★ FEATURED ARTICLE 1. 专利领域为什么突然需要 AI 工具了干了十多年知识产权信息化我最大的感受就是专利这行的“文本密度”高得离谱。一份发明专利申请书动辄几十页权利要求书里一个标点符号的差别就可能决定保护范围审查意见通知书的答复更是要在法条、技术方案、对比文件之间反复横跳。过去我们靠什么靠人肉检索、靠 Excel 台账、靠资深代理师带徒弟口传心授。但这两年情况变了国知局的数据公开越来越充分企业专利申请量年年攀升代理机构的交付压力肉眼可见地变大纯靠堆人已经堆不动了。这就是为什么“国内专利领域 AI 工具智能体 / MCP / Skills市场调研”这个题目值得认真做一遍。它要解决的核心问题很具体在专利这个高度专业化、强合规、长流程的场景里AI 到底能切进去哪些环节用什么形态切是独立智能体、是 MCP 协议挂载、还是 Skills 技能包以及现在市面上到底有哪些能用的东西。适合谁来参考三类人一是代理机构和企业的 IPR知识产权管理者想知道怎么选型落地二是做垂直 AI 产品的开发者想看清这个赛道的技术路线三是刚入行的专利工程师想借工具快速补齐经验差。我先把结论性的判断放前面专利领域的 AI 落地2024 到 2025 年正处在从“单点问答工具”向“流程级智能体”过渡的阶段。检索和初稿生成已经相对成熟审查意见答复和侵权比对还在爬坡而 MCP 和 Skills 这两种形态恰恰是打通“AI 能力”和“专利业务系统”之间那堵墙的关键。下面我按调研的逻辑一层层拆。1.1 先搞清楚三个词智能体、MCP、Skills 到底指什么很多人一上来就被这三个词绕晕我用大白话捋一遍。智能体Agent你可以理解成一个“会自己规划步骤、会调用工具、会记住上下文”的 AI 程序。普通的大模型问答是你问一句它答一句智能体是你给它一个目标比如“帮我把这份交底书生成权利要求初稿”它会自己拆解成读交底书、识别技术特征、检索现有技术、按格式撰写、自查法条——这一串动作它自己串起来。专利场景里智能体的价值就在于把“多步骤、有依赖”的活儿自动化。MCP全称 Model Context Protocol是一个让 AI 模型和外部工具、数据源之间标准化对接的协议。你可以把它类比成“USB 接口标准”——以前每个 AI 工具想连一个数据库都得单独写一套对接代码乱得很有了 MCP只要数据源这边实现一个 MCP Server任何支持 MCP 的 AI 客户端都能即插即用。放到专利领域这意味着专利检索数据库、企业内部案卷系统、法条知识库都可以通过 MCP 暴露给 AIAI 不用你手动复制粘贴就能直接查。Skills可以理解为“技能包”或者“能力插件”。它比 MCP 更偏业务逻辑层通常是一段封装好的提示词加工具调用逻辑专门解决某一类任务比如“专利权利要求格式检查 Skill”“审查意见对比文件分析 Skill”。Skills 的好处是轻量、可复用、可组合一个智能体可以挂载多个 Skills 来扩展能力。这三者的关系我打个比方智能体是“员工”MCP 是“公司内部的系统和接口标准”Skills 是“员工掌握的专项技能证书”。员工通过标准接口访问系统靠技能证书完成具体任务。理解了这层后面的市场调研才有坐标系。1.2 专利业务链条里哪些环节最值得 AI 切入不是所有环节都适合上 AI我按“文本密集度、规则明确度、人工耗时占比”三个维度筛了一遍得出下面这张优先级表。业务环节文本密集度规则明确度人工耗时占比AI 切入优先级现有技术检索高中高高交底书理解与查新高中高高权利要求撰写极高高极高高说明书撰写极高中高中高审查意见答复极高高极高中高侵权比对分析高中高中专利价值评估中低中中流程期限管理低极高中中规律很清楚规则越明确、文本越密集、人工越耗时AI 越容易做出效果。权利要求撰写之所以排第一是因为它有相对固定的格式和法条约束AI 生成初稿后人工润色的效率提升非常明显。而专利价值评估规则模糊、主观性强AI 目前只能做辅助参考。这里有个我踩过的坑要提醒别一上来就追求全流程自动化。我见过有团队想做一个“从交底书到授权全自动”的智能体结果每个环节都做得半吊子最后没人用。正确做法是选一个高频、痛点明确的单点先做透比如先把“审查意见对比文件技术特征比对”这一个 Skill 打磨好让代理师真切感受到省时间再往外扩。2. 智能体、MCP、Skills 三种形态在专利场景的选型逻辑调研市场之前得先想清楚“什么场景该用什么形态”。我接触过的落地案例里选错形态导致项目烂尾的比例相当高所以这一章专门讲选型。2.1 什么时候该用独立智能体独立智能体适合任务边界清晰、步骤可枚举、需要多轮工具调用的场景。专利领域最典型的就是“查新检索智能体”输入一份技术交底书它自动提取关键词、扩展同义词、调用检索接口、筛选对比文件、生成查新报告。这一串动作有明确的先后依赖用智能体编排最合适。判断标准我总结成三条第一任务能不能拆成 3 步以上第二中间步骤需不需要调用外部数据第三需不需要根据上一步结果决定下一步。三条都满足就上智能体。只满足一条用简单的 Skills 或提示词就够了别过度设计。2.2 MCP 解决的是“数据孤岛”问题专利领域有个老大难数据散落在各处。国知局的公开检索系统、商业专利数据库智慧芽、佰腾等、企业内部的案卷管理系统、代理机构的 Word 模板库——这些系统之间互不相通。以前 AI 想用这些数据要么人工导出再喂给 AI要么每个系统单独开发对接。MCP 的价值就在这里。只要给每个数据源写一个 MCP ServerAI 客户端就能统一访问。我实测下来一个专利检索数据库的 MCP Server核心接口其实就几个关键词检索、申请人检索、IPC 分类号检索、详情获取。把这几个接口封装好智能体就能像调用本地函数一样查专利。注意MCP Server 的权限控制必须做扎实。专利数据涉及客户商业秘密尤其是未公开的申请文件绝不能因为接了 MCP 就无差别暴露给所有 AI 客户端。我的做法是按案卷维度做 token 隔离每个智能体实例只能访问被授权的案卷范围。2.3 Skills 是快速试错的最佳载体如果你不确定某个 AI 能力在专利场景到底好不好用别急着做智能体先做一个 Skill 试试水。Skills 开发成本低、迭代快一个下午就能出一个原型。比如“权利要求引用关系检查”这个 Skill逻辑很简单解析权利要求文本识别“根据权利要求 X 所述的……”这类引用检查被引用项是否在前、是否存在循环引用、多项从属引用是否规范。这种规则明确的小任务用 Skill 实现最划算。等验证有效了再把它作为工具挂到更大的智能体上。我整理了一张选型对照表方便你直接对号入座形态开发成本适用场景专利领域典型例子提示词极低单轮问答、格式转换法条查询、术语解释Skills低规则明确的单点任务权利要求格式检查、期限计算智能体中高多步骤、需工具调用查新检索、OA 答复初稿MCP中打通数据源、系统对接连接专利数据库、案卷系统3. 国内专利 AI 工具市场现状与主流玩家拆解这一章是调研的核心。我把目前国内能看到的专利领域 AI 工具分成四类通用大模型套壳类、垂直专利 SaaS 类、开源智能体框架类、以及大厂平台类。每一类我都说清楚它的能力边界和适用人群。3.1 通用大模型套壳类上手快但天花板低这类工具最多本质是拿通用大模型如 DeepSeek、通义千问、文心一言等加一层专利领域的提示词模板。典型功能是“输入技术方案生成权利要求初稿”“粘贴审查意见生成答复思路”。优点是便宜、上手快注册就能用。缺点是幻觉问题在专利场景是致命的。我实测过好几个这类工具让它们生成权利要求它们会一本正经地编造法条编号或者把“创造性”和“新颖性”的判断标准搞混。专利文本一旦出错后果是实打实的法律风险。所以这类工具的定位应该是“辅助灵感”而非“直接交付”。我一般建议新手用它来快速了解某个技术领域的表达方式或者做初稿的“陪练”但最终文本必须由代理师逐字核对。判断一个套壳工具好不好用就看它敢不敢在输出里标注“本内容需人工复核”敢标注的通常更靠谱。3.2 垂直专利 SaaS 类数据是护城河这类是国内专利 AI 的主力军代表就是各大专利数据库厂商推出的 AI 功能。它们的核心优势是有自有专利数据检索结果准确能直接引用真实专利文献。我拆解过几个主流产品的 AI 模块能力大致分三档第一档是智能检索用自然语言描述技术方案系统自动转成检索式第二档是智能分析对检索结果做技术特征聚类、申请人画像、技术演进路线第三档是智能撰写辅助基于检索到的对比文件生成权利要求建议。这里的关键技术点是检索式生成。专利检索的专业性极强一个合格的检索式要综合关键词、IPC 分类号、申请人、时间范围等多个维度。AI 做这件事的难点在于它得理解技术方案的本质而不是表面关键词。比如“一种基于深度学习的图像去噪方法”表面关键词是“深度学习”“图像去噪”但真正影响检索范围的是它属于“神经网络”还是“传统滤波”的技术路线。好的 AI 检索工具会做多轮交互澄清而不是一次性给结果。3.3 开源智能体框架类灵活但要自己搭Dify、Coze 这类智能体平台以及各种开源的 Agent 框架给了专利团队自建工具的可能。我自己的团队就用 Dify 搭过一个“审查意见答复助手”流程是上传 OA 文件、提取审查员指出的缺陷、检索对比文件、生成答复框架、引用法条。用开源框架的好处是数据可控、可深度定制。坏处是需要一定的工程能力而且专利领域的知识库得自己喂。我踩过的坑是一开始以为把专利法、审查指南丢进去就行了结果发现 AI 根本不会用。后来才明白知识库要做结构化处理把法条按“新颖性、创造性、实用性、说明书充分公开”等维度打标签检索时才能精准命中。3.4 大厂平台类生态整合是方向大厂推出的 AI 平台优势在于底层模型能力强、MCP 生态完善。比如一些平台已经支持通过 MCP 连接外部工具理论上可以把专利数据库、案卷系统、文档编辑器全部串起来。但目前这类平台在专利垂直领域的深度还不够更多是提供“底座”。我的判断是未来专利 AI 的格局很可能是“大厂提供模型和 MCP 基础设施 垂直厂商提供专利数据和业务 Skills”的组合。对代理机构来说选型时要看这个平台支不支持 MCP支不支持自定义 Skills这决定了你未来能不能灵活扩展。4. 从零搭建一个专利检索智能体的实操记录光讲市场不够我把自己搭“专利查新检索智能体”的完整过程记录一遍你可以直接抄作业。这个智能体的目标是输入技术交底书输出一份包含检索式、对比文件列表、初步查新结论的报告。4.1 环境准备与工具选型我选的是 Dify 作为智能体编排平台原因是它可视化程度高、支持自定义工具、社区活跃。模型用的是 DeepSeek因为它在中文长文本理解上表现稳定而且成本可控。检索数据源我接的是一个商业专利数据库的 API通过 MCP 封装成标准工具。环境准备清单Dify 社区版部署在一台 4 核 8G 的服务器上DeepSeek API Key专利数据库 API 账号我用的是按调用量计费的套餐一个 MCP Server 模板GitHub 上有现成的改改就能用提示服务器配置别省专利文本动辄几万字模型推理和向量检索都吃内存。我一开始用 2 核 4G处理一份交底书要等两分钟升到 4 核 8G 后降到 20 秒左右。4.2 检索式生成的核心逻辑这是整个智能体最关键的一步。我的设计是让模型分三轮生成检索式第一轮从交底书里提取“技术问题、技术手段、技术效果”三要素。这一步用提示词就能做要求模型严格按 JSON 格式输出。第二轮针对每个要素扩展关键词。这里我挂了一个“同义词扩展 Skill”内置了专利领域常见的同义表达比如“神经网络”对应“深度学习模型”“人工神经网络”“多层感知机”。第三轮组合成检索式。检索式的格式是(关键词1 OR 关键词2) AND (IPC分类号) AND (申请日范围)。IPC 分类号的确定是个难点我的做法是让模型先给出候选分类号再调用一个“IPC 分类查询工具”验证避免模型瞎编。实测下来三轮生成的检索式比一次性生成的质量高很多。一次性生成经常漏掉同义词或者分类号给错。分轮的好处是每一步都可检查、可干预。4.3 对比文件筛选与报告生成检索接口返回的原始结果可能有几百条直接丢给模型分析不现实。我的处理是先用规则做粗筛按相关度评分排序取前 50 条再按申请日、法律状态过滤掉明显不相关的。然后进入精筛环节让模型逐条判断“是否公开了交底书的核心技术特征”。这里我用了一个技巧把交底书的核心技术特征拆成 5 到 8 个要点让模型对每条对比文件逐点判断“公开/未公开/部分公开”最后算一个匹配度。匹配度超过阈值的进入报告。报告生成用固定模板包含检索日期、检索式、数据库范围、对比文件列表含公开号、申请人、公开日、相关段落、初步结论。结论部分我特意让模型只做“技术特征比对描述”不下“是否具备新颖性”的法律结论——这个必须留给代理师。4.4 效果评估与调优第一版跑下来检索召回率还行但准确率一般主要问题是同义词扩展过度把不相关的领域也拉进来了。我的调优方法是加一个“领域约束”在扩展关键词时强制要求模型判断扩展词是否属于同一技术领域不属于的剔除。第二版准确率明显提升。我又加了一个“反馈学习”机制每次代理师标记某条对比文件“不相关”系统就记录这个判断下次遇到类似特征时降低权重。这个机制跑了一个月准确率又上了一个台阶。5. 实操中踩过的坑与常见问题排查这一章全是干货都是我或者同行真实踩过的坑。专利 AI 工具落地技术问题好解决难的是业务适配和合规。5.1 幻觉问题AI 编造法条和对比文件这是最高频的问题。我遇到过 AI 在答复审查意见时引用了一条根本不存在的《专利审查指南》条款还编了一个公开号。如果代理师没核对直接用了后果不堪设想。排查和解决思路问题表现根本原因解决方案编造法条编号模型训练数据里法条版本混杂挂载权威法条知识库强制引用来源编造对比文件模型“脑补”检索结果所有对比文件必须来自真实检索接口技术特征张冠李戴长文本理解偏差拆分技术特征逐点比对结论过于绝对提示词约束不足明确要求只做描述不做法律定性我的经验是凡是涉及“引用”的内容必须可溯源。法条要能点开看原文对比文件要能跳转到数据库详情页。做不到溯源的 AI 输出一律当草稿处理。5.2 数据安全未公开申请文件的处理红线专利代理机构手里有大量客户未公开的申请文件这些是绝对敏感数据。我见过有团队图省事直接把交底书粘贴到公网 AI 工具里这是大忌。合规的做法有三条第一优先用私有化部署的模型数据不出内网第二如果必须用云端 API要确认服务商的数据处理协议确保不用于训练第三敏感案卷做脱敏处理把申请人名称、发明人姓名等替换成代号。注意脱敏不是万能的。技术方案本身就是核心秘密脱敏只能去掉身份信息去不掉技术内容。所以最稳妥的还是私有化部署。5.3 智能体“跑偏”多轮任务中的上下文丢失智能体做多步骤任务时经常出现“做到第三步忘了第一步的要求”。比如查新检索时前面明确了“只检索近五年中国专利”到后面生成报告时又混进了国外专利。解决办法是状态外置。不要指望模型自己记住所有约束而是把关键约束写到一个“任务状态对象”里每一步都重新注入。我在 Dify 里用变量节点实现这个每轮对话都把“检索范围、时间限制、技术领域”这些约束重新拼进提示词。5.4 常见问题速查表现象可能原因排查动作检索结果为空检索式过于严格放宽关键词去掉部分 AND 条件生成速度慢文本过长或模型负载高分段处理换用更快的模型输出格式混乱提示词格式约束不明确给出 JSON schema 示例引用法条错误知识库版本旧更新法条库加版本校验智能体死循环工具调用返回异常未处理加最大轮次限制和异常兜底6. 这套东西后续还能怎么扩展最后聊点实在的。专利 AI 工具不是做完一个检索智能体就结束了它的扩展空间很大。往深了做可以把 Skills 库做厚。我现在手里已经攒了十几个专利专用 Skill权利要求引用检查、说明书支持性检查、摘要字数校验、附图标记一致性检查、期限计算、费用估算。这些 Skill 可以自由组合到不同的智能体上复用率很高。往宽了做可以接 MCP 生态。等企业内部案卷系统、客户管理系统都实现了 MCP Server一个智能体就能横跨多个系统干活。比如客户来一个交底书智能体自动建档、查新、分配代理师、生成初稿、提醒期限——这才是流程级自动化。往合规了做要建立 AI 输出的审核机制。我的做法是设两道关AI 自查检查格式、引用、逻辑一致性加人工复核代理师终审。AI 自查用规则引擎做快且稳人工复核聚焦法律判断这是 AI 替代不了的。我个人在实际操作中的体会是专利 AI 工具的价值不在于“替代人”而在于“把人从重复劳动里解放出来去做真正需要专业判断的事”。一个代理师花三小时做查新其中两小时是机械的检索和整理AI 把这两小时压缩到二十分钟代理师就能把省下的时间用在权利要求布局和技术特征分析上。这个账算得过来。
阅读完成 · 觉得有帮助？
