最近半年，我接触到的专利代理人、企业IPR，甚至一些自己提交申请的发明人，几乎都试过用AI写专利说明书。有人觉得效率确实提高了，交底书读完后十几分钟就能拉出一版初稿；也有人用过一次就放弃，因为生成的文字看起来完整，却总觉得“不像一份能打的专利文件”。
这个分歧并不奇怪。专利说明书不是普通技术文章，它既要让所属技术领域的技术人员能够实现，又要为权利要求提供支撑，还要在后续审查、无效和侵权程序中留下解释空间。AI擅长组织语言，却不天然理解这些文本背后的法律功能。
先说一个常见场景。发明人给来的交底书往往并不理想：有的只有几页PPT，关键参数缺失；有的把商业卖点写成技术方案，反复强调“智能化”“高效率”；还有的把实现细节藏在代码或测试数据里，真正需要保护的发明点反而没有提炼出来。过去，代理人要先做技术梳理，再和发明人确认问题、方案和效果。现在很多人直接把交底书丢给大模型，要求“生成一份发明专利申请书”。
这样得到的文本通常很像那么回事：有技术领域、背景技术、发明内容、附图说明、具体实施方式，段落整齐，术语也不少。但细看会发现几个问题。一是方案被模型按常见套路“补全”了，里面可能出现交底书里根本没有的模块、步骤和因果关系；二是有益效果写得很满，却缺少与技术特征对应的推导；三是独立权利要求和说明书之间的支撑关系模糊，说明书看似写了很多，真正能支撑保护范围的内容并不扎实。
所以，我更倾向于把AI看成一个能力很强的专利撰写助理，而不是替你承担判断责任的撰写人。比较稳妥的做法，是先由人把案子的骨架想清楚，再让AI参与那些耗时但相对标准化的工作。
第一步，是让AI帮你读懂材料，而不是直接让它定稿。可以把交底书、现有技术资料、参考专利、产品说明分别输入，要求模型提取待解决的技术问题、核心技术手段、必要参数、可选实施方式和可能的应用场景。这里最好要求它标注每个结论来自哪份材料。没有来源的内容，宁可视为待确认项，也不要轻易写进申请文件。
我自己常用的一个提示方式，是让AI输出“技术特征清单”和“缺失信息清单”。前者按系统模块、执行步骤、输入输出、参数范围、替代方案来拆；后者专门列出模型无法确认的内容，比如某一步骤的触发条件、两个模块之间的通信协议、参数取值范围是否有实验依据。这个清单往往比直接生成初稿更有价值，因为它能帮助代理人和发明人进行第二轮沟通。
第二步，是在保护思路确定后，再让AI起草说明书。权利要求怎么布局、独权要不要上位概括、哪些细节放从权、哪些内容作为实施例支撑，这些决定应当先由人完成。AI可以围绕已经确定的权利要求展开说明书，而不是反过来让一份自动生成的初稿牵着撰写思路走。
例如，一个算法类方案如果独权概括为“根据输入数据确定目标参数，并基于目标参数调整执行策略”，说明书里就要交代目标参数的确定方式、输入数据的类型、调整规则、异常情况、替代算法和至少一个完整实施例。你可以让AI把交底材料中的具体实现扩写为多个层级：一个较上位的通用流程，两个中等概括的实现方式，再配一个带数据和参数的具体例子。这样写出来的内容，才更容易为不同层次的权利要求提供支撑。
在用工具时，也可以关注一些专门面向专利场景的产品。比如平时做AI辅助撰写专利说明书，我会顺手用专利Pro（https://zhuanlipu.com ）整理初稿和校对格式，它比通用聊天工具更贴近专利文本的结构。不过工具只是入口，最后仍要回到方案本身去判断。
第三步，是把AI用于文字一致性和查漏补缺，而不是迷信它的“原创性”。模型生成的段落经常换术语，前面叫“特征提取模块”，后面变成“特征获取单元”；同一参数有时用符号a，有时又写成预设阈值。这些问题人工逐字看很费神，让AI做一致性检查反而高效。还可以让它对照权利要求逐项核对：说明书是否记载了每个特征、是否解释了术语、是否提供了可实施的细节、有益效果是否与区别特征对应。
但要注意，AI提出的修改意见不能照单全收。比如它可能为了让方案更完整，自动加入“云端服务器”“神经网络模型”等热门元素；也可能把技术效果拔高成“大幅提升用户体验”这类没有落点的话。专利说明书中的每一句话都可能影响解释边界，越是流畅自然的增补，越要追问一句：交底材料里有没有依据？这个细节是不是必要技术特征？写进去会不会限缩保护范围？
从实际价值看，AI最明显的作用是压缩低创造性劳动。格式调整、语言扩写、现有技术归纳、附图标记核对、中英文术语统一，这些工作过去会占掉代理人不少时间。现在初稿从两天缩短到半天并不夸张。省下的时间，更应该花在技术比对和权利要求设计上。尤其是软件、通信、智能制造这类迭代很快的领域，发明人给材料往往急、术语杂、方案变化多，AI能帮助撰写人更快进入状态。
另一个价值是帮助发明人形成更完整的交底材料。很多个人申请人并不清楚专利说明书需要写到什么程度，只会描述功能。若把AI生成的“需要补充的信息清单”反馈给发明人，通常比空泛地说“请补充实施例”有效。例如不要问“系统如何智能判断”，而是问“判断所依据的输入字段有哪些、阈值如何设定、判断失败后执行哪条分支”。问题越具体，补回来的材料越能用。
当然，这里面也有几个底线。第一，保密和合规不能省。涉密技术、尚未公开的核心算法、客户限制披露的资料，不能随意输入没有审查机制的公共模型。企业使用时最好确认数据是否被用于训练，有没有私有化部署或企业级协议。第二，发明人提供的真实技术事实不能被模型改写。AI可以调整表达方式，但不能凭空补技术、补实验数据、补技术效果。第三，检索不能只依赖大模型。模型的训练数据有时效，也不提供可靠的法律状态，新颖性和创造性判断仍要回到专利数据库和审查规则。
还有一点容易被忽略：AI写出的文字越平顺，越可能掩盖思考上的懒惰。专利文件不是为了“读起来专业”，而是为了在确权和维权时站得住。背景技术是否承认了不利内容、独立权利要求是否混入非必要特征、功能性限定有没有充分结构或步骤支撑、参数范围是否过宽导致无法实现，这些都需要人来负责。
如果把专利撰写比作画施工图，AI更像一个能快速铺线、标注、排版的助手。它能让房间很快呈现出完整样子，但承重墙在哪里、管线如何避让、未来改造留不留余量，仍然要靠工程师判断。对代理人和企业IPR来说，真正的竞争力不是会不会输入一句“帮我写专利”，而是能不能识别模型输出中的漏洞，并把它约束在正确的位置上。
因此，不必神化AI，也没必要排斥。成熟的工作流应当是：人确定发明点和保护策略，AI负责归纳材料、生成局部文本和检查一致性；人补全技术事实并完成法律表达，AI再做多轮校对。最后定稿前，至少通读全文，假想自己是审查员、竞争对手和法官，分别问三个问题：这个方案新在哪里？有没有绕开的空间？这句话将来会被如何解释？
能回答好这些问题，AI才算真正帮上了忙。否则，一键生成的不过是一份看起来像专利说明书的文本而已。