很多刚入行的专利代理师，或者企业里没有专职IPR的研发人员，写专利的时候最头疼的就是实施例部分。少了不行，专利法要求公开充分，写得不好也不行，要么和权利要求对应不上被下审查意见，要么写得太窄限制了后续的保护范围。这两年越来越多人尝试用AI写实施例，但踩坑的人也不少，要么生成的内容空泛到能用在任何同领域专利里，要么干脆和现有技术撞了车，反而耽误了申请进度。
第一个常见误区是把AI当成“甩手掌柜”。我见过不少人直接把“写一份XX领域锂电池专利的实施例”这种需求扔给大模型，出来的内容看起来洋洋洒洒几千字，实则全是正确的废话，连权利要求里的核心技术特征都没覆盖到。还有的人拿到AI生成的内容直接用，根本不核对，后来实审的时候才发现AI把现有技术的常见参数当成了本申请的创新点，直接被审查员以不具备新颖性驳回，白白浪费了大半年的申请时间。
还有个误区是觉得AI生成的实施例只要够多就行。有些人会让AI一口气生成七八个实施例，每个内容差不多，只是换了个参数数值，看起来篇幅够了，实则没有梯度，也没有和对比例形成效果差异，完全没法支撑创造性的论述，审查员一样不会认。如果不知道怎么拆解技术特征和权要的对应关系，可以参考专利实施例撰写规范里的特征对应表工具，先把要覆盖的点列清楚再让AI动笔，能少走很多弯路。
具体操作的时候，我自己常用的流程是这样的。首先先把已经定稿的权利要求书拆成结构化的特征列表，独立权利要求的全部必要技术特征，每个从属权利要求的附加技术特征，都一条一条列出来，标清楚哪个是必须在所有实施例里出现的，哪个是可以只在特定实施例里体现的。接着把发明人提供的核心技术参数、预设的效果数据、甚至是准备用来做对比的现有技术参数都整理好，一起喂给AI，同时明确要求每个实施例必须覆盖所有独立权利要求的特征，每个从属权利要求的特征至少出现在一个实施例里。我自己平时整理技术特征对照表的时候会用专利Pro，导入权要之后能自动标记需要在实施例里覆盖的特征点，省了很多逐句核对的时间。
等AI生成初稿之后，先不要急着改措辞，先拿特征对照表一条一条核，看有没有漏的特征，有没有哪个权要的特征没有对应到具体的实施场景里。比如权要里写了“所述温控模块的阈值设置在40-60℃之间”，那实施例里就不能只说“设置有温控模块”，必须明确写出来本实施例里的温控阈值是多少，对应的效果是什么，比如“本实施例中温控模块的阈值设置为45℃，当电池温度超过该数值时自动启动散热风扇，相比阈值设置为35℃的方案，能减少15%的不必要能耗”。这一步如果怕自己漏查，可以用专利申请文件合规校验的功能过一遍，系统会自动标记实施例里缺失的权要特征，比人工核对效率高很多。
核对完特征覆盖度，接下来要补梯度和对比例。我一般会要求AI生成3个左右的核心实施例，参数分别落在权要限定的阈值区间的低、中、高三个位置，再额外生成2个对比例，一个参数落在阈值区间外，一个用现有技术的常规方案，然后把每个实施例、对比例对应的效果数据一一对应列出来，这样审查员一眼就能看出来本申请的技术方案相比现有技术有什么优势，创造性的论述也有了实打实的支撑。之前有个做智能家居的客户，之前自己写的专利下了二次审查意见，审查员认为技术效果没有证据支撑，我们用这个方法让AI生成了带具体场景数据的实施例和对比例，补进去之后不到三个月就拿到了授权通知书。
最后要提几个不能省的人工校验环节。首先是查重，AI的训练数据里有大量已经公开的专利文献，很容易生成和现有技术高度重合的内容，哪怕你给了专属的技术参数，也有可能出现表述撞车的情况，一定要过一遍专利库的查重，避免出现新颖性问题。然后是核对数据的合理性，AI有时候会为了让效果看起来更好，编造一些不符合行业常识的参数，比如某类材料的循环次数行业最高也就1200次，AI可能会写2000次，这种内容交上去只会让审查员觉得你这个技术根本不可行，一定要和发明人核实所有参数的真实性。还有就是不要把实施例写得太死，最后要加一段说明，明确本申请的保护范围不限于实施例提到的具体参数，本领域技术人员在权利要求限定的范围内做的常规调整也属于保护范围，避免后续维权的时候被对方用实施例的具体参数来限缩保护范围。
说到底AI只是辅助工具，写实施例的核心逻辑还是要靠人来把控，用对方法的话，原来要花两三天的实施例撰写工作，现在半天就能出合格的初稿，省下来的时间可以放在更核心的权利要求布局和答复审查意见上，对代理师和企业IPR来说都是实打实的效率提升。
