为了写AI知识产权，我造了一个AI知产Agent Skill（无广告）

起因

翻了翻市面上的Agent Skill，发现全是通用型的：不管你做视觉、做NLP还是做具身，同一套模板往里套。AI领域的可专利性审查本身就是个坑------"纯内容生成""纯策略优化"直接被认定为智力活动规则驳回。通用Skill根本不关心这些。

于是花了段时间做了 AI-Copyright-Skill，专门面向AI项目的知识产权文件生成。现在v2.0.0，覆盖7大AI领域22个细分方向，11类权利要求模板，直接输出Word和PPT。

GitHub: https://github.com/jaccen/AI-Copyright-Skill

它能干什么

三条路径，覆盖AI项目最常见的知产需求：

1. 专利路径：从代码/论文出发，生成完整的发明专利申请文件------权利要求书（方法+系统+存储介质三件套）、说明书、摘要。顺手还生成一份技术交底书，可以直接交给专利代理人。专利路径默认还会输出一个5-8页的简介PPT，给管理层汇报用。

2. 软著路径：生成软件著作权登记所需的软件说明书和源代码文档，4套领域专用模板。

3. 交底书路径：把论文/研究笔记转成技术交底书，论文的Method自动映射为技术方案，Ablation Study自动映射为备选实施方式。

和通用Skill的区别在哪

核心差异就一个：AI领域专用规则内建。

可专利性预判

启动专利路径时，先跑一遍三要素检测------技术问题是否锚定了具体场景、技术手段是否绑定了系统架构、技术效果是否可量化。然后判定领域风险：8个高/中风险领域（生成式AI、具身智能、RAG、强化学习、AIGC水印、金融风控、AI对齐、NLP）各有对应的撰写对策。

比如生成式AI的常见驳回理由是"纯内容生成落入智力活动规则"，对策是权利要求必须体现"条件控制→模型推理→技术输出"的完整链路，不能只写"输入文本→输出图像"。具身智能则要求每一步骤都绑定传感器输入和执行器输出。

11类权利要求模板

类别	适用场景	特殊要求
2.1 模型架构	2D视觉/通用	子模块对应单元
2.2 3D视觉	3DGS/NeRF/SLAM/点云	四段式+渲染公式
2.3 训练方法	通用训练流程	数据构建→损失→收敛
2.4 多模态大模型	MLLM	模态对齐+融合
2.5 RAG	检索增强生成	完整技术链路
2.6 扩散模型	文生图/可控生成	条件注入步骤
2.7 Agent	智能体	工具调用+记忆管理
2.8 具身智能	VLA/机器人	绑定传感器+执行器
2.9 推理优化	部署优化	量化+编排
2.10 数据处理	数据工程	流水线+增强
2.11 AI水印	水印与溯源	注入层+位置+编码

加粗的就是和通用模板真正拉开差距的部分。3D视觉的权利要求不写成"采集→稀疏重建→稠密优化→渲染输出"四段式+体渲染公式，审查员大概率认为公开不充分。

从属权利要求展开策略

5层通用递进（参数替换→子结构→变体→组合→下游应用）+ 5个领域专用展开：

3D视觉：球谐函数阶数/密度控制策略/渲染方程变体
生成式AI：噪声调度策略/条件注入方式/采样方法
具身智能：Sim2Real迁移/传感器模态/抓取策略
RAG：检索策略/Chunk方法/Reranking
AI水印：嵌入位置/编码方式/鲁棒性验证

脱敏规则

6类通用替换（A100→图形处理器、PyTorch→深度学习框架）+ 14类行业替换 + 4项3DGS/NeRF专项（如3D Gaussian Splatting→三维高斯表示方法）。这些替换不是拍脑袋想的，是根据国知局审查指南确定的------商业品牌名称出现在权利要求里是会被要求修改的。

AI项目自动识别

11类项目判定决策树：从入口文件自动判断------app.py是AI服务、train.py是训练、render.py+gaussian.py是3D视觉、diffusion.py是生成式AI、robot.py+vla.py是具身智能、pipeline.py+langchain是Agent、pipeline.py+rag是RAG。同时检测6个行业特征（自动驾驶、工业、医疗、金融等）。

软著的领域专用模板

4套软件说明书模板：

通用型：标准Web API/交互式Demo
3D视觉型：场景采集→3D重建→渲染预览→模型导出
生成式AI型：条件输入→生成参数→后处理→结果管理
具身智能型：传感器数据→控制指令→仿真环境→遥操作

不同类型的截图建议、功能描述重点都不一样。3D视觉项目的说明书如果按Web API模板写，审查员看着就别扭。

源代码文档优先级排序

12级排序，加上领域必选文件：3D视觉必选render.py、生成式AI必选generate.py、具身智能必选control.py、RAG必选retriever.py。不是随便从项目里复制粘贴60页就完事的。

工作流程长什么样

复制代码

Phase 0  可专利性预判 + 领域风险判定（仅专利路径）
Phase A  需求诊断 → 路径选择+领域归属+风险等级
Phase B  项目分析 → 自动识别AI项目类型+提取技术要点
Phase C  生成（按路径分支）
  ├── C1 专利：查新→布局→交底书→权利要求(11类模板)→说明书→摘要→自检
  ├── C2 软著：软件说明书(4套模板)→源代码文档→自检
  └── C3 交底书：映射(通用6类+领域专用)→撰写→自检
Phase D  确认关卡
Phase E  迭代修正（定向修改，不重跑全流程）
Phase F  Word文档输出（默认自动执行）
Phase G  简介PPT输出（专利路径默认）

每个Phase结束都有一个确认关卡，你可以修改、补充、切换路径、或者暂停存档。不满意某段不需要重跑整条流水线，识别→定位→定向修正→差异标注→另存新版本。

100分制量化自检：权利要求要检完整特征/回引/三件套/充分公开/实施覆盖/效果量化；软著要检页数/截图/功能覆盖/GPU信息/代码行数/一致性。80分以下自动修正，不及格就重写。

实际使用体验

以3DGS项目申请专利为例：

复制代码

你: 帮我基于我的3DGS项目写一份发明专利申请

智能体: 
  Phase 0 可专利性预判
    ✓ 技术问题："大规模三维场景重建中的实时渲染瓶颈"
    ✓ 技术手段："基于自适应密度控制的高斯泼溅方法"
    ✓ 技术效果："推理延迟从120ms降至35ms"
    ⚠ 领域风险：中（3D视觉 - 需在权利要求中展开渲染公式）
    → 可专利性：通过（需应用领域专用撰写规则）

  Phase B 自动检测项目类型
    入口文件：render.py + gaussian.py → 3D视觉类（3DGS）
    领域归属：感知智能 > 3D视觉与图形学
    权利要求模板：2.2（3D视觉）

  Phase C1 生成专利文件
    C1.1 现有技术检索：发现3项相关专利，已区分
    C1.2 布局建议：单件申请（重建+渲染耦合）
    C1.3 技术交底书：已生成（可交付专利代理人）
    C1.4 权利要求：独立(方法，3D视觉四段式)+从属5项+独立(系统)+存储介质
    C1.5 说明书：5章，3个实施例，3DGS专项脱敏已应用
    C1.6 摘要：280字
    C1.7 自检：92/100 → 通过

  Phase F Word文档输出
    → 3dgs-adaptive-density_disclosure.docx（技术交底书）
    → 3dgs-adaptive-density.docx（封面+权利要求+说明书+摘要）

  Phase G 简介PPT输出
    → 3dgs-adaptive-density_简介.pptx（8页，领域：感知智能）

输出3个文件：交底书docx（交给代理人）、专利docx（正式申请文件）、简介pptx（给领导看）。

论文转专利的映射逻辑

这块是我自己踩坑最多的。论文的写作逻辑和专利完全不同：

论文结构	专利映射
Research Problem	技术问题
Contribution/Method	技术方案
Module Design	实施单元
Algorithm Flow	实施流程
Experimental Results	预期效果
Ablation Study	备选实施方式

通用6类映射基本够用，但AI领域有7个专用映射：

3D视觉：渲染公式怎么放进说明书
生成式AI：采样调度策略→从属权利要求
具身智能：Sim2Real迁移→实施方式变体
强化学习：奖励函数→技术效果量化指标
RAG：检索策略→完整技术链路
AI水印：鲁棒性验证→从属权利要求
AI4Science：物理约束→技术手段

安装和使用

安装

星辰超级智能体 / OpenClaw：

bash 复制代码

# 星辰超级智能体
cp -r AI-Copyright-Skill/ ~/.config/teleai-super-agent/skills/AI-Copyright-Skill/

# OpenClaw / Claude Code
cp -r AI-Copyright-Skill/ .claude/skills/AI-Copyright-Skill/

ClawHub：

bash 复制代码

clawhub install AI-Copyright-Skill

使用

安装后在Agent对话中提及专利/软著关键词即可触发：

"帮我基于3DGS项目写一份发明专利申请"
"生成这个具身智能项目的软著登记材料"
"把这篇扩散模型论文转成技术交底书"
/ai-copyright 或 /AI知产

输出格式选项：docx（默认）/ md / both。PPT在专利路径默认生成，其他路径加 --ppt 触发。

知识库结构

整个Skill的核心不只是SKILL.md里的流程定义，更重要的是references目录下三个领域知识文件：

文件	内容
`ai-patent-special.md`	可专利性三要素+8领域风险 / 布局策略(含3D/具身特例) / 6类+10领域映射 / 13类系统附图 / 6+14+4脱敏 / 6组CPC/IPC / 7大领域速查
`ai-software-copyright-guide.md`	11类决策树+6行业检测 / 12级源文件优先级+脱敏清单 / 4套说明书模板 / 10大避坑
`ai-patent-claims-guide.md`	三件套原则 / 11类权利要求模板 / 5层+5领域从属展开

这些内容都是从国知局审查指南、实际审查案例、以及我自己写专利被退回的经验里总结出来的。

最后

做AI研究的人，写代码和论文是长项，处理知产文书是短板。通用工具不管AI领域的特殊审查标准，硬套模板大概率被退回。这个Skill把AI领域的知产规则沉淀成了结构化知识，核心价值不是替代专利代理人，而是让你的技术方案在交给代理人之前就已经是"符合审查标准"的形态，减少反复修改的来回。

MIT许可证，随意使用和修改。有问题欢迎在GitHub提Issue。

GitHub: https://github.com/jaccen/AI-Copyright-Skill

同系列项目 : Awesome-Gaussian-Skills --- 面向3DGS与CG研究的AI Agent技能包