH_PASSWORD="changeme123" \ -v "./app_data:/app_data" \ ghcr.io/presenton/presenton:latest

然后在 MCP 客户端里配置：

{ "mcpServers": { "presenton": { "url": "http://localhost:5001/mcp", "headers": { "Authorization": "Bearer <access_token>" } } } }

注意这里的三件套必须齐全：Base URL 是http://localhost:5001/mcp，Key 是登录拿到的 Bearer Token，Model ID 则取决于你后端配的 LLM。缺任何一个，MCP 调用都会失败。另外提醒一句，MCP 在 Electron 桌面应用中默认不可用，桌面版禁用了认证，所以想用 MCP 就走 Docker 或云端。

4. 逐项验证：从登录到生成第一份 PPTX

配置写完不代表跑通，得逐项验证。我按依赖顺序列一遍，每步都有预期结果。

第一步，验证服务活着。访问http://localhost:5001，能看到界面说明容器正常。如果打不开，先docker logs presenton看启动日志，常见的是端口占用或卷权限问题。

第二步，验证认证。用 curl 拿 token：

curl -s -X POST http://localhost:5001/api/v1/auth/login \ -H "Content-Type: application/json" \ -d '{"username":"admin","password":"changeme123"}'

预期返回{"access_token": "xxx", "token_type": "bearer"}。如果返回 401，检查AUTH_USERNAME和AUTH_PASSWORD是否和启动时一致。忘了密码可以加-e RESET_AUTH="true"重启容器重置。

第三步，验证 LLM 连通。在界面里输入一个简单 prompt，比如「生成一份关于季度复盘的 5 页演示文稿」。如果卡住或报错，看日志里有没有reading choices之类的字样——这通常意味着模型返回格式不符合预期，多半是模型名配错了，或者提供商不支持当前调用方式。切到 Ollama 时特别容易遇到，因为小模型的输出结构不稳定。

第四步，验证图像层。如果配了dall-e-3，生成时会调用 OpenAI 图像接口。如果只想验证文本链路，先把DISABLE_IMAGE_GENERATION设为true，排除图像干扰。

第五步，验证导出。生成完成后导出 PPTX，用 PowerPoint 或 WPS 打开，确认每页可编辑。Presenton 导出的是完整 PPTX，不是图片拼贴，这点比很多开源方案强。

第六步，验证 MCP。在 MCP 客户端里调用一次生成工具，看是否返回任务 ID 或直接返回结果。如果报local proxy failed，多半是 MCP 客户端到localhost:5001的网络不通，检查容器端口映射和客户端所在网络。

第七步，验证记忆。连续生成两次同主题 PPT，第二次应该能感觉到它记住了上次的偏好。如果没生效，检查app_data目录里有没有 Qdrant 和 SQLite 文件，Mem0 首次运行需要下载 spaCy 模型，网络不通会静默失败。

5. 常见报错排查：401、local proxy failed 与 reading choices

这一节按真实报错来，都是我或身边人踩过的。

401 Unauthorized。出现在 API 调用或 MCP 调用时。原因通常是 Bearer Token 过期或没带。先重新登录拿 token，确认请求头格式是Authorization: Bearer xxx，注意 Bearer 和 token 之间有一个空格。如果用的是 MCP 客户端，检查它是否支持自定义 header，有些客户端把 header 配在env里而不是headers里，会静默丢弃。

local proxy failed。这个报错多见于 MCP 客户端连接 Presenton 时。本质是客户端无法建立到http://localhost:5001/mcp的连接。排查顺序：容器是否在跑（docker ps）、端口是否映射（-p 5001:80）、客户端和容器是否在同一网络命名空间。如果客户端跑在另一个容器里，localhost指向的是客户端自己，得换成宿主 IP 或 Docker 网络别名。

reading choices 相关报错。这是 LLM 返回结构解析失败。常见于三种情况：模型名配错导致调用了不存在的模型；提供商返回了非标准 JSON；小模型输出被截断。解决办法是先换一个稳定的大模型（比如 OpenAI 的 gpt-4.1）验证链路，确认是模型问题还是配置问题。如果是 Ollama 小模型，试着调大num_ctx或换llama3.2:3b以上的模型。

OAuth 相关报错。出现在用 Codex OAuth 或 ChatGPT 登录时。自托管场景下，OAuth 流程需要回调地址可达，如果你在容器里跑又没配对外域名，回调会失败。这种场景建议直接用 API Key 模式，别折腾 OAuth。

导出 PPTX 失败或文件损坏。检查app_data卷是否有写权限，以及磁盘空间。另外 LiteParse 解析大 PDF 时会占内存，如果容器内存限制太低，解析中途被杀，后续生成就会拿到空内容。

图像生成超时。DALL-E 3 的hd质量单张可能超过 30 秒，如果容器或反向代理有超时限制，会中断。把DALL_E_3_QUALITY降到standard，或者换 Pexels/Pixabay 这类图库搜索，速度快很多。

Mem0 初始化失败。首次运行需要下载 spaCy 模型，如果网络受限会失败。可以预先在镜像里打包模型，或者临时把记忆功能关掉，先跑通主链路。

6. 把生成链路接进你的工作流

跑通之后，真正提升效率的是把它接进现有流程。如果你主要用 Claude Code 或类似 Agent 工具做开发，可以把 Presenton 的 MCP Server 挂上去，让 Agent 在需要出汇报材料时直接调用生成。配置时记住三件套：Base URL 填http://localhost:5001/mcp，Key 填登录拿到的 Bearer Token，Model ID 填你后端配的模型标识。这三项在 MCP 客户端的配置里缺一不可。

如果你更习惯用 API 直接调，Presenton 的 REST 接口在/api/v1下，登录、生成、导出都有对应端点。适合把它嵌进 CI 流程，比如每次发版自动生成一份变更说明 PPT。

对于长期做编码和 Agent 开发的场景，可以考虑用 Coding Plan 这类按量方案来管理模型调用成本，把 Presenton 的生成任务和日常编码任务分开计费，账目更清楚。需要看模型实际输出效果时，模型对话页面可以直接对比不同提供商在同一 prompt 下的表现，省得来回改环境变量重启容器。

最后给一个实用技巧：把app_data目录定期备份，里面存着你的模板、记忆和生成历史。换机器时直接挂载这个目录，所有偏好都还在。另外模板用 HTML + Tailwind CSS 写，改起来比 PPT 母版直观得多，设计师也能直接上手。