這次我們來看一個“專利撰寫”方向的 Skill 合集。它的核心賣點很直接把 Claude 這類大模型工具變成專利撰寫助手輸入論文、技術文檔或者一個 idea就能批量產出技術交底書、權利要求書初稿、說明書摘要等專利寫作環節的關鍵文檔。如果你最近在關注 Claude Skills、GPTs 這類“給大模型配置專屬技能”的玩法那這個項目的思路值得參考。先說重點這個項目不是跑本地大模型不需要 GPU不需要部署推理服務它封裝的是“提示詞 結構化流程 模板”的教學型技能包。你只需要有 Claude 賬號或者其他支持自定義 Skill 的對話產品把 Skill 文件放進指定目錄就能讓模型按照專利撰寫的規范輸出內容。對于高校科研人員、企業研發工程師、專利工程師和準備申請軟著/專利的團隊來說這套東西的價值在于把“從 idea 到交底書”這個重復勞動變成半自動流程。按材料看這個“專利 Skill 合集”覆蓋的場景包括論文自動轉專利、idea 快速擴展成技術方案、權利要求書生成、說明書摘要撰寫、審查意見答復素材整理等。本文將帶你完成以下幾件事理解 Skill 合集的項目結構和運行原理、搭建本地 Skills 配置環境、完成 idea 到交底書的生成測試、掌握論文轉專利的操作流程、了解批量處理多個技術方案的腳本化思路以及遇到 Skill 不生效、輸出格式混亂、專利術語不準確等常見問題時的排查方法。1. 核心能力速覽先給一張規格表快速判斷這個合集是否適合你。能力項說明項目類型科研 / 專利撰寫 Skill 集合包核心功能論文轉專利、idea 轉交底書、權利要求書生成、說明書摘要撰寫、審查意見答復素材整理運行環境Claude 等支持自定義 Skill / 提示詞指令的 AI 對話工具硬件門檻無 GPU 需求純云端模型服務啟動方式將 Skill 文件放入指定目錄在對話中引用是否支持 API視使用的模型服務而定可配合官方 API 做批量調用是否支持批量任務支持結合腳本可批量處理多個 idea 或論文主要成本模型訂閱費用或 API Token 費用適合場景科研人員、專利工程師、企業研發、碩博生日常專利寫作從材料可以看出這個項目的定位非常清楚不是幫你寫一篇完整、可直接提交的專利全文而是把專利寫作中那些“重復性強、格式要求高、邏輯鏈條固定”的部分自動化。它的底層邏輯是讓大模型按照專利審查指南的思路去拆解技術方案再按專利文件的格式要求重組輸出。需要注意任何 AI 輔助專利撰寫工具都不能替代專利代理師的專業審核尤其是權利要求書的保護范圍、技術特征的層級關系這些內容最終提交前必須由專業人士把關。這個項目提供的更多是“初稿加速器”而不是“終稿保證書”。2. 適用場景與使用邊界2.1 適合誰用從材料來看這套 Skill 合集主要面向以下人群高校碩博生論文寫完但還沒形成專利思路想快速把創新點轉化為專利交底書。企業研發工程師手頭有技術方案但沒有專利寫作經驗需要先形成一份結構完整的交底書提交給知識產權部門。專利工程師 / 知識產權管理人員每天處理大量交底書可以用這套流程做初篩和初步整理提升處理效率。科研團隊負責人需要把團隊多個技術方向批量整理成專利素材用于項目申報或專利布局。2.2 能解決什么問題創新點提煉從一個模糊 idea 或一段技術描述出發自動拆解技術問題、技術方案、技術效果。格式規范化按照專利交底書、權利要求書、說明書摘要等常見格式輸出。論文轉專利初稿輸入論文摘要、正文關鍵段落生成符合專利語言習慣的初稿。批量處理多個 idea 可以用腳本整理成標準輸入格式逐個生成減少重復工作。2.3 不適合什么場景編造不存在的技術方案如果你只有一個想法卻沒有具體的實現路徑AI 生成的內容不能作為真實專利提交因為專利必須公開充分、能夠實現。替代專業代理師權利要求書的保護范圍布局、權利要求的引用關系、專利審查意見答復需要專業法律判斷AI 生成的初稿只能作為參考素材。涉及技術秘密的高敏感項目不要在公司未授權的情況下把核心技術細節輸入到外部 AI 服務中。使用前務必確認信息脫敏和保密邊界。需要完整附圖、實施例數據、對比實驗結果的正式申請文件AI 不擅長編造實驗數據沒有驗證的實施例不能直接寫入正式申請材料。2.4 合規與安全提醒使用這類 Skill 合集時請先確認三件事一是你確實擁有該技術方案的合法來源不侵犯他人專利權二是輸入到 AI 工具的文本不包含未經授權的第三方保密信息三是最終提交的專利文件要經過專業審核AI 只負責起草初稿不擁有法律效力。任何聲稱“一鍵自動生成完整專利并直接提交”的工具都存在合規風險這個項目的價值在于提高寫作效率而不是取代專利法律流程。3. 環境準備與前置條件這個項目不像本地 ComfyUI 或 TTS 服務那樣需要安裝 CUDA、顯卡驅動它的環境準備更簡單但也有一些關鍵點需要提前確認。3.1 軟件與賬號準備一個支持 Skills 功能的 AI 對話服務目前 Claude 的 Skills 功能比較有代表性你需要有可用的賬號。文件管理工具用來整理 Skill 目錄日常的記事本或 VS Code 都可以。Python 3.10可選如果你希望做批量任務腳本需要本地 Python 環境如果只用交互式對話可以不裝。瀏覽器用來訪問對話服務的 Web 界面。3.2 理解 Skill 目錄結構從項目材料來看“Skill”本質上是將一套指令、模板和示例打包成文件夾放入模型服務指定的技能目錄后模型會在處理相關任務時自動加載這些技能。一個標準 Skill 文件夾通常包含skill-name/ ├── SKILL.md # 技能主配置包含技能說明、角色定義、工作流程 ├── templates/ # 輸出模板例如交底書模板、權利要求書模板 ├── examples/ # 示例輸入輸出 ├── references/ # 專利法、審查指南等參考材料 └── scripts/ # 可選處理輸入、格式化輸出的腳本SKILL.md 是核心文件它決定了模型在調用這個技能時的行為。你需要確認目標服務支持該格式的 Skill 定義或者根據你使用的工具格式進行轉換。3.3 輸入素材準備專利撰寫質量高度依賴輸入信息的完整度。測試前先準備以下素材idea / 技術方案描述最好能明確說出“解決什么問題、用什么方法、和現有方案有什么區別”。論文摘要和正文如果做論文轉專利準備論文的摘要、引言、方法、實驗結果部分。關鍵詞和領域背景幫助模型理解技術上下文。4. 安裝部署與啟動方式這部分以 Claude Skills 為例給出通用配置流程。如果你使用其他支持自定義技能的模型服務目錄結構和配置格式請以官方文檔為準。4.1 創建 Skills 目錄并放入文件先確認你的技能目錄路徑。以 Claude 桌面版或支持 Skills 的版本為例通常在用戶配置目錄下有一個claude/skills或類似路徑。以下是通用操作流程# 進入你的模型服務配置目錄比如 ~/.claude/ cd ~/.claude/ # 創建 skills 目錄 mkdir -p skills # 將專利 Skill 合集解壓后放入該目錄 # 例如 # skills/patent-drafting/SKILL.md # skills/patent-drafting/templates/...放入后可以用ls檢查目錄結構find skills/patent-drafting -type f | head -20如果一切正常你會看到類似下面的文件列表skills/patent-drafting/SKILL.md skills/patent-drafting/templates/claim_template.md skills/patent-drafting/templates/disclosure_template.md skills/patent-drafting/examples/example_idea_to_disclosure.md skills/patent-drafting/references/patent_law_notes.md4.2 SKILL.md 配置示例SKILL.md 是觸發技能的配置核心。其通用格式如下實際內容需要根據你的工具版本調整--- name: patent-drafting description: 用于輔助專利交底書、權利要求書和說明書摘要撰寫的技能輸入 idea 或論文即可生成結構化專利初稿。 --- # 專利撰寫助手 ## 角色 你是一名資深專利代理師熟悉中國專利法、專利審查指南和專利撰寫規范。 ## 工作流程 1. 接收用戶輸入的 idea、技術方案或論文文本。 2. 提取關鍵信息技術領域、背景技術、技術問題、技術方案、技術效果。 3. 按照用戶指定的輸出格式生成專利初稿。 4. 標注信息不完整的部分提醒用戶補充。 ## 輸入要求 - 明確技術問題。 - 提供技術方案的關鍵步驟或結構組成。 - 如有對比方案說明區別。 ## 輸出模板 使用 templates 目錄下的模板文件。這個配置的作用不是增加什么黑科技而是給模型一個穩定的“工作記憶”你的角色、輸入要求、輸出流程、質量維度都寫清楚了模型在處理任務時就有據可依。4.3 在對話中引用 Skill不同服務對 Skill 的引用方式不同。在支持 引用技能的服務中你可以在提示詞中直接寫請使用專利撰寫Skill將以下idea生成一份技術交底書 idea一種基于邊緣計算的設備狀態監測方法通過在設備端部署輕量級模型...模型會自動加載 patent-drafting 技能并按照 SKILL.md 中定義的角色和工作流來處理任務。如果服務不支持自動加載你可能需要把 SKILL.md 的內容以系統指令的方式手動粘貼到對話中。4.4 驗證啟動是否成功如何判斷 Skill 已經被正確加載可以問一個和技能強相關的問題例如請說明專利撰寫技能的工作流程以及它能輸出哪些類型的文件。如果輸出里提到了“技術交底書、權利要求書、說明書摘要”等技能內容說明 Skill 已經生效。如果輸出的是普通對話回復說明 Skill 沒有被加載需要檢查目錄路徑、文件名命名和配置格式。5. 功能測試與效果驗證Skill 配置好后建議按順序測試三個核心場景idea 到技術交底書、論文轉專利、權利要求書生成。每個測試都要帶上輸入示例、操作流程和判斷標準。5.1 測試一idea 到技術交底書測試目的驗證 Skill 能否從一個模糊 idea 生成結構化交底書。輸入示例請將以下 idea 生成一份技術交底書 idea一種基于手機攝像頭的食品新鮮度檢測方法不需要額外硬件用戶用手機拍照就能判斷蔬果是否新鮮。操作步驟在對話中輸入上述指令。觀察模型是否調用了專利撰寫技能。檢查輸出是否包含技術領域、背景技術、技術問題、技術方案、技術效果等標準章節。重點檢查技術方案部分是否足夠具體有沒有給出可行的實現路徑。判斷成功的標準輸出包含交底書標準章節。技術方案部分描述了至少 2 到 3 個關鍵步驟或模塊。模型指出了信息不完整的地方例如缺少具體算法、缺少對比實驗。常見失敗原因輸入過于籠統沒有提供任何實現細節導致模型只能生成泛泛的框架。Skill 未加載輸出回到了普通對話模式這時候需要檢查技能調用方式。5.2 測試二論文轉專利測試目的驗證論文摘要或正文能否被轉換為專利語言風格的初稿。輸入示例請閱讀以下論文摘要將其轉換為專利交底書的背景技術和技術方案部分 論文題目基于深度學習的低光照圖像增強方法 摘要本文提出一種基于改進Retinex理論的低光照圖像增強方法通過聯合優化光照分量和反射分量...操作步驟提供論文摘要最好附上方法部分的關鍵段落。要求模型只在限定范圍內生成交底書章節。對照原論文檢查是否有技術特征遺漏。檢查專利語言是否符合規范比如“其特征在于”“所述”等表達的使用。判斷成功的標準背景技術部分能清晰說明現有技術的不足而不是簡單復制論文的“引言”。技術方案部分描述了方法的關鍵步驟并且步驟之間有邏輯關聯。沒有照搬論文中的實驗數據來冒充專利實施例。常見失敗原因論文內容未提供關鍵技術細節模型只能根據標題和摘要猜測。專利術語使用不當例如把深度學習模型的“訓練集”直接寫成專利中的“實施例”需要人工調整。5.3 測試三權利要求書生成測試目的驗證 Skill 能否生成格式正確、層次清楚的權利要求書初稿。輸入示例根據以下技術方案生成獨立權利要求1和從屬權利要求2-4 技術方案一種基于注意力機制的文本情感分析方法包括以下步驟 1. 獲取待分析文本對文本進行預處理... 2. 使用預訓練語言模型提取文本特征... 3. 通過注意力機制加權融合文本特征... 4. 根據融合特征輸出情感分類結果...操作步驟輸入技術方案步驟。檢查獨立權利要求是否包含全部必要技術特征。檢查從屬權利要求的引用關系和附加技術特征是否合理。看模型是否對不確定性內容進行標注。判斷成功的標準獨立權利要求包含了解決技術問題所必需的步驟。從屬權利要求的引用關系正確格式符合“根據權利要求1所述的...”。沒有引入方案中不存在的技術特征。常見失敗原因技術方案本身太簡單模型生成的權利要求保護范圍過大或過小。模型把可選方案寫成了必要技術特征導致獨立權利要求保護范圍不當。這里需要人工判斷調整。5.4 測試四質量復核生成的初稿不能直接提交你需要做四步復核技術真實性方案是否真的能實現有沒有虛構的算法或實驗數據。信息完整性是否有明顯缺失的技術特征例如缺少通信接口、數據結構定義、具體參數范圍。專利語言規范性是否用了口語化表達例如“這個模塊可以...”應改為“所述模塊用于...”。保護范圍合理性獨立權利要求是否太寬或太窄和現有技術的區別是否清楚。6. 接口 API 與批量任務從項目材料來看這個 Skill 合集本身更多是面向交互式對話設計但如果你希望將專利撰寫能力集成到自己的腳本或內部工具中可以通過模型服務提供的 API 來實現批量處理。下面給出一套通用的批量任務設計思路需要按你實際使用的模型服務調整。6.1 批量輸入預處理批量處理的核心是先把多個 idea 或論文片段整理成結構化的輸入文件。下面是一個通用的 Python 腳本示例用于從多個文本文件中構建批量任務輸入# -*- coding: utf-8 -*- import json import os def build_batch_input(input_dir, output_file): 將 input_dir 下的每個 .txt 文件轉換為批量任務輸入 JSON。 文件名作為任務 id內容作為輸入文本。 tasks [] for filename in os.listdir(input_dir): if not filename.endswith(.txt): continue file_path os.path.join(input_dir, filename) with open(file_path, r, encodingutf-8) as f: content f.read().strip() if not content: continue tasks.append({ custom_id: filename.replace(.txt, ), content: content, task_type: idea_to_disclosure }) with open(output_file, w, encodingutf-8) as f: json.dump(tasks, f, ensure_asciiFalse, indent2) print(f批量任務已生成{output_file}共 {len(tasks)} 個任務。) if __name__ __main__: # 用法將多個 txt 放到 ./ideas 目錄然后運行腳本 build_batch_input(./ideas, ./batch_tasks.json)生成的batch_tasks.json結構如下[ { custom_id: idea_edge_ai, content: 一種基于邊緣計算的設備狀態監測方法..., task_type: idea_to_disclosure }, { custom_id: idea_vision_sorting, content: 一種基于視覺識別的垃圾自動分類裝置..., task_type: idea_to_disclosure } ]6.2 批量調用模型 API如果你有模型服務的 API Key可以寫一個批量調用腳本逐條調用對話接口并將結果保存到指定目錄。以下是通用模板# -*- coding: utf-8 -*- import json import time import requests API_URL https://api.example.com/v1/messages # 替換為實際 API 地址 API_KEY your-api-key # 從環境變量讀取不要硬編碼 def generate_patent_draft(task): 調用模型服務生成專利初稿。 實際參數需要按你使用的服務調整。 headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 這里需要根據實際模型服務的接口格式來修改 payload { model: your-model-name, max_tokens: 4000, messages: [ { role: system, content: 你是一名資深專利代理師請按照專利撰寫技能的要求處理用戶輸入。 }, { role: user, content: f請將以下 idea 生成技術交底書\n{task[content]} } ] } try: resp requests.post(API_URL, jsonpayload, headersheaders, timeout120) resp.raise_for_status() result resp.json() return result[choices][0][message][content] except Exception as e: return fERROR: {e} if __name__ __main__: with open(./batch_tasks.json, r, encodingutf-8) as f: tasks json.load(f) for task in tasks: print(f正在處理任務{task[custom_id]}) output generate_patent_draft(task) with open(f./outputs/{task[custom_id]}.md, w, encodingutf-8) as f: f.write(output) # 避免請求過于密集加入延時 time.sleep(2) print(所有批量任務處理完成。)批量任務設計時要考慮三點第一API Key 不要寫死在代碼里通過環境變量讀取第二每個任務建議加上獨立日志方便定位失敗原因第三模型輸出可能包含錯誤或不完整內容建議在輸出后增加一個_review標記文件提醒人工復核。6.3 批量結果核對批量生成完成后建議增加一個結果核對表標記每個任務的狀態# 檢查哪些任務沒有正常生成 ls ./outputs/*.md | wc -l # 檢查哪些文件包含錯誤標記 grep -l ERROR ./outputs/*.md這樣能快速篩選出需要重新生成或需要人工處理的任務。7. Token 消耗與效果優化策略這個項目雖然不需要顯卡顯存但它在運行時的“資源”同樣需要關注——上下文窗口和 Token 消耗。專利撰寫任務往往涉及長文本輸入和長文本輸出很容易觸達模型上下文上限。7.1 長文本分段策略如果輸入是一整篇論文不建議一次性塞給模型。更穩妥的做法是分段處理先輸入論文摘要和引言生成背景技術部分。再輸入方法部分生成技術方案部分。最后輸入實驗部分整理技術效果和實施例素材。這樣分步生成的優點是每一段的輸入輸出都在可控長度內模型能夠更集中地處理當前章節輸出質量也比一次性生成完整文檔更高。7.2 控制輸出長度權利要求書、說明書摘要等輸出內容有固定格式可以通過提示詞明確長度要求。例如“權利要求書初稿獨立權利要求控制在 300 字以內。”“說明書摘要不超過 300 字包含技術領域、技術方案、技術效果三部分。”7.3 模板復用如果同一個技術領域有多個 idea建議先讓模型基于第一個 idea 生成一份“標準模板”后續任務在模板基礎上替換技術特征。這樣既能保持一致的語言風格也能減少重復的格式化指令。7.4 小成本驗證首次測試時先用一個簡單 idea 跑通流程確認輸出格式和語言風格符合要求后再擴展到批量任務。如果一開始就塞入大量復雜任務可能會消耗大量 Token 卻得不到理想效果。8. 常見問題與排查方法問題現象可能原因排查方式解決方案Skill 未加載輸出普通對話目錄路徑錯誤、文件名不對、配置格式與工具版本不匹配檢查 skills 目錄結構、SKILL.md 開頭是否有name和description按目標工具的官方文檔修正配置重啟對話生成內容空洞沒有實質性技術細節輸入信息太少模型只能泛泛而談檢查輸入是否包含了技術問題、實現步驟、關鍵參數補充技術方案細節后再生成權利要求書格式混亂SKILL.md 中未定義輸出模板或模型未參考模板檢查 templates 目錄是否存在提示詞中強調“使用模板文件”將模板內容直接粘貼到對話中作為輸出格式參考專利術語不準確模型對中文專利法術語理解不充分在 reference 目錄中補充專利術語表和審查指南要點在提示詞中加入“使用規范專利術語如所述、其特征在于”等約束輸出過長導致截斷上下文窗口不足或單次生成 Token 數超限檢查輸出長度觀察是否在中間截斷拆分為多次生成每次只生成一個章節批量任務部分失敗API 超時、網絡波動、輸入格式錯誤查看日志和返回的錯誤信息增加重試機制保存失敗任務列表手動重新調用模型編造了不存在的內容技術方案不完整模型補全了不存在的步驟人工復核輸出對比原始輸入是否有依據要求模型對“不確定的信息”標注“需補充確認”不要自動補全中文專利表達口語化嚴重提示詞中缺少語言風格約束檢查 SKILL.md 是否定義了正式的語言風格加入風格指令如“避免口語化使用書面技術表達”9. 最佳實踐與使用建議9.1 先做技術方案整理再讓 AI 生成這個項目效果好不好最關鍵的因素不是你用的模型多強而是你的輸入多完整。建議在讓 AI 生成專利初稿之前先人工整理一份技術方案要點包括以下內容技術問題現有技術存在什么缺陷。技術方案解決該問題的關鍵技術手段最好量化到步驟級。技術效果與現有技術對比的優勢。可替代方案除主要方案外還有哪些實現路徑。9.2 分步生成逐段審核專利撰寫不是一次對話能完成的。建議按照“技術方案整理 - 技術交底書 - 權利要求書 - 說明書摘要 - 實施例補充”的順序分步生成每個步驟單獨審核避免錯誤累積。9.3 建立自己的專利寫作模板庫不同技術領域的專利寫法差異很大。算法類、硬件類、材料類、軟件流程類的交底書側重點不同。建議使用一段時間后把好的輸出結果沉淀為模板補充到 Skill 合集的 templates 目錄中形成屬于你自己的領域適配模板。9.4 關注合規與保密在將技術內容輸入 AI 工具前務必確認該技術方案是否可以對外披露公司或實驗室是否有保密規定輸入內容是否涉及第三方未公開信息。對于重要專利建議使用支持私有部署的模型服務或使用經過脫敏處理的描述進行測試。9.5 不要跳過人工復核AI 生成的專利初稿可以幫助你解決“格式怎么搭、邏輯怎么理”的問題但以下內容必須人工確認權利要求的保護范圍是否合適、技術特征是否有遺漏、實施例是否真實可信、是否與現有技術構成實質區別。專利權是排他性權利撰寫質量直接影響保護力度不能完全依賴 AI 生成結果。10. 總結與下一步這個專利 Skill 合集最值得嘗試的地方是它把專利寫作中“結構化程度高、重復性強”的部分變成了半自動流程。它的部署門檻很低不需要 GPU 和復雜的本地環境核心工作在于配置好 Skill 指令、整理好輸入素材、設計好人工復核流程。最先應該驗證的是“idea 到技術交底書”這個基礎流程。拿一個你手頭真實的技術方案按照本文第 5 節的測試方法跑一遍重點看三件事輸出結構是否符合專利交底書格式、技術方案部分是否具體可執行、模型是否主動指出信息缺失的地方。這三項過關再擴展測試論文轉專利和權利要求書生成。最容易踩的坑有兩個一是輸入信息太少期望 AI 從一個模糊概念直接生成完整專利結果得到一堆正確的廢話二是不做人工復核把 AI 生成的初稿當作最終稿提交導致專利權保護范圍出問題。這兩個坑都可以通過“先整理技術方案、再分步生成、最后逐段審核”的流程規避。后續可以繼續嘗試的方向包括把批量腳本和模型 API 打通形成一套內部專利交底書自助生成平臺將 Skill 合集中的模板按技術領域做細分沉淀出算法類、硬件類、材料類等專屬模板結合專利檢索工具在生成交底書前先檢索現有技術輔助判斷創新點的新穎性。這套 Skill 的定位是“專利寫作加速器”不是“專利提交全自動生產線”。把它用好的關鍵是你自己對技術方案的理解深度AI 負責把理解轉化為結構清晰的初稿你負責把關技術真實性和法律合規邊界。