这次我们来看一个偏科研向的 AI 工具资源专利全自动撰写 Skill 合集。简单说它不是某一个单独的模型而是一组预先设计好的“专利撰写技能包”把它们配置到大模型对话服务里之后论文摘要、技术交底材料、实验记录甚至一个不太成熟的 idea都能被快速整理成发明专利初稿。近期这类 Skill 合集在科研圈和专利代理助理圈子里讨论度不低核心卖点就一句话把“挖掘技术特征 按专利文件格式写作”这两件最耗时的事情用提示词工程做成可复用工作流。这类合集的实用价值要分开看。首先它不能替代专利代理师也不能保证生成内容就一定满足新颖性、创造性要求。它的价值在于把“从技术方案到申请文件初稿”的格式化和语言组织工作自动化。比如你在论文里有明确的实验数据和技术效果Skill 能按技术领域、背景技术、发明内容、附图说明、具体实施方式的结构去生成说明书初稿再比如你手里有几条一句话 idea它能批量扩展到交底书素材方便技术委员会做筛选。本文会从环境准备、Skill 配置文件、专利撰写流程、效果验证、批量任务和合规边界几个方面展开把整套用法拆开讲清楚。如果你是高校研究生、企业研发人员、刚入行的专利代理助理或者正在团队里搭建“AI 辅助专利挖掘”内部工具这篇文章可以直接收藏。下文所有配置示例都以通用流程为准具体文件路径和接口字段需要按你实际下载的 Skill 包调整。1. 专利 Skill 合集核心能力速览先把这类工具的能力边界和资源要求放在前面方便你快速判断值不值得花时间配置。能力项说明项目类型AI 辅助专利撰写 Skill 合集本质是提示词模板 工作流定义 批量处理脚本主要功能论文转专利初稿、idea 转技术交底书、权利要求书起草、说明书结构化、审查意见答复素材整理运行基础需要接入大模型 APIOpenAI 兼容接口、Anthropic API 等或本地部署的模型推理服务硬件门槛API 模式下普通电脑即可本地模型模式需按模型规模配置 GPU常见 7B 模型约需 8GB 显存启动方式通过模型 API 加载 Skill 配置配合 Python 脚本调用没有独立 WebUI批量任务支持可以按 JSON 任务列表批量处理多个论文或 idea输出到指定目录接口能力Skill 本身没有独立 API依赖底层大模型服务实际使用时通常封装为 Python 函数或 HTTP 服务语言能力面向中文专利撰写场景提示词内置专利术语和格式规则输出格式Markdown 文本可按需导出为 Word 或 PDF适用场景专利交底书初稿、idea 筛选、专利挖掘、技术文档结构化、技术方案对比合规边界只能辅助生成初稿不能替代代理师专业判断不能替代查新检索关于显存占用这里要特别说明如果你走 API 模式本机基本不消耗显存只消耗网络请求和少量 CPU 资源如果你选择本地部署模型显存数字取决于模型大小。7B 量化模型在 8GB 显存级别可以跑但长文本生成速度会明显下降更大参数模型建议直接用 API 或私有化部署方案。实际数字需要以你本机测试为准本文不编造具体帧率或耗时。2. 适用场景与使用边界先说适合谁。高校里最典型的使用方式是在论文投稿前把技术方案整理一份交底书交给学校成果转化中心用 Skill 先做出一版结构化初稿能节省大量排版和语言整理时间。企业研发侧适合把会议纪要、实验报告、竞品拆解材料批量转成交底书素材很多内部创新激励项目需要员工提交 idea 投票一条条写技术方案很费劲Skill 可以把一句话 idea 扩写成完整描述。专利代理助理也能用先搭建说明书框架和权利要求骨架再人工补充必要技术细节。不适合什么场景也要讲清楚。第一不适合让你跳过查新检索。AI 生成的“本发明具有新颖性”这种话只是在陈述格式不是事实判断。第二不适合把未公开的核心技术秘密直接发给第三方模型服务这属于保密管理问题后文会单独展开。第三不适合替代代理师答复审查意见答复过程需要结合审查员引用的对比文件和具体法律理由这不是通用 Skill 能独立完成的工作。第四如果团队没有人工复核机制不建议直接拿生成初稿走内部审批流程。从版权和合规角度使用这类工具时要注意几个边界输入的论文、实验数据、技术文档必须是你有权使用的材料生成内容不能用于伪造实验数据涉及人脸、声音、具体企业未公开技术等敏感信息时先确认授权和保密要求。专利侵权风险也不要忽略即便生成文本没有直接复制现有专利技术方案本身如果落入了已有权利要求保护范围仍然可能构成侵权。AI 写作只能改变表达不能自动规避法律风险。3. 环境准备与前置条件这里给出通用检查清单配置 Skill 合集之前逐项确认。操作系统与运行环境Windows 10/11、Ubuntu 20.04 及以上、macOS 均可。Python 建议 3.9 以上优先使用虚拟环境避免依赖冲突。模型接入方式方式一云端 API。需要 OpenAI 兼容接口地址、API Key、模型名称。当前主流做法是兼容接口 长上下文模型专利撰写一次调用包含模板和输入内容常用 32K 或 64K 上下文窗口。方式二本地推理。可以选 Ollama、vLLM 或 LM Studio 拉起本地模型再把它包装成 OpenAI 兼容接口。优点是数据不出内网适合保密项目。Python 依赖包pip install openai anthropic PyYAML requests pandas磁盘空间API 模式只存脚本和输出文件几 GB 足够。本地模型模式按模型体积预留空间7B 模型量化版需要约 8 到 12GB更大模型需要更多。网络环境API 模式需要连通模型服务地址建议先确认 API 服务所在地区和访问策略。批量任务建议在内网部署避免公网接口暴露。端口占用检查如果后续要把批量任务封装成 HTTP 服务建议提前确认端口是否被占用。Linux/macOS 使用lsof -i:8000Windows 使用netstat -ano | findstr 8000检查。4. 安装部署与 Skill 配置方式Patent Skill 合集通常以文件夹形式分发结构大致如下patent-skill-collection/ ├── skills/ │ ├── patent_draft/ │ │ ├── SKILL.md │ │ ├── skill.yaml │ │ └── prompts/ │ │ ├── 01_input_check.md │ │ ├── 02_feature_extract.md │ │ ├── 03_claims_draft.md │ │ ├── 04_description_generate.md │ │ └── 05_format_validator.md │ ├── idea_expand/ │ │ ├── SKILL.md │ │ └── prompts/ │ └── paper_to_patent/ │ ├── SKILL.md │ └── prompts/ ├── scripts/ │ ├── call_llm.py │ ├── batch_generate.py │ └── config.example.yaml ├── inputs/ └── outputs/实际操作时分三步走。第一步确认 Skill 分发形态。如果下载的是 single-file Skill通常是一个类似patent_draft_skill.md的文件里面有完整的 system prompt 和 Few-shot 示例。如果下载的是目录形态则需要按目录结构放置不要随意移动 prompts 子目录。第二步检查配置文件。找到config.example.yaml复制为config.yaml填入模型服务信息。通用配置格式如下llm: provider: openai_compatible base_url: https://your-api-endpoint.example.com/v1 api_key: your-api-key model: your-model-name temperature: 0.2 max_tokens: 8000 skill: name: patent_draft_skill version: 1.0 prompts_dir: ./skills/patent_draft/prompts output_dir: ./outputs language: zh-CN注意这里base_url、api_key、model是占位符必须替换成你实际使用的模型服务。不要照抄。第三步封装调用脚本。如果你的 Skill 包自带脚本直接按 README 执行如果没有可以按下面示例封装一个最简调用函数from openai import OpenAI client OpenAI( api_keyyour-api-key, base_urlhttps://your-api-endpoint.example.com/v1 ) def call_skill(system_prompt, user_content, modelyour-model-name): response client.chat.completions.create( modelmodel, messages[ {role: system, content: system_prompt}, {role: user, content: user_content} ], temperature0.2, max_tokens8000 ) return response.choices[0].message.content这里特别提醒temperature建议设置较低值。专利撰写属于格式敏感和事实约束较强的任务过高的温度会导致生成内容不稳定出现不必要的措辞变化。0.2 左右是常见起点你可以根据输出质量在 0.1 到 0.4 之间调整。5. 专利撰写完整流程演示配置好 Skill 之后核心流程可以拆成五个阶段。这里用一个“论文转专利”场景做演示输入内容是一个简化后的技术方案描述。输入素材技术领域无人机自动充电 技术方案利用视觉识别无人机停机坪位置自动引导降落后通过触点连接充电。 技术细节 1. 无人机底部安装视觉传感器识别停机坪上的特征标识。 2. 停机坪中心设置锥形充电触点无人机降落后自动对准。 3. 充电过程通过嵌入式控制器监测电压和温度异常时自动断开。 技术效果降低人工干预提高充电安全性适配不同尺寸无人机。阶段一输入检查与信息抽取。这一步由 Skill 的01_input_check.md和02_feature_extract.md完成。核心目的是把输入里的技术特征拆成结构化条目技术领域、背景技术、发明目的、技术方案、技术效果。这一步相当于编写专利交底书的第一步也是后续权利要求书写的基础。阶段二生成权利要求书框架。调用03_claims_draft.md提示词让模型先输出独立权利要求再输出多个从属权利要求。对上面这个输入期望输出类似1. 一种无人机自动充电装置其特征在于包括无人机本体、视觉传感器、特征标识和充电触头 所述视觉传感器安装于无人机底部用于识别停机坪上的特征标识 所述充电触头设置于停机坪中心用于在无人机降落后与无人机底部的充电接口对接。 2. 根据权利要求 1 所述的一种无人机自动充电装置其特征在于所述停机坪中心还设置有锥形导向结构。这一步的关键判断标准是权利要求是否由“前序部分 特征部分”构成从属权利要求是否有明确的引用基础。阶段三生成说明书全文。调用04_description_generate.md以权利要求为蓝图展开说明书。说明书的五个部分——技术领域、背景技术、发明内容、附图说明、具体实施方式——要完整生成。背景技术部分要指出现有方案的不足发明内容部分要对应权利要求逐条描述技术方案和效果。阶段四格式校验。调用05_format_validator.md让模型二次审查生成内容检查三个点权利要求编号是否连续、术语是否统一比如“无人机”没有突然变成“飞行器”、结构是否缺失。这一步能显著提高初稿质量。阶段五人工复核与修订。这一步不能省略。重点核对模型有没有引入输入中不存在的技术细节、有没有漏掉关键参数、语言是否完全符合技术方案真实描述。以下是调用 Skill 的完整 Python 示例system_prompt 你是资深专利撰写助手。请按专利交底书格式整理用户提供的技术方案先输出权利要求书再输出说明书五个部分。 user_content 技术领域无人机自动充电 技术方案利用视觉识别无人机停机坪位置自动引导降落后通过触点连接充电。 技术效果降低人工干预提高充电安全性。 draft call_skill(system_prompt, user_content) print(draft)6. 功能测试与效果验证拿到 Skill 之后建议不要直接跑正式任务先建立一组固定测试样例。这样可以快速定位是配置问题、提示词问题还是模型问题。推荐测试集设计测试编号输入类型示例内容验证重点T1论文摘要一段有明确技术贡献的论文摘要说明书结构完整性、技术特征抽取T2一句话 idea“用 AI 检测电路板焊接缺陷”能否扩展到完整技术方案T3实验数据测试指标表格 文字说明技术效果是否被正确表述T4已有专利线索竞品产品拆解描述输出是否会用“区别于现有技术”的表达执行时建议写一个最小测试脚本把结果输出到不同目录方便横向对比test_cases [ {id: T1, type: paper, content: ...}, {id: T2, type: idea, content: ...}, {id: T3, type: data, content: ...}, {id: T4, type: product, content: ...} ] for case in test_cases: result call_skill(system_prompt, case[content]) with open(foutputs/{case[id]}_result.md, w, encodingutf-8) as f: f.write(result) print(f{case[id]} done)判断标准要落在四个维度结构完整性说明书是否包含技术领域、背景技术、发明内容、附图说明、具体实施方式五个部分。术语一致性全文术语是否统一是否使用“所述”“其特征在于”“至少一个”等专利常用表达。特征可追溯性权利要求里的技术特征能否在具体实施方式中找到对应描述。事实一致性输出内容是否完全基于输入没有编造实验数据和技术指标。常见失败原因的快速定位如果输出缺少权利要求书通常是03_claims_draft.md阶段没有被触发检查 Skill 工作流是否按顺序调用如果输出中出现明显编造的参数比如输入没有“90% 准确率”但输出里写了说明模型在脑补需要向提示词中加入“禁止添加输入中不存在的技术参数和实验数据”的约束。7. 接口 API 与批量任务设计专利 Skill 合集不会自带一个独立的“专利 API”但它依赖的底层模型服务通常都是 API 形态。因此在实际工程里你可以在模型 API 之上再封装一层自己的批量任务接口。这里给出一种基于 JSON 任务列表的批量设计。任务描述格式{ tasks: [ { id: P001, title: 无人机自动充电装置, type: idea, priority: high, content: 利用视觉识别无人机停机坪位置自动引导降落后通过触点连接充电。 }, { id: P002, title: 基于深度学习的电路板焊接缺陷检测方法, type: paper, priority: medium, content: 论文摘要全文或技术要点列表。 } ] }批量调用脚本示例import json import time import logging logging.basicConfig(filenamebatch.log, levellogging.INFO, format%(asctime)s %(message)s, encodingutf-8) def load_tasks(path): with open(path, r, encodingutf-8) as f: return json.load(f)[tasks] def save_result(task_id, content): with open(foutputs/{task_id}_draft.md, w, encodingutf-8) as f: f.write(content) def process_task(task): logging.info(fstart {task[id]}) try: result call_skill(system_prompt, task[content]) save_result(task[id], result) logging.info(fsuccess {task[id]}) except Exception as e: logging.error(ffailed {task[id]} {str(e)}) raise tasks load_tasks(tasks.json) for task in tasks: process_task(task) time.sleep(1)批量任务最容易出问题的三个地方一定要提前想清楚。第一是限流。大多数模型 API 都有每分钟请求数限制批量任务前要确认配额脚本里加time.sleep或使用指数退避重试。第二是断点续跑。如果处理到第 50 个任务时网络中断重新跑全部任务会浪费时间和费用。建议使用checkpoint.md记录已处理任务 ID重跑时跳过已完成任务。第三是结果校验。批量模式最容易在输出格式上翻车建议自动检查输出文件是否包含“权利要求书”和“具体实施方式”两个关键词不满足的重新生成或进入人工队列。8. 资源消耗与性能观察性能取决于你选择 API 模式还是本地模型模式需要分开观察。API 模式关注两个指标token 用量和响应延迟。一篇完整技术交底书初稿输入包含 Skill 提示词和用户素材输出包含权利要求书加说明书五个部分整体可能消耗 6000 到 12000 token 甚至更多具体取决于模型输出长度和你的模板设定。批量处理 100 条 idea 时需要提前根据 token 单价估算成本。记账可以用模型服务后台的用量统计也可以在脚本里记录输入输出字符数做估算。简单字符统计不能精确换算 token但对成本趋势判断是够用的。本地模型模式关注显存、显存占用、生成速度和上下文窗口。7B 模型量化版常见在 8GB 显存设备上运行生成长文本会比较慢13B 到 70B 模型建议准备 24GB 以上显存或使用多卡方案。实际占用需要以nvidia-smi实时观察为准nvidia-smi运行批量任务时建议另开终端周期性观察显存和 GPU 利用率判断是否存在显存不足或显存碎片问题。性能优化建议把 Skill 提示词压缩去掉无关示例保留必要的 Few-shot。长输入先做截断只保留技术领域、技术方案、技术效果三个核心部分。输出max_tokens不要一次性拉到极限分段生成说明书各章节可以避免长文本输出中途中断。本地模型优先使用 vLLM 等框架吞吐量明显优于纯 transformers 脚本。9. 常见问题与排查方法下面是使用专利 Skill 合集过程中比较典型的故障场景和处理建议。问题现象可能原因排查方式解决方案API 返回 401 错误API Key 错误或过期检查环境变量和配置文件重新获取密钥并更新config.yamlAPI 返回 404 错误接口路径或模型名称错误确认base_url是否正确拼接/v1与模型服务提供方核对接口地址和模型名生成内容与输入无关上下文窗口被截断或系统提示词失效检查输入长度和消息顺序精简输入素材拆分长文本分步生成权利要求书缺失工作流跳过 claims_draft 阶段查看脚本日志和 step 顺序按01 → 05顺序强制调用各阶段输出出现编造参数模型幻觉人工复核输出与原始输入差异提示词增加“禁止添加输入中没有的数据”约束批量任务中途失败网络抖动或触发限流查看batch.log中失败任务 ID加入重试机制和断点续跑本地模型显存溢出模型过大或并发数过高nvidia-smi查看显存占用切换量化版降低批大小或改用 API 模式输出内容重复冗长提示词模板引导不足检查 Few-shot 示例长度增加输出长度限制和结构约束代理师反馈格式不合规生成内容不符合目标国专利撰写要求对照最新专利撰写规范人工修订或把规范文档加入 Skill 参考排查时记住一个原则先判断问题出在哪个环节。配置文件 → Skill 提示词 → 模型服务 → 输入素材 → 人工复核按这个顺序定位不要一上来就改提示词。10. 最佳实践与使用建议把这套 Skill 合集真正落地到团队或科研流程里下面的工程化建议值得参考。第一先建立最小可用配置。固定一个模型、一个 Skill 版本、一套输入输出模板。不要频繁切换模型否则很难判断效果差异来自 Skill 还是模型。建议第一次使用时用第 6 节的四组测试样例跑通再进入正式流程。第二目录结构要清晰。建议把输入素材、输出初稿、日志、模型配置分开管理work_dir/ ├── inputs/ # 原始论文摘要、idea 列表、技术文档 ├── outputs/ # 生成结果按日期和任务类型建子目录 ├── logs/ # 批量任务日志 └── config/ # Skill 配置和模型配置第三批量任务必须加日志。不要只用print用logging模块记录任务 ID、开始时间、成功率、失败原因。这样批量处理 200 条 idea 时排查问题才不至于从头跑到尾。第四建立二次校验机制。可以由技术人员先做技术方案符合性检查再由专利管理人员做格式和表达检查。如果团队资源有限至少也要让懂技术的人完整读一遍生成内容再进入下一步。第五重视保密边界。未公开技术方案、核心研发数据、内部实验结果默认按机密信息处理。使用第三方 API 前要确认服务协议中是否包含数据训练条款是否保存你的输入内容。不确定时优先选择本地部署、私有化部署或与数据保密协议完备的服务提供商合作。第六不要绕过人工审核。生成初稿在交付专利代理师或提交技术委员会之前必须有人对技术事实负责。AI 生成的专利文本不能直接作为专利申请文件提交这是合规底线。第七定期维护 Skill 模板。专利撰写规范和审查指南会更新Skill 里的 Few-shot 示例和使用建议也要跟着更新。建议每季度做一次模板回顾把实际使用中效果好的案例补进去效果差的删掉。11. 总结与下一步专利全自动撰写 Skill 合集最值得尝试的点是把“输入技术描述 → 输出专利初稿”的流程从纯手工变成半自动。尤其适合批量处理大量 idea 场景技术负责人可以把精力放在判断“哪些 idea 值得申请”上而不是把时间花在统一格式和写背景技术上。拿到合集之后建议按这个顺序推进第一步跑通一个最小调用脚本确认模型 API 能正常返回结果第二步用一组测试样例验证 Skill 的输出结构重点看权利要求书和说明书五个部分是否完整第三步选一个真实技术方案做端到端测试人工核对技术特征是否被准确表达第四步再扩展到批量任务。最容易踩的坑在批量阶段限流、断点续跑、输出校验这三件事一定要提前设计好。后续可以继续扩展的方向包括把 Skill 接入团队内部知识库用检索增强生成让模型基于历史专利文本生成更贴近本领域习惯的初稿把输出结果接入文档管理系统自动生成交底书编号和版本记录也可以针对不同专利类型分别维护一套专用 Seed 模板比如发明专利、实用新型专利和外观设计专利分开配置。整体来看这套流程能做到“初稿可以自动写、事实必须人工背”按这个边界使用能把科研团队和专利管理团队从大量的格式劳动里解放出来。