AI写专利开源工具全景调研:从PatentWriterAgent到中科院AutoPatent,国内最适合用的是哪个?

全网检索并深度对比8个AI专利相关开源项目，涵盖专利撰写、搜索、审查、质量控制全链路。重点分析PatentWriterAgent、PatentAgent、AutoPatent、PatentDrafter等项目的架构、能力边界与适用场景，为科研团队和专利工作者提供选型参考。

写专利这件事，大概是科研工作者最头疼的「后勤工作」之一。技术方案明明想清楚了，一到要把它们翻译成符合专利法规范的权利要求书和说明书，就开始抓耳挠腮。更要命的是，从交底书到正式提交，往往要折腾一个月以上——对于迭代飞快的 AI、芯片、新能源这些领域，一个月可能意味着你的「创新点」已经被别人抢先了。

所以当我看到 GitHub 上开始出现专门写专利的 AI 开源项目时，第一反应是：这帮人太懂科研一线的痛点了。但仔细一搜才发现，这个赛道虽然项目不少，但鱼龙混杂——有的只能生成摘要，有的号称「一键万字」但代码还没开源，有的面向美国专利局，有的只支持繁体中文。

这篇文章，我把全网能找到的 AI 专利相关开源项目筛了一遍，挑出 8 个值得关注的，从功能、架构、活跃度、适用场景几个维度做对比，最后给出我的选型建议。

一、调研范围与筛选标准

这次调研覆盖 GitHub 及公开论文中的 AI 专利工具，筛选标准有三条：

1. 代码开源或可验证：至少能看到项目结构、核心逻辑或论文细节
2. 与专利撰写/分析直接相关：排除纯专利搜索、纯分类的周边工具
3. 有实际使用价值：不能只是学术 Demo，要真的能跑起来或快速复现

最终入围 8 个项目：

二、核心项目深度解析

2.1 PatentWriterAgent —— 当前最成熟的专利写作智能体

GitHub: ninehills/PatentWriterAgent
Stars: 517 | Forks: 105 | 最近更新: 2026-05-01

这是目前 GitHub 上关注度最高的专利写作开源项目，517 个 Star 在细分赛道里算相当亮眼。

核心设计：

项目采用智能体（Agent）工作流架构，将专利写作拆解为多个可执行的子任务。从仓库文件看，项目包含：

• PATENT_SKILL.md — 专利写作 Skill 定义文件（类似 OpenClaw Skill 格式）
• arch.md — 架构设计文档
• APP_README.md — 应用说明
• CLAUDE.md — 针对 Claude 的上下文提示

工作流程（从仓库信息推断）：

发明人输入技术交底书
    ↓
专利理解 Agent —— 解析技术方案、识别创新点
    ↓
权利要求规划 Agent —— 构建权利要求树（独立+从属）
    ↓
说明书撰写 Agent —— 生成技术领域、背景、详细描述
    ↓
摘要生成 Agent —— 提炼核心内容
    ↓
审查 Agent —— 检查专利法合规性、逻辑一致性
    ↓
输出完整专利文档

优势：

• 社区活跃：105 个 Fork 说明确实有人在用、在改
• 架构清晰：Skill + Agent 的设计，易于扩展和定制
• 与主流 AI 工具链兼容：从文件命名看，原生支持 Claude

局限：

• 项目较新，文档完善度还在提升中
• 具体支持的专利类型（发明/实用新型/外观）不明确
• 输出格式是否符合中国专利局要求，需要验证

适用场景：有技术交底书、需要快速生成初稿的科研团队；希望基于开源项目二次开发的企业

2.2 PatentAgent —— 小而精的专利撰写助手

GitHub: abelxiaoxing/PatentAgent
Stars: 23 | Forks: 6 | 最近更新: 2026-04-28

这是一个更轻量级的项目，但「小而精」——代码结构清晰，功能聚焦。

技术架构：

PatentAgent/
├── main.py              # 主应用入口
├── auth.py              # 认证模块
├── config.py            # 配置管理
├── llm_client.py        # LLM 接口封装
├── prompts.py           # Prompt 模板库 ← 核心
├── state_manager.py     # 状态管理
├── ui_components.py     # UI 组件
└── workflows.py         # 工作流编排 ← 核心

核心能力（从代码结构推断）：

优势：

• 代码简洁：没有过度工程化，容易读懂、容易改
• Prompt 可定制：prompts.py 把 Prompt 和业务逻辑分离，替换 Prompt 就能适配不同专利类型
• 多模型支持：通过 llm_client.py 可以接入国产大模型（通义、文心、DeepSeek 等），解决数据安全顾虑

局限：

• Star 数较少，社区验证不足
• 功能相对基础，缺乏 AutoPatent 那样的多轮审查机制

适用场景：希望快速搭建一个「能用」的专利撰写助手的团队；对代码可维护性有要求的开发者

2.3 AutoPatent —— 学术水准最高的框架（但代码尚未开源）

作者：中科院深圳先进院 + 大连理工大学
论文：已发表（ACL/NeurIPS 相关会议）
GitHub: QiYao-Wang/AutoPatent — 仓库存在，标注「代码将在论文接收后开源」

虽然代码还没完全开放，但论文和仓库已经披露了大量技术细节，值得重点分析。

核心创新：

AutoPatent 提出了一个全新任务：Draft2Patent —— 将发明人的技术底稿（Draft）转化为完整专利文档。为此构建了 D2P 数据集，包含 1,933 条「底稿-专利」数据对。

8 个智能体的三阶段架构：

Step I: 短组件生成（并行）
├── 标题写作者
├── 摘要写作者
├── 技术背景写作者
├── 发明内容总结写作者
└── 权利要求写作者

Step II: PGTree 构建（规划）
└── 规划智能体 → 生成专利写作指南树
    （双层多路树结构，指导详细描述的组织）

Step III: RRAG 详细描述生成（迭代）
├── 详细描述写作者 ←→ 审查智能体
└── 多轮交互，直到通过质量审查

关键技术：

实验结果：

• 使用 Qwen2.5-7B 作为基座模型时，生成的专利质量超过 GPT-4o 和 LLaMA3.1-70B
• 完整专利平均长度 17K tokens，生成时间约 10 分钟
• 三位专利法专家的人类评估：AutoPatent 质量优于所有基线方法

优势：

• 学术水准最高：多智能体协作、PGTree、RRAG 都是原创性设计
• 有数据集支撑：D2P 数据集可用来训练/微调自己的模型
• 针对中文专利优化：使用 Qwen 系列模型，天然适合中国专利局格式

局限：

• 代码尚未完全开源：核心逻辑可以参考论文复现，但完整代码还没放出
• 计算资源要求高：论文提到未对 14B 以上模型做全面微调
• 需要专业专利代理人最终审核：框架自己也承认这一点

适用场景：有算力资源、愿意基于论文复现或等待代码开源的科研团队；对生成质量要求极高的场景

2.4 PatentDrafter —— 基于 Claude 的多 Agent 繁中方案

GitHub: Raw1mage/PatentDrafter
Stars: 2 | 最近更新: 2026-02-25

这个项目基于 Claude AI，采用多 Agent 协作架构，输出完整的专利申请文件。

生成内容：

• 摘要（abstract.md）
• 权利要求书（claims.md）
• 说明书（description.md）
• Mermaid 技术图表
• 完整专利文档（complete_patent.md）

局限：

• Star 数极低（仅 2 个），社区验证几乎为零
• 基于 Claude，国内使用有网络门槛
• 界面和文档是繁体中文，简体用户需要适配

适用场景：已经在用 Claude、需要繁体中文专利输出的台湾/香港用户

2.5 Taibao (太保) —— 知识产权领域大模型

GitHub: QiYao-Wang/Taibao
Stars: 7 | 基座模型: Qwen-7B

「太保」是首个知识产权公共服务大模型，定位不是「写专利」，而是覆盖知识产权全链条的智能服务。

四大能力模块：

训练数据：约 136,000 条指令样本，覆盖专利分类、翻译、生成、对话、语义相似度等任务

局限：

• 7B 参数规模较小，生成长文本（完整专利说明书）能力有限
• 是「大模型」而非「专利写作工作流」，需要额外封装才能用于批量撰写
• 项目更新较慢（2026-03-04 后无明显更新）

适用场景：需要知识产权问答、翻译、分类等辅助功能的团队；可作为 PatentAgent/PatentWriterAgent 的底层模型

2.6 PatentAI / 302 Patent Search —— 偏搜索分析，非撰写

这两个项目主要做专利搜索和分析，不是写专利的工具：

• PatentAI (yorkeccak/patents): 面向 USPTO，自然语言查询专利，做 prior art 搜索、FTO 分析、竞争情报
• 302 Patent Search: AI 专利搜索 + 全文翻译 + AI 问答

如果你需要的是「写专利」，这两个不适用。但如果你的流程里包含「先搜现有技术再写」，可以把它们作为前置步骤接入工作流。

2.7 Patent QC Skill —— 专利质量控制

作者: LeonardHope (LinkedIn 上活跃)
定位: Claude Skill，用于专利提交前的质量检查

这个工具不做「写」，做「审」——对已经写好的专利文件执行 70+ 项检查，包括：

• 说明书与权利要求的一致性
• 附图与文字描述的对应关系
• ADS（申请数据表）完整性
• 转让书、委托书格式检查

输出 markdown + PDF 格式的质量报告。

价值：在 PatentWriterAgent 或 PatentAgent 生成初稿后，用这个 Skill 做一轮自动化 QC，能 catching 很多低级错误。

三、五维度综合对比

四、选型建议：不同场景用什么

场景 A：科研团队，想快速用上

推荐: PatentAgent (abelxiaoxing)

理由：代码简洁，启动成本低，Prompt 和业务逻辑分离，接入国产大模型（通义/DeepSeek）就能跑。适合「先跑起来，再迭代优化」的节奏。

场景 B：有开发能力，想深度定制

推荐: PatentWriterAgent (ninehills)

理由：社区最活跃（517 stars / 105 forks），Agent 架构可扩展，适合作为基础框架二次开发。可以结合自己的技术领域知识，训练专属的 Patent Skill。

场景 C：追求最高生成质量，愿意投入资源

推荐: AutoPatent (中科院)

理由：学术水准最高，Qwen2.5-7B 就能超过 GPT-4o 的效果。建议：先关注仓库动态等代码开源，同时基于论文复现核心逻辑（PGTree + RRAG）。

场景 D：需要知识产权全链条服务

推荐: Taibao + PatentAgent 组合

理由：Taibao 做问答、翻译、咨询；PatentAgent 做撰写。两者都用 Qwen 系列模型，技术栈一致，容易整合。

场景 E：已有初稿，需要质量检查

推荐: Patent QC Skill (LeonardHope)

理由：70+ 项检查，输出 PDF 报告。可以和任何撰写工具配合使用。

五、写在最后

AI 写专利这件事，目前处于「能用但不够好」的阶段。

开源工具已经能帮你：

• ✅ 把技术交底书翻译成符合格式的专利初稿
• ✅ 生成权利要求的层级结构
• ✅ 自动检查格式和逻辑问题
• ✅ 大幅降低「从 0 到 1」的时间成本

但它们还做不到：

• ❌ 替代专利代理人的专业判断（新颖性、创造性、保护范围）
• ❌ 完全理解复杂的技术交叉领域
• ❌ 处理需要大量实验数据支撑的化学/生物专利

所以最务实的用法是：让 AI 做「初稿生成 + 格式检查」，把代理人的时间解放出来，专注于「保护范围设计」和「审查意见答复」这些真正值钱的环节。

对于科研团队来说，我的建议是：先用 PatentAgent 跑起来，验证 AI 写专利的可行性；同时关注 AutoPatent 的开源进展，等代码放出后升级系统。如果时间充裕，也可以基于 PatentWriterAgent 的架构，结合自己的专业领域知识，训练一套专属的专利写作 Skill。

本文基于公开资料整理，项目信息截至 2026 年 5 月。开源项目迭代快，具体功能以各仓库最新版本为准。

参考来源：

• GitHub: ninehills/PatentWriterAgent
• GitHub: abelxiaoxing/PatentAgent
• GitHub: QiYao-Wang/AutoPatent (中科院深圳先进院)
• GitHub: Raw1mage/PatentDrafter
• GitHub: QiYao-Wang/Taibao
• GitHub: yorkeccak/patents
• GitHub: 302ai/302_patent_search
• LinkedIn: LeonardHope / Claude Skill for Patent QC
• 腾讯云开发者社区: AutoPatent 技术解读

✅ 已恢复完成。

本文基于公开资料整理，观点为独立分析，不构成专利代理或法律建议。AI 生成的专利文本需经专业专利代理人审核后提交。