1. 从技术交底书到权利要求书AI专利撰写工具链的真实卡点AI专利撰写这件事真正动手做过的人都知道难点从来不是“让模型写一段话”而是把一份口语化的技术交底书稳定地转成结构合规、术语一致、权利要求层级清晰的申请文件。我见过太多团队卡在同一个地方交底书里写的是“我们这个模块会先缓存再批量提交”到了说明书里变成“缓存机制”到了权利要求书里又变成“暂存单元”三份文档三个叫法审查员一看就头大。这个场景下AI专利工具链要解决的核心问题有三个。第一是术语一致性同一技术特征在全文中必须用同一个词模型每次生成都要能读到前文已经确定的术语表。第二是结构可校验权利要求书的独立权利要求、从属引用关系、说明书段落编号这些不是自由文本是有格式约束的。第三是多模型分工通用大模型适合做背景技术和实施方式的扩写推理型模型适合做权利要求层级设计和技术特征抽象Agentic AI 则负责把“检索—拆解—生成—校验”串成一条自动流水线。适合谁看这篇如果你是企业研发团队里负责专利初稿的工程师或者是专利代理人想用 AI 提效又或者是初创公司创始人要自己跑通第一版草稿这篇的配置都能直接抄。我试过用一套统一 Key 把大模型和 Agentic AI 工作流接起来下面把可复制的配置、模型路由参数和端到端验证动作完整写出来。先说清楚整体链路技术交底书Markdown 或 Word→ 术语抽取与锁定 → 背景技术/实施方式扩写通用大模型→ 权利要求层级设计推理型模型→ 格式合规校验规则脚本 模型复核→ 输出草稿。每一步都需要调用模型如果每个模型单独申请 Key、单独配环境光是管理凭证就够烦的。所以前置动作是把 Key 统一。2. TaoToken 统一 Key 前置一次配置跑通多模型路由在专利撰写这种多模型协作的场景里最怕的就是“这个模型用 A 平台的 Key那个模型用 B 平台的 Key”环境变量一堆换台机器就崩。TaoToken 在这里的作用是提供一个统一的 API 入口你用同一个 Key 就能路由到不同的大模型Base URL 和鉴权方式保持一致Agentic AI 工作流里切换模型只需要改一个 model 字段。先把地址记清楚。官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 注意 API 地址后面不加任何 UTM 参数直接用它作为 Base URL。模型对话页面在 https://taotoken.net/api-keys 之外还有独立的对话入口接入文档在 https://taotoken.net/doc Coding Plan 在 https://taotoken.net/coding-plan 控制台在 https://taotoken.net/console API Keys 管理在 https://taotoken.net/api-keys 。这些 deep link 后面我会在对应步骤里再点一次方便你直接跳。前置准备分三步。第一步在 API Keys 页面创建一个 Key复制出来形如sk-开头的一串。第二步确认你要用的模型 ID专利撰写场景我建议至少准备两个一个通用生成型负责背景技术、实施方式、有益效果扩写一个推理型负责权利要求层级、技术特征抽象。具体模型 ID 以接入文档里的列表为准不要凭记忆写。第三步把 Key 写进环境变量不要硬编码在脚本里。这里有个容易踩的坑很多人把 Base URL 写成https://taotoken.net/api/带尾斜杠某些 SDK 拼接时会变成双斜杠导致 404。统一写成https://taotoken.net/api不带尾斜杠。另外如果你用的是 OpenAI 兼容的 SDKbase_url参数直接填这个地址SDK 会自动补/v1/chat/completions这类路径如果你手写 HTTP 请求就要自己拼完整路径具体以接入文档为准。环境变量配置我习惯用.env文件加python-dotenv这样 Agentic AI 工作流里每个子步骤都能读到同一份配置。下面这段是可直接复制的# .env TAOTOKEN_API_KEYsk-你的Key TAOTOKEN_BASE_URLhttps://taotoken.net/api PATENT_MODEL_GENERAL你的通用模型ID PATENT_MODEL_REASONING你的推理模型ID注意PATENT_MODEL_GENERAL和PATENT_MODEL_REASONING这两个变量名是我自己定的你在代码里对应读取就行。这样设计的好处是将来换模型只改.env不用动业务代码。对于专利撰写这种需要长期迭代术语表的场景配置和代码分离能省很多事。3. 可复制配置settings.json 与模型路由参数这一节给你可以直接落地的配置文件。我按两种常见形态写一种是给支持settings.json的编辑器/Agent 框架用的一种是给 Python 脚本用的。你按自己手里的工具选。先看settings.json形态。很多 AI 编码工具和 Agent 框架支持用 JSON 配置模型提供方路径通常在项目根目录的.config或用户目录下。下面这份是通用结构字段名以你所用工具的文档为准但 Base URL、Key、Model ID 这三件套的逻辑是一样的{ providers: { taotoken: { baseUrl: https://taotoken.net/api, apiKey: ${TAOTOKEN_API_KEY}, models: { general: 你的通用模型ID, reasoning: 你的推理模型ID } } }, patentWorkflow: { termLock: { model: general, temperature: 0.2 }, backgroundDraft: { model: general, temperature: 0.6, maxTokens: 2000 }, claimDesign: { model: reasoning, temperature: 0.3, maxTokens: 3000 }, formatCheck: { model: reasoning, temperature: 0.1 } } }这里的关键是patentWorkflow里每个子步骤绑定了不同的模型和温度。术语锁定用低温保证输出稳定背景技术扩写可以稍高一点让表达自然权利要求设计用推理模型加中低温兼顾逻辑和规范格式校验用最低温只做判断不做创作。这套参数是我实测下来比较稳的组合你可以先照抄再微调。如果你用的是 Python 脚本下面这段是可直接运行的模型路由封装。它读取.env根据任务类型选择模型并统一走 TaoToken 的 Base URLimport os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL) ) MODEL_MAP { term_lock: os.getenv(PATENT_MODEL_GENERAL), background: os.getenv(PATENT_MODEL_GENERAL), claim: os.getenv(PATENT_MODEL_REASONING), format_check: os.getenv(PATENT_MODEL_REASONING), } TEMPERATURE_MAP { term_lock: 0.2, background: 0.6, claim: 0.3, format_check: 0.1, } def call_model(task: str, prompt: str) - str: resp client.chat.completions.create( modelMODEL_MAP[task], temperatureTEMPERATURE_MAP[task], messages[ {role: system, content: 你是专利撰写助手严格遵循术语表。}, {role: user, content: prompt}, ], ) return resp.choices[0].message.content这段代码里call_model就是统一入口Agentic AI 工作流的每个节点调它就行。注意base_url直接读环境变量没有尾斜杠。如果你在 Cline MCP 或 Claude Code 这类工具里配置逻辑一样Base URL 填https://taotoken.net/apiKey 填你的sk-Model ID 填对应模型。这三件套缺一不可少一个就会在请求时报错。关于模型路由参数再补一个实践细节专利撰写里“权利要求引用关系”这种强结构任务建议把maxTokens给足因为推理模型在生成从属权利要求时会先内部推理再输出token 不够会被截断表现为输出到一半突然停。我一般给 3000 起步复杂机械类专利给到 4000。4. 端到端验证跑通一份专利草稿生成流程配置好了接下来验证整条链路能不能跑通。我按“技术交底书 → 术语表 → 背景技术 → 权利要求 → 格式校验”五步走每步都有可复制的 prompt 和预期结果。第一步术语抽取与锁定。把交底书原文喂给通用模型要求它输出一个 JSON 术语表格式为{术语: 定义}。prompt 可以这样写下面是一份技术交底书。请抽取其中所有技术特征名词输出 JSON 格式的术语表 key 为规范术语value 为在交底书中的原始表述。不要遗漏任何部件、模块、步骤名称。 交底书内容 {此处粘贴交底书}预期结果是模型返回一个 JSON比如{缓存单元: 缓存模块, 批量提交器: 批量提交组件}。这一步的作用是后续所有生成都引用这个术语表保证一致性。如果模型返回的 JSON 有语法错误用json.loads会抛异常这时候让模型重新输出一次或者在 prompt 里加“只输出 JSON不要任何解释”。第二步背景技术扩写。把术语表和交底书一起给通用模型要求生成背景技术段落字数 300 到 500引用现有技术但不要编造具体专利号。prompt 里明确“不得出现具体专利公开号如需引用现有技术用‘现有技术中通常采用……’表述”。这一步的输出直接进草稿。第三步权利要求层级设计。这是最关键的一步用推理模型。prompt 要写清楚独立权利要求覆盖最宽保护范围从属权利要求逐层限定引用关系用“根据权利要求 X 所述的……”。把术语表和前两步的输出一起给它。预期结果是模型返回一组权利要求编号从 1 开始从属权利要求正确引用前面的编号。第四步格式校验。用推理模型做一次自检prompt 是“检查以下权利要求书是否存在引用编号错误、术语不一致、独立权利要求缺少必要技术特征的问题逐条列出”。这一步的输出是问题列表你根据列表回去改。第五步端到端跑一遍。把上面四步串成一个脚本输入一份真实交底书输出一份 Markdown 草稿。验证成功的标志是草稿里术语全文一致权利要求引用编号无断链说明书段落编号连续。如果这三点都满足说明你的统一 Key 和模型路由配置是通的。这里给一个验证请求的最小示例用来确认 Key 和 Base URL 没问题resp client.chat.completions.create( modelos.getenv(PATENT_MODEL_GENERAL), messages[{role: user, content: 回复配置成功}], ) print(resp.choices[0].message.content)如果打印出“配置成功”说明鉴权和路由都正常。如果报错看下一节的排查对照。5. 本篇常见错排查401、local proxy failed 与 reading choices这一节按真实报错来。你在跑上面流程时最可能遇到四类错误我逐个给原因和修法。401 Unauthorized。原因通常是 Key 没读到、Key 写错、或者环境变量没加载。先确认.env文件在脚本同级目录且load_dotenv()在读取环境变量之前调用。然后打印os.getenv(TAOTOKEN_API_KEY)的前几位确认不是None。如果 Key 是从网页复制的注意不要带多余空格。还有一种情况是 Key 被撤销了去 API Keys 页面重新生成一个。修法是重新复制 Key 并重启脚本。local proxy failed / connection error。这个报错说明请求根本没发出去通常是 Base URL 写错或者网络层拦截。先确认base_url是https://taotoken.net/api不带尾斜杠不带/v1除非文档明确要求。然后确认你的运行环境没有配置额外的 HTTP 代理环境变量比如HTTP_PROXY、HTTPS_PROXY这些如果指向一个不可用的地址请求会直接失败。修法是清掉这些环境变量或者确认你的网络能正常访问该域名。reading choices 报错比如TypeError: Cannot read properties of undefined (reading choices)。这个错误说明resp本身是 undefined或者resp.choices不存在。常见原因是 SDK 版本不匹配或者你用的不是 OpenAI 兼容的调用方式。先确认openai库版本pip show openai看一下太老的版本不支持base_url参数。修法是升级到较新版本然后确认调用的是client.chat.completions.create而不是旧的openai.ChatCompletion.create。另外如果模型 ID 写错某些网关会返回一个非标准结构也会导致读不到choices这时候打印完整resp看结构。OAuth 相关报错。如果你在 Claude Code 或类似工具里配置可能会遇到 OAuth 流程的提示。这类工具通常支持 API Key 模式和 OAuth 模式专利撰写场景用 API Key 模式更直接。修法是在工具的模型配置里选择 API Key 鉴权填入 Base URL、Key、Model ID 三件套不要走 OAuth 登录流程。如果你用的是 CC Switch 或 Cline MCP配置项里同样找 API Key 字段把三件套填全。再补一个非报错但很烦的问题模型输出被截断。表现是权利要求书写到第 5 条突然没了。原因是max_tokens设小了或者推理模型内部推理消耗了 token。修法是调大max_tokens并在 prompt 里要求“输出完整不要省略”。排查顺序建议先跑最小验证请求确认 Key 通再跑单步任务确认模型路由对最后跑端到端。这样出错时能快速定位是哪一层的问题。6. 把统一 Key 接进你的专利工作流下一步动作到这里配置和验证都跑通了。接下来你可以把这条链路固化下来。我的做法是建一个patent_workflow目录里面放.env、settings.json、run.py和templates/模板文件夹。每次有新交底书丢进input/跑python run.py输出到output/。术语表单独存一份terms.json下次同类专利直接复用一致性会越来越好。如果你要长期跑编码类或 Agent 类任务比如让 Agentic AI 自动完成“检索—拆解—生成—校验”多步骤可以看一下 Coding Plan地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。如果你只是想先验证模型输出质量用模型对话页面手动试几轮更直观地址是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 。接入过程中遇到鉴权或路由问题接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有针对不同 SDK 的示例。最后说一个实用技巧专利撰写里最花时间的不是生成而是核对术语一致性。你可以在格式校验那一步之后加一个纯规则脚本用正则把全文的术语出现位置扫一遍和terms.json对比不一致的直接标红。模型负责生成和判断脚本负责机械核对两者配合比纯靠模型自检靠谱得多。这套组合我跑下来一份中等复杂度的专利草稿从交底书到可复核版本时间能压到原来的三分之一左右剩下的时间留给人工把控权利要求的保护范围。