patent-disclosure-skill：让写专利交底书这件事不再卡住工程师

一个做了八年核心研发的工程师，代码是他敲的，方案是他扛的，但每次到专利交底书环节就卡住。

不是不会写——是不知道「专利点怎么挖」。明明做了一个很巧妙的缓存策略，但写出来就是「一种缓存方法」这种平淡到审查员会直接驳回的表述。查新怎么做？框图怎么画？Word 模板怎么填？权要怎么写才能既保护范围大又不被现有技术打掉？

这些问题的答案，散落在专利代理人脑子里、审查指南里、几百页的培训材料里。工程师没时间学这些，专利代理人没时间学工程师的技术细节。

handsomestWei/patent-disclosure-skill 试图用 AI 填补这个空隙。它在 GitHub Trending 上一天涨了 571 颗星。

它解决什么问题

中国专利申请的第一步是写「交底书」——一份给专利代理人的技术说明文档，讲清楚你的发明是什么、解决了什么问题、怎么解决的、有什么创新点。

听起来简单，实际上卡住无数工程师：

1. 专利点挖掘：你做了一个系统，但不知道哪些部分值得申请专利。一个功能可能拆成 3 个专利点，也可能 1 个都申请不下来。
2. 查新：你得先搜一下有没有人已经申请过类似的。国知局的检索系统有自己的查询语法，不是 Google 搜一下就行的。
3. 框图：交底书需要结构框图。发明用 mermaid 流程图，实用新型需要结构线稿，外观设计需要产品轮廓图——三种专利类型的图完全不同。
4. Word 输出：最终交付物是 .docx 文件，不是 Markdown。需要按模板排版、嵌入图片、标注部件序号。
5. 迭代：交底书写完不是结束。代理人会要求补材料、纠错、修改权要。每次修改都要留痕。

这个 skill 把这五步全部打通了。

核心能力拆解

1. 三种专利类型分模板处理

中国专利有三种：发明、实用新型、外观设计。三者的交底书结构完全不同：

• 发明：方法/系统/算法流程，用 mermaid 框图
• 实用新型：形状、构造、连接与装配，需要结构线稿 + 部件序号引出
• 外观设计：外形、图案、色彩，需要产品线稿

skill 会根据你说的类型自动切换模板。你说「实用新型交底」，它就用实用新型的模板，不会给你套一个发明的框图格式。

2. 项目扫描：从代码到专利点

这是最有意思的部分。skill 会扫描你的项目目录——读文档、读代码、读 .docx 和 .pptx（先转 Markdown 再扫），从中提取可能值得申请专利的技术点。

扫描的优先级是：文档 > 代码。也就是说，如果你有设计文档，它先读文档；没有文档才去读代码。这符合专利审查的逻辑——专利保护的是「技术方案」而不是「代码实现」，设计文档比代码更接近「技术方案」的抽象层次。

3. 查新：对接国知局

skill 内置了一个国知局（CNIPA）中国专利公布公告的爬虫（tools/crawl/cnipa_epub_search.py）。它会用你挖出的专利点去搜已有的专利，看有没有撞车的。

如果国知局搜索异常或无果，会降级到 WebSearch。这个降级策略很实用——国知局的系统偶尔会抽风，不能让它成为单点故障。

4. 出图：自动生成线稿

这个功能很硬核：

• 外观线稿：从产品图自动提炼造型轮廓。如果你有合格线稿就用已有的，没有就用图生图/文生图生成。
• 实用新型结构线稿：从结构图自动生成轮廓和部件序号引出。按 structure_schema.parts 写出子 SVG，总图相对引用。
• CAD 三维投影：从 STEP/STP 工程模型自动提取等轴测等多视角。

这意味着你不需要手动画图——skill 会从你的设计材料中自动生成符合专利要求的图。

5. Obsidian 知识库：把专利读厚

除了写交底书，skill 还能「读专利」——把公开专利的权要树、术语表、特征-说明书-附图对照提取出来，存入 Obsidian 知识库。

这个功能的价值在于「复利」：每读一篇专利，术语和权要之间的双链就丰富一点。读了几十篇之后，你的 Obsidian 库就是一个个人专利情报层——可以做专利比对、同族对照、技术路线梳理。

6. 政策雷达 + 审查答复

两个进阶功能：

• 政策雷达：联网搜国知局近期政策与审查动向，整理成参考清单。审查指南一变，交底书写法可能就要跟着变。
• 审查答复辅助：历史通知书和答复脱敏入库，打上法条/缺陷标签。新通知书来了，按标签过滤检索历史经验，起草意见陈述。可选启用本地向量模型做语义检索——相当于给自己搭一套 RAG 知识库。

为什么这个项目值得注意

「最后一公里」问题

AI 编程助手已经能写代码了，但「把技术工作转化为可交付的专业文档」这一步一直缺人做。专利交底书只是其中一个场景——类似的需求还有：

• 技术评审文档
• 系统设计文档
• 安全审计报告
• 技术方案投标书

这些文档的共同特征是：需要领域知识 + 格式规范 + 多轮迭代。工程师会做技术但不会写文档，代理人会写文档但不懂技术。patent-disclosure-skill 试图用 AI 同时覆盖这两端。

垂直 skill 的深度

和通用 AI 助手不同，这个 skill 的深度体现在：

• 知道三种专利类型的区别和各自模板
• 能对接国知局检索系统
• 能从 CAD 文件提取工程视图
• 能生成符合专利要求的线稿
• 知道审查指南的变化会影响交底书写法

这些知识通常需要一个专利代理人 + 一个工程师 + 一个 CAD 绘图员三个人协作才能完成。skill 把三个角色的工作压缩到一个 AI 对话里。

Obsidian 作为知识层

选择 Obsidian 作为知识库载体是一个聪明的决策。Obsidian 的双链 + 图谱 + Canvas 天然适合专利这种「术语密集、交叉引用多、需要可视化关系」的场景。

一篇专利的权要树、术语表、特征对照可以存为笔记，多篇专利之间通过双链关联。随着库变厚，可以做专利比对、技术路线梳理、差异点扫描——从「读懂」推进到「用起来」。

一些冷静的观察

产出仍是草稿

skill 的 README 明确说「产出为草稿，须人审后再递交」。AI 能生成结构和初稿，但专利的权要措辞、保护范围界定这些精细活，仍然需要专利代理人把关。

CAD 解析的局限性

skill 默认不解析 STEP/STP 文件，遇到时「成文不中断，交底落盘后再问」。这说明 CAD 解析还是个硬骨头——不同 CAD 软件导出的 STEP 文件格式差异大，解析稳定性存疑。

政策合规性

skill 的「政策雷达」功能联网搜国知局动向，但「默认不开；你点头确认前，不会擅自改交底/解读流程」。这个设计是合理的——政策变化不应该自动改变工作流程，人需要保持决策权。

更大的图景

patent-disclosure-skill 代表了一个趋势：AI 编程助手的垂直 skill 正在从「写代码」扩展到「写专业文档」。

代码是结构化的、有编译器验证的、错了能跑测试发现的。但专业文档（专利交底书、审计报告、投标书）是非结构化的、没有编译器验证的、错了要等到审查或投标结果才知道。

这意味着垂直 skill 的门槛更高——不只是懂代码，还要懂领域知识、格式规范、合规要求。patent-disclosure-skill 的做法是把领域知识编码为 skill 的「模式」（发明/实用新型/外观/政策/审查答复），每个模式有自己的工具链和模板。

这个模式可能会被复制到其他需要「技术 + 专业文档」交叉的场景。任何「工程师做了活但不会写交付文档」的领域，都可能长出一个类似的垂直 skill。

项目地址：https://github.com/handsomestWei/patent-disclosure-skill

适合人群：需要写专利交底书的工程师、专利代理人、企业知识产权团队

上手难度：中等（需要了解专利基础知识 + Obsidian 可选但推荐）