Paper2Any：开源科研创作助手，一键实现论文转绘图、PPT与智能美化

一、Paper2Any是什么？

Paper2Any是OpenDCAI团队推出的一款开源多模态科研创作辅助工具，支持从论文PDF、截图、文本等多种输入形式，一键生成可编辑的模型架构图、技术路线图、实验数据图等科研绘图，以及结构化演示文稿（PPT），同时提供PDF转PPT版式保留转换、PPT智能美化等核心功能，旨在简化科研可视化流程、降低学术演示创作成本，为科研人员、学生、学术工作者提供高效、便捷的知识转化解决方案。

作为开源项目，Paper2Any采用Apache-2.0许可证，代码完全公开，支持用户自由使用、二次开发与贡献代码。项目当前正进行架构拆分，原仓库（Paper2Any）聚焦论文多模态核心工作流（绘图生成、PPT转换与美化等），新拆分的DataFlow-Agent仓库则专注于数据流算子编排与编写，提供通用多智能体数据流处理框架，进一步提升工具的扩展性与灵活性。

无论是初入科研领域的学生，还是需要频繁准备学术汇报的研究人员，都能通过Paper2Any快速将复杂的论文内容转化为结构清晰、可编辑的可视化成果，无需掌握专业的绘图软件（如Visio、Origin）或PPT设计技巧，大幅节省科研辅助工作时间。

二、功能特色

Paper2Any的核心优势在于“多模态输入、AI智能生成、可编辑输出、高效便捷”，其功能模块覆盖科研可视化与演示文稿制作的全流程，具体特色如下：

（一）核心功能模块：覆盖科研创作全需求

Paper2Any围绕“论文→可视化成果”的核心场景，提供四大核心功能模块，每个模块均具备明确的应用定位与特色优势：

（二）通用特色：跨场景适配与高效体验

1. 多输入源兼容：全面支持PDF、图片（截图）、纯文本三种输入形式，无论是完整的论文PDF、关键图表截图，还是手动整理的论文核心观点文本，都能作为输入素材，满足不同用户的使用场景（如快速提取单张图表、完整论文转化）。

2. 可编辑输出：所有生成的绘图、PPT均为可编辑格式（PPTX），用户可基于生成结果进行二次修改（如调整图表参数、修改PPT文字、替换图片），避免“生成即定稿”的局限性，适配科研工作的迭代需求。

3. 轻量化与高效性：支持批量处理与并行计算（如PDF2PPT并行转换），生成速度快；在线体验无需安装，本地部署步骤简洁，且支持GPU加速（MinerU任务GPU资源池配置），大幅提升处理效率。

4. 跨平台支持：兼容Linux（推荐）、Windows系统，支持在线网页端、本地部署（Web前端+后端）、本地脚本三种使用方式，适配不同用户的设备与使用习惯（如无服务器环境可使用在线版，有开发需求可本地部署）。

5. 开源可扩展：代码完全开源，支持二次开发与功能扩展；项目结构清晰，提供详细的开发文档与配置指南，开发者可基于现有框架新增图表类型、优化生成算法或集成新的AI模型。

（三）功能展示：直观呈现核心效果

1. 科研绘图生成（Paper2Figure）：输入论文PDF后，可自动识别核心模型结构、技术流程或实验数据，生成结构化的可视化图表。例如，针对AI框架类论文，能精准还原模型的层级结构、模块交互关系；针对实验类论文，可将表格数据转化为折线图、柱状图等直观图表，支持多种风格自定义（如写实、简约）。

2. 论文转PPT（Paper2PPT）：自动提取论文的标题、摘要、研究背景、实验方法、结果分析等核心章节，结构化生成PPT大纲与内容，支持超长文档（如百页论文）转化为40+页的逻辑连贯演示文稿，内置表格提取功能可直接将论文中的数据表格转化为PPT可编辑表格，无需手动录入。

3. PDF转PPT（PDF2PPT）：针对已有的PDF版PPT或学术报告，能精准保留原始版式布局（如文字位置、图片排版、页面分区），同时将不可编辑的PDF元素转化为可编辑的PPT组件（文字可修改、图片可替换），解决“PDF无法编辑”的痛点。

4. PPT智能美化：针对排版混乱、风格单一的原始PPT，AI可自动优化字体搭配、配色方案、页面布局（如调整文字间距、对齐方式、图表大小），支持风格迁移（如将简约版PPT转化为学术汇报风格、商务演示风格），并提供左右分屏对比功能，实时查看美化效果，不满意可重新生成。

三、技术细节

Paper2Any的核心技术围绕“多模态理解、AI生成、格式转换”三大方向构建，依托成熟的AI模型与工具链，确保功能的稳定性与效果的精准性，具体技术细节如下：

（一）核心技术架构

项目采用“前端交互+后端服务+AI模型驱动”的三层架构，整体结构清晰，模块间解耦性强，便于维护与扩展：

1. 前端层（frontend-workflow）：基于React框架开发，提供直观的Web交互界面，支持文件上传（拖拽/点击选择）、参数配置（如绘图风格、PPT风格）、结果预览与下载，同时实现与后端的接口通信、用户登录与权限管理（基于Supabase）。

2. 后端层（fastapi_app）：采用FastAPI构建后端API服务，负责处理前端请求、任务调度、数据存储与格式转换，核心功能包括：

• 输入素材解析（PDF解析、图片OCR、文本提取）；

• 任务分发与并行处理（如PDF2PPT并行转换）；

• 与AI模型的交互（调用生成模型、美化模型）；

• 输出文件生成与下载服务。

3. 核心算法层（dataflow_agent）：项目的核心代码库，包含Agent定义、工作流逻辑、Prompt模板与工具集，是实现多模态转换的核心：

• Agent角色定义（paper2any_agents）：负责理解用户需求、拆分任务（如“论文转绘图”拆分为“内容提取→图表类型识别→生成参数配置→结果优化”）；

• Workflow设计：定义多模态转换的流程逻辑，确保每个步骤的衔接与数据传递；

• Prompt模板库：针对不同功能模块（如绘图、PPT生成）设计专用Prompt，引导AI模型生成符合需求的结果；

• 工具集（toolkits）：集成绘图工具、PPT生成工具、格式转换工具，实现从内容到输出的落地。

（二）关键技术与依赖

1. AI生成模型：

• 绘图生成：采用gemini-3-pro-image-preview等模型，支持多类型科研图表的精准生成，同时集成SAM（Segment Anything Model）用于图片分割与抠图；

• PPT生成与美化：基于大语言模型（LLM）实现内容结构化与排版优化，支持风格迁移算法；

• PDF解析：采用MinerU模型（版本2.5-2509-1.2B），负责PDF内容提取、版式分析，支持长文档处理，可配置GPU资源池提升解析速度。

2. 格式转换与处理工具：

• LaTeX渲染：使用tectonic引擎，支持科研图表中的公式渲染与复杂排版；

• 矢量图处理：依赖Inkscape，实现SVG与PPTX格式的转换，确保图表的可编辑性；

• PDF/PPT处理：集成poppler-utils（PDF解析）、LibreOffice（格式转换）、wkhtmltopdf（HTML转PDF）等工具，确保格式转换的兼容性与精准性；

• OCR识别：集成PaddleOCR，实现图片中文字的提取，支持多语言识别，确保图片输入素材的内容可被AI理解。

3. 开发与部署依赖：

• 编程语言：Python 3.11+（推荐3.11版本，确保兼容性）；

• 依赖管理：pip（最新版），核心依赖文件包括requirements-base.txt（基础依赖）、requirements-paper.txt（论文相关依赖）、requirements-win-base.txt（Windows系统专用依赖）；

• 部署工具：Docker（提供dockerfile与docker-compose.yml，支持容器化部署）、Conda（用于创建隔离的Python环境，避免依赖冲突）；

• 本地推理加速（可选）：支持vLLM（Windows编译版0.11.0+），提升本地部署时的AI生成速度，需适配CUDA版本（如cu124）。

（三）技术优化亮点

1. 多模型协同：整合文本理解模型、图像生成模型、格式转换工具，实现“输入解析→内容理解→AI生成→格式优化”的全流程自动化，例如：PDF输入后，先通过MinerU解析内容与版式，再由LLM提取核心信息，最后由绘图模型生成图表并转化为PPTX格式。

2. 并行处理：支持PDF2PPT并行转换，通过多进程/多线程提升长文档、批量任务的处理速度，适配科研人员处理多篇论文的场景。

3. 兼容性优化：针对Windows系统优化模型下载路径，解决依赖冲突（如doclayout_yolo依赖单独安装且不依赖其他包），确保不同系统下的部署与使用稳定性。

4. 负载均衡（高级配置）：本地部署高并发环境时，可通过script/start_model_servers.sh启动本地模型服务集群（MinerU/SAM/OCR），实现请求自动分发，提升系统吞吐量。

四、应用场景

Paper2Any的功能设计完全围绕科研与学术场景，适配不同用户群体的核心需求，具体应用场景如下：

（一）科研人员：学术研究与成果展示

1. 论文可视化辅助：撰写论文时，快速将模型结构、技术流程转化为规范的模型架构图、技术路线图，无需手动使用Visio、DrawIO等工具绘图，提升论文图表的专业性与一致性；

2. 实验结果可视化：将实验数据（表格、日志）转化为直观的实验数据图（折线图、柱状图、热力图等），支持多种风格，适配论文投稿、成果汇报的不同要求；

3. 学术汇报PPT制作：参加学术会议、项目评审时，将论文快速转化为结构化PPT，自动提取核心内容，无需手动整理大纲与排版，节省汇报准备时间；

4. PDF报告二次编辑：收到他人分享的PDF版学术报告、会议PPT时，通过PDF2PPT功能转化为可编辑PPT，便于修改内容、补充注释或适配自己的汇报风格。

（二）高校学生：课程学习与作业完成

1. 课程论文辅助：完成课程论文时，生成规范的科研图表，提升论文质量；将论文转化为PPT，用于课堂展示、课程汇报；

2. 复习笔记可视化：将教材、课件的核心内容（文本、截图）转化为技术路线图、总结性PPT，便于梳理知识框架、强化记忆；

3. 毕业设计/开题报告：制作毕业设计PPT、开题报告时，利用PPT智能美化功能优化排版，提升文档的专业性；通过Paper2Figure生成设计方案的模型架构图、技术路线图，清晰呈现研究思路。

（三）学术工作者：教学与成果推广

1. 教学课件制作：将学术论文、研究成果转化为教学PPT，通过智能美化功能优化排版，适配课堂教学场景；提取论文中的实验数据图，用于课堂案例讲解；

2. 成果推广材料：为科研成果制作推广PPT、学术海报素材（通过绘图生成功能），清晰呈现成果的核心价值与技术亮点；

3. 学生指导辅助：指导学生撰写论文、准备汇报时，推荐学生使用工具快速生成图表与PPT，聚焦核心研究内容，减少格式排版的时间成本。

（四）企业研发人员：技术文档与内部汇报

1. 技术文档可视化：将技术方案、研发报告中的核心逻辑转化为技术路线图、架构图，便于团队成员理解与协作；

2. 内部汇报PPT制作：将研发成果、项目进展报告转化为结构化PPT，通过智能美化功能提升汇报材料的专业性，适配企业内部评审、跨部门沟通场景；

3. PDF材料二次利用：将外部技术文档、行业报告（PDF格式）转化为可编辑PPT，便于提取核心信息、整合到内部汇报中。

五、使用方法

Paper2Any提供三种使用方式，满足不同用户的需求（无开发环境可选在线版，有定制需求可选本地部署），具体操作步骤如下：

（一）在线体验（推荐新手使用）

无需安装任何软件，直接通过网页端操作，步骤简洁：

1. 访问在线地址：http://dcai-paper2any.nas.cpolar.cn/ ；

2. 登录方式选择：

• 访客登录：无需注册，直接使用，但有使用次数限制（如剩余4/5次）；

• 免费注册：填写电子邮箱、密码完成注册，注册后使用次数更多；

• 账号登录：已注册用户输入邮箱与密码登录；

3. 选择功能模块：根据需求点击Paper2Figure（绘图生成）、Paper2PPT（论文转PPT）、PDF2PPT（PDF转PPT）、PPT Polish（PPT美化）；

4. 配置参数与上传素材：

• 若选择Paper2Figure：选择图表类型（模型架构图/技术路线图/实验数据图）、模型（如gemini-3-pro-image-preview）、绘图难度、风格，然后拖拽PDF/图片到上传区域，或粘贴文本内容；

• 若选择Paper2PPT：上传论文PDF/粘贴文本，可输入微调Prompt（如“突出实验结果，简化理论部分”）；

• 若选择PDF2PPT：直接上传PDF文件，系统自动处理；

• 若选择PPT Polish：上传需要美化的PPT文件，选择美化风格；

5. 生成与下载：点击“生成可编辑PPTX”“重新生成”等按钮，等待生成完成（提示：若长时间无响应，可能是API服务商不稳定，建议稍后重试或更换模型），生成成功后点击下载链接获取文件（如presentation_1767133419.pptx）；

6. 扩展使用：若使用次数耗尽，可点击“购买API Key”解锁更多次数。

（二）本地部署（Web前端+后端，推荐有开发需求用户）

本地部署可自定义配置、无使用次数限制，支持二次开发，步骤如下：

1. 环境准备

• 系统要求：推荐Linux（Ubuntu优先），Windows系统需额外配置依赖；

• 必备工具：安装Conda（用于创建Python环境）、Git（用于克隆仓库）、Node.js（用于前端启动，npm包管理）；

• Python版本：3.11+（Windows推荐3.12）。

2. Linux系统部署步骤

（1）创建隔离环境与安装基础依赖

# 1. 创建并激活Conda环境（推荐Python 3.11）
conda create -n paper2any python=3.11 -y
conda activate paper2any

# 2. 克隆项目仓库
git clone https://github.com/OpenDCAI/Paper2Any.git
cd Paper2Any

# 3. 安装基础依赖
pip install -r requirements-base.txt

# 4. 开发模式安装（便于修改代码后实时生效）
pip install -e .

（2）安装核心依赖（必需）

Paper2Any依赖LaTeX、矢量图处理等工具，需额外安装：

# 1. 安装论文相关依赖（二选一，优先第一个）
pip install -r requirements-paper.txt || pip install -r requirements-paper-backup.txt

# 2. 安装LaTeX引擎（tectonic，用于公式与复杂排版）
conda install -c conda-forge tectonic -y

# 3. 解决doclayout_yolo依赖冲突（重要）
pip install doclayout_yolo --no-deps

# 4. 安装系统依赖（Ubuntu示例）
sudo apt-get update
sudo apt-get install -y inkscape libreoffice poppler-utils wkhtmltopdf

（3）配置环境变量与Supabase（前后端必需）

# 1. 配置环境变量（API Key、GPU资源等）
export DF_API_KEY=your_api_key_here # 替换为你的API Key
export DF_API_URL=xxx # 可选，第三方API中转站地址
export MINERU_DEVICES="0,1,2,3" # 可选，GPU资源池（多个GPU用逗号分隔）

# 2. 配置Supabase（用户认证、数据存储）
# 进入前端目录，创建.env文件
cd frontend-workflow
touch .env
# 编辑.env文件，填入以下内容（替换为你的Supabase配置）
VITE_SUPABASE_URL=your_supabase_url
VITE_SUPABASE_ANON_KEY=your_supabase_anon_key
SUPABASE_URL=your_supabase_url
SUPABASE_ANON_KEY=your_supabase_anon_key
SUPABASE_SERVICE_ROLE_KEY=your_service_role_key
SUPABASE_JWT_SECRET=your_jwt_secret
DAILY_WORKFLOW_LIMIT=10 # 每日使用次数限制（可自定义）

（注：Supabase配置需在Supabase官网注册项目后获取，用于用户登录、历史文件存储等功能）

（4）启动应用

# 1. 启动后端API服务（新终端，保持激活paper2any环境）
cd Paper2Any/fastapi_app
uvicorn main:app --host 0.0.0.0 --port 8000 # 端口可自定义（如8080）

# 2. 启动前端Web界面（新终端，无需激活Python环境）
cd Paper2Any/frontend-workflow
npm install # 安装前端依赖（首次启动必需）
npm run dev # 启动开发模式前端

（5）访问与使用

启动成功后，浏览器访问http://localhost:3000 ，即可使用与在线版一致的功能，无使用次数限制，支持本地文件处理与自定义配置。

3. Windows系统部署步骤

Windows系统部署流程与Linux类似，但需注意依赖配置差异：

# 1. 创建并激活Conda环境（推荐Python 3.12）
conda create -n paper2any python=3.12 -y
conda activate paper2any

# 2. 克隆仓库并进入目录
git clone https://github.com/OpenDCAI/Paper2Any.git
cd Paper2Any

# 3. 安装Windows基础依赖
pip install -r requirements-win-base.txt

# 4. 安装论文相关依赖
pip install -r requirements-paper.txt

# 5. 安装LaTeX引擎
conda install -c conda-forge tectonic -y

# 6. 安装Inkscape（必需，用于矢量图处理）
# 步骤：下载Windows 64-bit MSI安装包（https://inkscape.org/download/）
# 安装后将Inkscape可执行文件目录加入系统环境变量Path（示例：C:\Program Files\Inkscape\bin\）
# 配置后重启终端，确保inkscape --version可正常执行

# 7. 可选：安装vLLM加速本地推理（需适配CUDA版本）
pip install vllm-0.11.0+cu124-cp312-cp312-win_amd64.whl # 需下载对应版本的.whl文件

# 8. 配置环境变量与Supabase（同Linux步骤）
# 9. 启动后端与前端（同Linux步骤）

（三）本地脚本体验（无需部署前后端，快速测试核心功能）

若仅需测试核心功能，无需启动Web界面，可直接运行项目提供的脚本：

1. 完成“本地部署”的“环境准备”与“基础依赖安装”步骤；

2. 进入项目目录，执行对应脚本：

• 模型架构图生成：python script/run_paper2figure.py

• 实验数据图生成：python script/run_paper2expfigure.py

• 技术路线图生成：python script/run_paper2technical.py

• 论文转PPT：python script/run_paper2ppt.py

• PDF转PPT：python script/run_pdf2ppt_with_paddle_sam_mineru.py

3. 按照脚本提示输入参数（如输入文件路径、图表类型），等待生成完成，结果文件保存在指定目录。

（四）高级配置：本地模型服务负载均衡（高并发场景）

若本地部署后需要处理高并发任务（如多人同时使用、批量处理大量文件），可启动本地模型服务集群，实现负载均衡：

1. 脚本位置：/DataFlow-Agent/script/start_model_servers.sh；

2. 核心配置：

• MinerU（PDF解析）：默认模型路径models/MinerU2.5-2509-1.2B，显存占用比例0.2，默认在GPU 0和4各启动4个实例（端口8011-8018），负载均衡端口8010；

• SAM（图片分割）：默认在GPU 2和3各启动1个实例（端口8021-8022），负载均衡端口8020；

• OCR（文字识别）：运行在CPU上，默认4个worker，端口8003；

3. 使用方法：修改脚本中的gpu_id和实例数量（根据实际GPU数量与显存调整），然后执行脚本启动集群。

六、常见问题解答（FAQ）

1. 在线版使用时提示“使用次数耗尽”，如何解决？

答：有两种解决方案：（1）注册账号后使用，注册用户的默认使用次数更多；（2）点击网页端“购买API Key”，解锁无限制使用权限。

2. 生成过程中长时间无响应或生成失败，怎么办？

答：大概率是API服务商不稳定导致，建议：（1）稍后重试，避开高峰时段；（2）更换模型（如Paper2Figure模块可选择其他生成模型）；（3）检查输入文件大小（单文件建议小于20MB），若文件过大可拆分后上传；（4）本地部署版本可避免API依赖问题，建议有条件的用户选择本地部署。

3. 生成的PPTX文件无法打开或格式错乱，如何处理？

答：可能是以下原因：（1）Office版本过低，建议使用Office 2016及以上版本；（2）生成过程中网络中断，可重新生成；（3）输入文件存在特殊格式（如加密PDF、破损图片），可先验证文件完整性（如打开PDF确认可正常浏览）；（4）Windows系统部署时未配置Inkscape环境变量，需重新配置并重启终端。

4. 本地部署时安装依赖失败（如tectonic安装报错），如何解决？

答：（1）tectonic安装失败：可尝试通过官网下载安装包（https://tectonic-typesetting.github.io/），或更换conda源（如使用清华源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/）；（2）其他依赖失败：优先使用`pip install --upgrade pip`更新pip，然后重新安装依赖；Windows系统需确保已安装Visual C++ Build Tools（用于编译部分依赖）。

5. 生成的科研绘图不符合预期（如模型架构图缺失模块），如何优化？

答：（1）调整输入素材：尽量上传清晰的PDF（避免截图模糊），或手动粘贴核心模块描述文本；（2）优化Prompt：在输入文本时补充细节（如“突出编码器、解码器结构，标注模块间数据流向”）；（3）更换模型：选择更适合的生成模型（如gemini-3-pro-image-preview对复杂架构图支持较好）；（4）降低绘图难度：若选择“复杂”难度生成效果不佳，可尝试“中等”或“简单”难度。

6. Windows系统部署后无法启动前端，提示“npm命令未找到”，怎么办？

答：未安装Node.js或未配置环境变量，解决方案：（1）下载并安装Node.js（https://nodejs.org/，推荐LTS版本）；（2）安装完成后重启终端，确保`node -v和npm -v能正常输出版本号；（3）重新执行npm install和npm run dev`。

7. 本地部署后访问http://localhost:3000 提示“无法连接”，如何排查？

答：（1）检查后端是否启动：确保fastapi_app的uvicorn服务正在运行（终端无报错，显示“Uvicorn running on http://0.0.0.0:8000”）；（2）检查前端代理配置：修改`frontend-workflow/vite.config.ts`中的`server.proxy`，确保`target`指向后端地址（如http://127.0.0.1:8000）；（3）检查端口是否被占用：更换后端端口（如`uvicorn main:app --host 0.0.0.0 --port 8080），并同步修改前端代理的target`端口。

8. 能否二次开发新增功能（如支持生成学术海报）？

答：可以。项目完全开源，支持二次开发：（1）在dataflow_agent/toolkits中新增工具类（如海报生成工具）；（2）在agentroles/paper2any_agents中定义新的Agent角色，负责海报生成任务；（3）在前端frontend-workflow中新增功能入口与交互界面；（4）参考现有模块的Workflow设计，新增海报生成的流程逻辑。开发完成后可提交PR参与项目贡献。

七、相关链接

• 项目GitHub仓库：https://github.com/OpenDCAI/Paper2Any

• 在线体验地址：http://dcai-paper2any.nas.cpolar.cn/

八、总结

Paper2Any作为一款开源多模态科研创作辅助工具，以“简化科研可视化流程、提升知识转化效率”为核心目标，通过AI技术实现了论文素材到科研绘图、演示文稿的一站式转换，涵盖Paper2Figure、Paper2PPT、PDF2PPT、PPT智能美化四大核心功能，支持多输入源、可编辑输出、跨平台使用，适配科研人员、学生、学术工作者等多类用户的核心需求。其技术架构清晰、部署方式灵活（在线体验+本地部署+脚本调用），且完全开源可扩展，既满足了普通用户“快速生成、简单易用”的需求，也为开发者提供了二次开发与功能扩展的空间。尽管部分功能（如PPT美化）仍在迭代优化中，但已能有效解决科研创作中“绘图难、排版久、格式转换繁琐”的痛点，是一款兼具实用性与扩展性的科研辅助工具，值得科研相关群体尝试与使用。