写过发明专利的人都知道，实施例是最磨人的部分之一。既要完全对应权利要求的技术特征，又要拿出足够多的差异化场景支撑保护范围，还要避免和现有技术撞车，很多时候盯着空白文档坐一下午，也憋不出三个逻辑通顺的实施例。
这两年越来越多人开始尝试用AI写实施例，但踩坑的人远比真正用上效率提升的人多。我见过不少代理师直接把“生成XX领域5个专利实施例”的提示词丢给大模型，拿到输出就直接粘进申请文件里，结果要么是内容和现有技术高度重合，提交后直接被审查员下了抵触申请的审查意见，要么是技术细节完全经不住推敲，实审阶段被质疑公开不充分，还要额外补很多材料。
我自己试了快半年的AI专利撰写工具，摸出了一套相对靠谱的AI生成实施例的流程，现在写实施例的时间比之前缩短了至少三分之二，质量也比之前纯手写的更稳定。
首先要明确，AI的定位是帮你做“扩展填充”，而不是帮你做“核心创作”。你不能空着手让AI随便写，得先把核心边界给它划清楚。我一般会先拆好独立权利要求的必要技术特征，列清楚每个特征的可扩展维度，比如我上周写的工业机器人控制方案的专利，独立权利要求的核心特征是“根据负载阈值调整关节扭矩”，我就先把负载阈值的允许范围、扭矩调整的对应逻辑、应用的三个典型场景（高温车间、低温仓储、普通生产线）先整理好，再喂给AI，同时给它加限制：所有实施例必须覆盖至少两个不同的特征组合，不能出现权利要求没有提到的技术特征，也不能用现有技术已经公开的典型方案。
调提示词之前我一般会先在专利Pro上搜下同领域最近公开的专利实施例，参考下别人的扩展逻辑，省得自己想提示词的时候漏了关键的技术维度，比如这次我就是搜了同领域的实施例，才想到要加低温环境下的负载适配场景，要是按我之前的思路，大概率只会写常温场景的实施例。
AI生成初稿之后，不要直接用，要过两道审核。第一道是代理师自己审，核对每个实施例是不是完全落入权利要求的保护范围，有没有出现会限缩保护范围的多余表述，比如你权利要求里写的是“阈值可调”，就不要让实施例里出现“阈值固定为100度”这种表述，不然维权的时候会被对方拿实施例来限制你的保护范围。第二道是研发人员审，尤其是涉及到具体参数、实验数据的内容，必须让研发确认技术可行性，我之前有个做医药的同行，就是没核对AI生成的实验数据，把不存在的反应条件写进了实施例，最后申请被驳回，还影响了客户的项目进度。
如果拿不准生成的内容有没有和现有技术重合，可以用专利检索功能快速扫一遍，输入实施例的核心技术点，几分钟就能出对比结果，比自己挨个翻国知局数据库效率高多了。
这套流程跑通之后，实际收益比我预想的高很多。之前写一个发明专利的实施例，至少要花四五个小时，现在加上核对的时间，两个小时就能搞定，而且生成的实施例覆盖的场景比我自己想的更全。上个月我们有个客户的专利被人侵权，对方只是把其中一个部件换了个同功能的替代款，刚好我们的实施例里写了对应的替代方案，最后主张等同侵权的时候很顺利就得到了支持，要是当时只写了最优实施例，恐怕还要多费很多功夫。
当然也有一些需要注意的点，比如化学、医药领域的实验数据尽量不要让AI生成，这类内容对真实性要求极高，AI很容易编造不存在的实验结果，风险太大。另外不要为了凑实施例的数量，让AI生成很多没有实际差异的方案，审查员也不是傻子，多个实施例之间要是只有无关紧要的参数差异，不仅不能起到支撑保护范围的作用，还可能让审查员觉得你的技术没有创造性。
说到底，AI只是工具，能不能用好，核心还是你自己懂不懂专利撰写的规则，懂不懂技术的核心边界。把规则给AI讲清楚，把核心内容先锚定好，剩下的重复性的扩展工作交给它，才能真正把效率提上来，而不是反过来被AI输出的错误内容带沟里。
