这次我们来看一个“专利撰写”方向的 Skill 合集。它的核心卖点很直接把 Claude 这类大模型工具变成专利撰写助手输入论文、技术文档或者一个 idea就能批量产出技术交底书、权利要求书初稿、说明书摘要等专利写作环节的关键文档。如果你最近在关注 Claude Skills、GPTs 这类“给大模型配置专属技能”的玩法那这个项目的思路值得参考。先说重点这个项目不是跑本地大模型不需要 GPU不需要部署推理服务它封装的是“提示词 结构化流程 模板”的教学型技能包。你只需要有 Claude 账号或者其他支持自定义 Skill 的对话产品把 Skill 文件放进指定目录就能让模型按照专利撰写的规范输出内容。对于高校科研人员、企业研发工程师、专利工程师和准备申请软著/专利的团队来说这套东西的价值在于把“从 idea 到交底书”这个重复劳动变成半自动流程。按材料看这个“专利 Skill 合集”覆盖的场景包括论文自动转专利、idea 快速扩展成技术方案、权利要求书生成、说明书摘要撰写、审查意见答复素材整理等。本文将带你完成以下几件事理解 Skill 合集的项目结构和运行原理、搭建本地 Skills 配置环境、完成 idea 到交底书的生成测试、掌握论文转专利的操作流程、了解批量处理多个技术方案的脚本化思路以及遇到 Skill 不生效、输出格式混乱、专利术语不准确等常见问题时的排查方法。1. 核心能力速览先给一张规格表快速判断这个合集是否适合你。能力项说明项目类型科研 / 专利撰写 Skill 集合包核心功能论文转专利、idea 转交底书、权利要求书生成、说明书摘要撰写、审查意见答复素材整理运行环境Claude 等支持自定义 Skill / 提示词指令的 AI 对话工具硬件门槛无 GPU 需求纯云端模型服务启动方式将 Skill 文件放入指定目录在对话中引用是否支持 API视使用的模型服务而定可配合官方 API 做批量调用是否支持批量任务支持结合脚本可批量处理多个 idea 或论文主要成本模型订阅费用或 API Token 费用适合场景科研人员、专利工程师、企业研发、硕博生日常专利写作从材料可以看出这个项目的定位非常清楚不是帮你写一篇完整、可直接提交的专利全文而是把专利写作中那些“重复性强、格式要求高、逻辑链条固定”的部分自动化。它的底层逻辑是让大模型按照专利审查指南的思路去拆解技术方案再按专利文件的格式要求重组输出。需要注意任何 AI 辅助专利撰写工具都不能替代专利代理师的专业审核尤其是权利要求书的保护范围、技术特征的层级关系这些内容最终提交前必须由专业人士把关。这个项目提供的更多是“初稿加速器”而不是“终稿保证书”。2. 适用场景与使用边界2.1 适合谁用从材料来看这套 Skill 合集主要面向以下人群高校硕博生论文写完但还没形成专利思路想快速把创新点转化为专利交底书。企业研发工程师手头有技术方案但没有专利写作经验需要先形成一份结构完整的交底书提交给知识产权部门。专利工程师 / 知识产权管理人员每天处理大量交底书可以用这套流程做初筛和初步整理提升处理效率。科研团队负责人需要把团队多个技术方向批量整理成专利素材用于项目申报或专利布局。2.2 能解决什么问题创新点提炼从一个模糊 idea 或一段技术描述出发自动拆解技术问题、技术方案、技术效果。格式规范化按照专利交底书、权利要求书、说明书摘要等常见格式输出。论文转专利初稿输入论文摘要、正文关键段落生成符合专利语言习惯的初稿。批量处理多个 idea 可以用脚本整理成标准输入格式逐个生成减少重复工作。2.3 不适合什么场景编造不存在的技术方案如果你只有一个想法却没有具体的实现路径AI 生成的内容不能作为真实专利提交因为专利必须公开充分、能够实现。替代专业代理师权利要求书的保护范围布局、权利要求的引用关系、专利审查意见答复需要专业法律判断AI 生成的初稿只能作为参考素材。涉及技术秘密的高敏感项目不要在公司未授权的情况下把核心技术细节输入到外部 AI 服务中。使用前务必确认信息脱敏和保密边界。需要完整附图、实施例数据、对比实验结果的正式申请文件AI 不擅长编造实验数据没有验证的实施例不能直接写入正式申请材料。2.4 合规与安全提醒使用这类 Skill 合集时请先确认三件事一是你确实拥有该技术方案的合法来源不侵犯他人专利权二是输入到 AI 工具的文本不包含未经授权的第三方保密信息三是最终提交的专利文件要经过专业审核AI 只负责起草初稿不拥有法律效力。任何声称“一键自动生成完整专利并直接提交”的工具都存在合规风险这个项目的价值在于提高写作效率而不是取代专利法律流程。3. 环境准备与前置条件这个项目不像本地 ComfyUI 或 TTS 服务那样需要安装 CUDA、显卡驱动它的环境准备更简单但也有一些关键点需要提前确认。3.1 软件与账号准备一个支持 Skills 功能的 AI 对话服务目前 Claude 的 Skills 功能比较有代表性你需要有可用的账号。文件管理工具用来整理 Skill 目录日常的记事本或 VS Code 都可以。Python 3.10可选如果你希望做批量任务脚本需要本地 Python 环境如果只用交互式对话可以不装。浏览器用来访问对话服务的 Web 界面。3.2 理解 Skill 目录结构从项目材料来看“Skill”本质上是将一套指令、模板和示例打包成文件夹放入模型服务指定的技能目录后模型会在处理相关任务时自动加载这些技能。一个标准 Skill 文件夹通常包含skill-name/ ├── SKILL.md # 技能主配置包含技能说明、角色定义、工作流程 ├── templates/ # 输出模板例如交底书模板、权利要求书模板 ├── examples/ # 示例输入输出 ├── references/ # 专利法、审查指南等参考材料 └── scripts/ # 可选处理输入、格式化输出的脚本SKILL.md 是核心文件它决定了模型在调用这个技能时的行为。你需要确认目标服务支持该格式的 Skill 定义或者根据你使用的工具格式进行转换。3.3 输入素材准备专利撰写质量高度依赖输入信息的完整度。测试前先准备以下素材idea / 技术方案描述最好能明确说出“解决什么问题、用什么方法、和现有方案有什么区别”。论文摘要和正文如果做论文转专利准备论文的摘要、引言、方法、实验结果部分。关键词和领域背景帮助模型理解技术上下文。4. 安装部署与启动方式这部分以 Claude Skills 为例给出通用配置流程。如果你使用其他支持自定义技能的模型服务目录结构和配置格式请以官方文档为准。4.1 创建 Skills 目录并放入文件先确认你的技能目录路径。以 Claude 桌面版或支持 Skills 的版本为例通常在用户配置目录下有一个claude/skills或类似路径。以下是通用操作流程# 进入你的模型服务配置目录比如 ~/.claude/ cd ~/.claude/ # 创建 skills 目录 mkdir -p skills # 将专利 Skill 合集解压后放入该目录 # 例如 # skills/patent-drafting/SKILL.md # skills/patent-drafting/templates/...放入后可以用ls检查目录结构find skills/patent-drafting -type f | head -20如果一切正常你会看到类似下面的文件列表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 是触发技能的配置核心。其通用格式如下实际内容需要根据你的工具版本调整--- name: patent-drafting description: 用于辅助专利交底书、权利要求书和说明书摘要撰写的技能输入 idea 或论文即可生成结构化专利初稿。 --- # 专利撰写助手 ## 角色 你是一名资深专利代理师熟悉中国专利法、专利审查指南和专利撰写规范。 ## 工作流程 1. 接收用户输入的 idea、技术方案或论文文本。 2. 提取关键信息技术领域、背景技术、技术问题、技术方案、技术效果。 3. 按照用户指定的输出格式生成专利初稿。 4. 标注信息不完整的部分提醒用户补充。 ## 输入要求 - 明确技术问题。 - 提供技术方案的关键步骤或结构组成。 - 如有对比方案说明区别。 ## 输出模板 使用 templates 目录下的模板文件。这个配置的作用不是增加什么黑科技而是给模型一个稳定的“工作记忆”你的角色、输入要求、输出流程、质量维度都写清楚了模型在处理任务时就有据可依。4.3 在对话中引用 Skill不同服务对 Skill 的引用方式不同。在支持 引用技能的服务中你可以在提示词中直接写请使用专利撰写Skill将以下idea生成一份技术交底书 idea一种基于边缘计算的设备状态监测方法通过在设备端部署轻量级模型...模型会自动加载 patent-drafting 技能并按照 SKILL.md 中定义的角色和工作流来处理任务。如果服务不支持自动加载你可能需要把 SKILL.md 的内容以系统指令的方式手动粘贴到对话中。4.4 验证启动是否成功如何判断 Skill 已经被正确加载可以问一个和技能强相关的问题例如请说明专利撰写技能的工作流程以及它能输出哪些类型的文件。如果输出里提到了“技术交底书、权利要求书、说明书摘要”等技能内容说明 Skill 已经生效。如果输出的是普通对话回复说明 Skill 没有被加载需要检查目录路径、文件名命名和配置格式。5. 功能测试与效果验证Skill 配置好后建议按顺序测试三个核心场景idea 到技术交底书、论文转专利、权利要求书生成。每个测试都要带上输入示例、操作流程和判断标准。5.1 测试一idea 到技术交底书测试目的验证 Skill 能否从一个模糊 idea 生成结构化交底书。输入示例请将以下 idea 生成一份技术交底书 idea一种基于手机摄像头的食品新鲜度检测方法不需要额外硬件用户用手机拍照就能判断蔬果是否新鲜。操作步骤在对话中输入上述指令。观察模型是否调用了专利撰写技能。检查输出是否包含技术领域、背景技术、技术问题、技术方案、技术效果等标准章节。重点检查技术方案部分是否足够具体有没有给出可行的实现路径。判断成功的标准输出包含交底书标准章节。技术方案部分描述了至少 2 到 3 个关键步骤或模块。模型指出了信息不完整的地方例如缺少具体算法、缺少对比实验。常见失败原因输入过于笼统没有提供任何实现细节导致模型只能生成泛泛的框架。Skill 未加载输出回到了普通对话模式这时候需要检查技能调用方式。5.2 测试二论文转专利测试目的验证论文摘要或正文能否被转换为专利语言风格的初稿。输入示例请阅读以下论文摘要将其转换为专利交底书的背景技术和技术方案部分 论文题目基于深度学习的低光照图像增强方法 摘要本文提出一种基于改进Retinex理论的低光照图像增强方法通过联合优化光照分量和反射分量...操作步骤提供论文摘要最好附上方法部分的关键段落。要求模型只在限定范围内生成交底书章节。对照原论文检查是否有技术特征遗漏。检查专利语言是否符合规范比如“其特征在于”“所述”等表达的使用。判断成功的标准背景技术部分能清晰说明现有技术的不足而不是简单复制论文的“引言”。技术方案部分描述了方法的关键步骤并且步骤之间有逻辑关联。没有照搬论文中的实验数据来冒充专利实施例。常见失败原因论文内容未提供关键技术细节模型只能根据标题和摘要猜测。专利术语使用不当例如把深度学习模型的“训练集”直接写成专利中的“实施例”需要人工调整。5.3 测试三权利要求书生成测试目的验证 Skill 能否生成格式正确、层次清楚的权利要求书初稿。输入示例根据以下技术方案生成独立权利要求1和从属权利要求2-4 技术方案一种基于注意力机制的文本情感分析方法包括以下步骤 1. 获取待分析文本对文本进行预处理... 2. 使用预训练语言模型提取文本特征... 3. 通过注意力机制加权融合文本特征... 4. 根据融合特征输出情感分类结果...操作步骤输入技术方案步骤。检查独立权利要求是否包含全部必要技术特征。检查从属权利要求的引用关系和附加技术特征是否合理。看模型是否对不确定性内容进行标注。判断成功的标准独立权利要求包含了解决技术问题所必需的步骤。从属权利要求的引用关系正确格式符合“根据权利要求1所述的...”。没有引入方案中不存在的技术特征。常见失败原因技术方案本身太简单模型生成的权利要求保护范围过大或过小。模型把可选方案写成了必要技术特征导致独立权利要求保护范围不当。这里需要人工判断调整。5.4 测试四质量复核生成的初稿不能直接提交你需要做四步复核技术真实性方案是否真的能实现有没有虚构的算法或实验数据。信息完整性是否有明显缺失的技术特征例如缺少通信接口、数据结构定义、具体参数范围。专利语言规范性是否用了口语化表达例如“这个模块可以...”应改为“所述模块用于...”。保护范围合理性独立权利要求是否太宽或太窄和现有技术的区别是否清楚。6. 接口 API 与批量任务从项目材料来看这个 Skill 合集本身更多是面向交互式对话设计但如果你希望将专利撰写能力集成到自己的脚本或内部工具中可以通过模型服务提供的 API 来实现批量处理。下面给出一套通用的批量任务设计思路需要按你实际使用的模型服务调整。6.1 批量输入预处理批量处理的核心是先把多个 idea 或论文片段整理成结构化的输入文件。下面是一个通用的 Python 脚本示例用于从多个文本文件中构建批量任务输入# -*- coding: utf-8 -*- import json import os def build_batch_input(input_dir, output_file): 将 input_dir 下的每个 .txt 文件转换为批量任务输入 JSON。 文件名作为任务 id内容作为输入文本。 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批量任务已生成{output_file}共 {len(tasks)} 个任务。) if __name__ __main__: # 用法将多个 txt 放到 ./ideas 目录然后运行脚本 build_batch_input(./ideas, ./batch_tasks.json)生成的batch_tasks.json结构如下[ { custom_id: idea_edge_ai, content: 一种基于边缘计算的设备状态监测方法..., task_type: idea_to_disclosure }, { custom_id: idea_vision_sorting, content: 一种基于视觉识别的垃圾自动分类装置..., task_type: idea_to_disclosure } ]6.2 批量调用模型 API如果你有模型服务的 API Key可以写一个批量调用脚本逐条调用对话接口并将结果保存到指定目录。以下是通用模板# -*- coding: utf-8 -*- import json import time import requests API_URL https://api.example.com/v1/messages # 替换为实际 API 地址 API_KEY your-api-key # 从环境变量读取不要硬编码 def generate_patent_draft(task): 调用模型服务生成专利初稿。 实际参数需要按你使用的服务调整。 headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 这里需要根据实际模型服务的接口格式来修改 payload { model: your-model-name, max_tokens: 4000, messages: [ { role: system, content: 你是一名资深专利代理师请按照专利撰写技能的要求处理用户输入。 }, { role: user, content: f请将以下 idea 生成技术交底书\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正在处理任务{task[custom_id]}) output generate_patent_draft(task) with open(f./outputs/{task[custom_id]}.md, w, encodingutf-8) as f: f.write(output) # 避免请求过于密集加入延时 time.sleep(2) print(所有批量任务处理完成。)批量任务设计时要考虑三点第一API Key 不要写死在代码里通过环境变量读取第二每个任务建议加上独立日志方便定位失败原因第三模型输出可能包含错误或不完整内容建议在输出后增加一个_review标记文件提醒人工复核。6.3 批量结果核对批量生成完成后建议增加一个结果核对表标记每个任务的状态# 检查哪些任务没有正常生成 ls ./outputs/*.md | wc -l # 检查哪些文件包含错误标记 grep -l ERROR ./outputs/*.md这样能快速筛选出需要重新生成或需要人工处理的任务。7. Token 消耗与效果优化策略这个项目虽然不需要显卡显存但它在运行时的“资源”同样需要关注——上下文窗口和 Token 消耗。专利撰写任务往往涉及长文本输入和长文本输出很容易触达模型上下文上限。7.1 长文本分段策略如果输入是一整篇论文不建议一次性塞给模型。更稳妥的做法是分段处理先输入论文摘要和引言生成背景技术部分。再输入方法部分生成技术方案部分。最后输入实验部分整理技术效果和实施例素材。这样分步生成的优点是每一段的输入输出都在可控长度内模型能够更集中地处理当前章节输出质量也比一次性生成完整文档更高。7.2 控制输出长度权利要求书、说明书摘要等输出内容有固定格式可以通过提示词明确长度要求。例如“权利要求书初稿独立权利要求控制在 300 字以内。”“说明书摘要不超过 300 字包含技术领域、技术方案、技术效果三部分。”7.3 模板复用如果同一个技术领域有多个 idea建议先让模型基于第一个 idea 生成一份“标准模板”后续任务在模板基础上替换技术特征。这样既能保持一致的语言风格也能减少重复的格式化指令。7.4 小成本验证首次测试时先用一个简单 idea 跑通流程确认输出格式和语言风格符合要求后再扩展到批量任务。如果一开始就塞入大量复杂任务可能会消耗大量 Token 却得不到理想效果。8. 常见问题与排查方法问题现象可能原因排查方式解决方案Skill 未加载输出普通对话目录路径错误、文件名不对、配置格式与工具版本不匹配检查 skills 目录结构、SKILL.md 开头是否有name和description按目标工具的官方文档修正配置重启对话生成内容空洞没有实质性技术细节输入信息太少模型只能泛泛而谈检查输入是否包含了技术问题、实现步骤、关键参数补充技术方案细节后再生成权利要求书格式混乱SKILL.md 中未定义输出模板或模型未参考模板检查 templates 目录是否存在提示词中强调“使用模板文件”将模板内容直接粘贴到对话中作为输出格式参考专利术语不准确模型对中文专利法术语理解不充分在 reference 目录中补充专利术语表和审查指南要点在提示词中加入“使用规范专利术语如所述、其特征在于”等约束输出过长导致截断上下文窗口不足或单次生成 Token 数超限检查输出长度观察是否在中间截断拆分为多次生成每次只生成一个章节批量任务部分失败API 超时、网络波动、输入格式错误查看日志和返回的错误信息增加重试机制保存失败任务列表手动重新调用模型编造了不存在的内容技术方案不完整模型补全了不存在的步骤人工复核输出对比原始输入是否有依据要求模型对“不确定的信息”标注“需补充确认”不要自动补全中文专利表达口语化严重提示词中缺少语言风格约束检查 SKILL.md 是否定义了正式的语言风格加入风格指令如“避免口语化使用书面技术表达”9. 最佳实践与使用建议9.1 先做技术方案整理再让 AI 生成这个项目效果好不好最关键的因素不是你用的模型多强而是你的输入多完整。建议在让 AI 生成专利初稿之前先人工整理一份技术方案要点包括以下内容技术问题现有技术存在什么缺陷。技术方案解决该问题的关键技术手段最好量化到步骤级。技术效果与现有技术对比的优势。可替代方案除主要方案外还有哪些实现路径。9.2 分步生成逐段审核专利撰写不是一次对话能完成的。建议按照“技术方案整理 - 技术交底书 - 权利要求书 - 说明书摘要 - 实施例补充”的顺序分步生成每个步骤单独审核避免错误累积。9.3 建立自己的专利写作模板库不同技术领域的专利写法差异很大。算法类、硬件类、材料类、软件流程类的交底书侧重点不同。建议使用一段时间后把好的输出结果沉淀为模板补充到 Skill 合集的 templates 目录中形成属于你自己的领域适配模板。9.4 关注合规与保密在将技术内容输入 AI 工具前务必确认该技术方案是否可以对外披露公司或实验室是否有保密规定输入内容是否涉及第三方未公开信息。对于重要专利建议使用支持私有部署的模型服务或使用经过脱敏处理的描述进行测试。9.5 不要跳过人工复核AI 生成的专利初稿可以帮助你解决“格式怎么搭、逻辑怎么理”的问题但以下内容必须人工确认权利要求的保护范围是否合适、技术特征是否有遗漏、实施例是否真实可信、是否与现有技术构成实质区别。专利权是排他性权利撰写质量直接影响保护力度不能完全依赖 AI 生成结果。10. 总结与下一步这个专利 Skill 合集最值得尝试的地方是它把专利写作中“结构化程度高、重复性强”的部分变成了半自动流程。它的部署门槛很低不需要 GPU 和复杂的本地环境核心工作在于配置好 Skill 指令、整理好输入素材、设计好人工复核流程。最先应该验证的是“idea 到技术交底书”这个基础流程。拿一个你手头真实的技术方案按照本文第 5 节的测试方法跑一遍重点看三件事输出结构是否符合专利交底书格式、技术方案部分是否具体可执行、模型是否主动指出信息缺失的地方。这三项过关再扩展测试论文转专利和权利要求书生成。最容易踩的坑有两个一是输入信息太少期望 AI 从一个模糊概念直接生成完整专利结果得到一堆正确的废话二是不做人工复核把 AI 生成的初稿当作最终稿提交导致专利权保护范围出问题。这两个坑都可以通过“先整理技术方案、再分步生成、最后逐段审核”的流程规避。后续可以继续尝试的方向包括把批量脚本和模型 API 打通形成一套内部专利交底书自助生成平台将 Skill 合集中的模板按技术领域做细分沉淀出算法类、硬件类、材料类等专属模板结合专利检索工具在生成交底书前先检索现有技术辅助判断创新点的新颖性。这套 Skill 的定位是“专利写作加速器”不是“专利提交全自动生产线”。把它用好的关键是你自己对技术方案的理解深度AI 负责把理解转化为结构清晰的初稿你负责把关技术真实性和法律合规边界。