过去一年多，我接触到的企业研发负责人、独立发明人，甚至一些刚入行的专利工程师，都会问同一个问题：直接让AI生成权利要求书，到底能不能用？
这个问题背后往往有两种心态。一种是想省代理费，把技术交底书丢给大模型，期待它几分钟吐出一套完整申请文件；另一种是被各种“AI一键写专利”的宣传弄得焦虑，担心自己再不用工具就落后了。我的看法其实没那么极端：AI生成权利要求书有用，但它的“有用”主要体现在辅助整理和初稿搭建上；如果把生成结果直接提交，风险比很多人想象的大。
先看清权利要求书到底难在哪里
权利要求书不是技术方案的说明书，也不是把产品功能换一种法律口吻重写一遍。它要在技术事实和法律边界之间找到合适位置：范围写宽了，可能因为缺乏新颖性或创造性被驳回，也可能被现有技术轻易规避；范围写窄了，竞争对手换个参数、换个连接关系就能绕开，专利价值会大打折扣。
更麻烦的是，权利要求里的每个词都可能在后续审查、无效或侵权诉讼中被反复解释。比如“连接”是否必须是固定连接，“大致”“约”这类模糊措辞有没有说明书支持，装置权利要求里的功能模块是否能得到实施例支撑，都不是简单措辞问题。
AI最擅长的是根据已有文本生成形式上规范的表达。它能很快列出“一种……装置，包括……”这类句式，也能补全从属权利要求的层次。但它并不天然理解发明的核心改进点，更不会自动判断哪些现有技术必须避开、哪些技术特征才是真正的创新支点。
常见误区：看起来完整，不等于保护范围成立
我见过不少AI生成的权利要求书，第一眼很唬人：独立权利要求、从属权利要求、方法权利要求一应俱全，术语也显得专业。但细读会发现几个典型问题。
第一，把非必要限定写进独立权利要求。例如一个数据处理方法，真正的创新点在于异常样本的筛选规则，AI却把前端界面、数据库类型、设备通信方式都限定进去。这样写出来的方案很具体，但竞争对手只要换个界面或数据库，就可能不落入保护范围。
第二，从属权利要求只是在机械拆分。表面上有十几条，实际上只是把独立权利要求中的部件换个顺序重复，没有形成有效的退路。审查意见一旦指出独立权利要求没有创造性，后续条款接不住，修改空间会很窄。
第三，权利要求与说明书脱节。AI可能生成“智能调度模块”“动态补偿单元”之类的表述，但说明书里并没有明确这些模块如何实现。遇到支持性问题，答复会很被动。
第四，上位概括过度。为了显得保护范围大，模型有时会把具体结构概括成“处理单元”“连接机构”“判断模块”。这种概括不是不能做，而是要看说明书中是否给出了可替代实施方式，以及本领域技术人员能否预见这些替代方式都能解决同一技术问题。
比较合理的用法：让AI做起草助理，不让它替你做判断
我现在使用AI写权利要求，一般不会直接输入“帮我写一份专利权利要求书”。这样得到的内容通常四平八稳，却没有重点。更好的方式，是先把关键判断交给人，再让模型完成结构化表达。
具体来说，可以先让AI根据技术交底书梳理三个清单：发明要解决的技术问题、区别于现有技术的核心特征、每个特征带来的技术效果。这个过程适合人工反复纠正。因为一旦问题和特征抓错，后面写得再漂亮也没用。
确认核心特征后，再让AI围绕最必要的技术特征起草独立权利要求。这里要特别检查独立权利要求里有没有“顺手带进来”的商业描述、产品参数、使用场景。我的习惯是把每一个限定都问自己一遍：如果竞争对手不用这个特征，是否仍然采用了本发明的核心思路？如果答案是肯定的，这个特征就不应该轻易放在独权里。
从属权利要求可以让AI帮忙拉开层次，但需要人工设计退路。通常可以从结构细节、参数范围、可选步骤、应用场景等维度展开，而不是简单重复。比如独权保护一种检测方法，从权可以逐步限定样本获取方式、阈值更新规则、异常处理机制以及具体应用领域。这样审查员质疑独权时，才有逐层修改的抓手。
如果你需要一个更顺手的辅助工具，也可以试试 专利Pro。它更适合把技术交底、权利要求梳理和专利文本起草放在一个流程里处理，比单纯向通用聊天模型下指令稳定一些。不过即使用这类垂直工具，最后仍要由懂技术和专利规则的人核对。
AI真正有价值的地方
抛开“一键生成”的幻想，AI在权利要求撰写中的价值其实很实在。
它能提高初稿速度。面对一份冗长的技术交底书，AI可以先提取步骤、模块和参数，帮助代理人快速形成框架。对机械、软件、通信这类结构相对清楚的方案，这种提效尤其明显。
它也适合做语言一致性检查。比如权利要求里写“发送提示信息”，说明书里却写成“输出报警信号”，模型可以帮助发现表述不一致。又比如某一特征在独权中出现，但具体实施方式没有充分展开，也可以让AI标出潜在的支持问题。
它还能帮助新人学习权利要求的基本层次。刚接触专利撰写的人，可以通过对比AI初稿和资深代理师修改稿，理解为什么某些限定要上移，为什么某些模糊表达要删除。这比单纯看模板更容易建立感觉。
但这些价值都建立在一个前提上：使用者知道什么是好的权利要求。否则，AI给出的每一句流畅表达，都可能掩盖保护范围上的漏洞。
哪些情况尤其不能只依赖AI
如果发明点集中在算法规则、商业方法与技术手段的结合、医药用途、材料配方或复杂工艺参数，直接采用AI生成稿要格外谨慎。这些领域往往涉及大量边界判断，通用模型容易把技术方案写得像功能目标，而不是可实施的技术手段。
如果产品准备进入海外市场，也不能只按中文申请文本的思路生成后直接翻译。不同司法辖区对权利要求解释、软件专利适格性、功能性限定和修改超范围的尺度并不相同。一个在中国申请中看起来常见的表述，进入美国或欧洲后可能带来完全不同的结果。
还有一种情况值得警惕：技术交底书本身不清楚。发明人只描述“系统能够自动识别并提升效率”，没有给出识别依据、数据处理步骤和验证结果。此时AI越会补全，越可能凭空增加方案细节。这些内容如果没有发明人确认，轻则保护范围不准，重则影响专利稳定性。
靠谱的流程，比靠谱的提示词更重要
所以，AI生成权利要求书到底靠不靠谱？我的答案是：作为草稿工具靠谱，作为替代专业撰写的方案不靠谱。
一条相对稳妥的流程应当是：先由人明确现有技术和发明区别，再让AI整理特征并生成初稿；随后人工删改独立权利要求中的非必要限定，重新设计从属权利要求层次；最后回到说明书核对术语、实施例和技术效果。必要时，还应结合检索结果调整保护范围。
在这个流程里，AI不是拍板的人，而是一个反应很快、表达很顺、但不替结果负责的助理。真正决定专利质量的，仍然是对技术方案的理解、对现有技术的判断，以及对权利要求边界的拿捏。
如果只是为了交一份文件，AI也许能让页面很快填满；但如果专利要用于融资、市场竞争、产品防御或许可谈判，那些看似枯燥的限定、层次和措辞，才是这份文件真正值钱的地方。