企业官网建设流程全解析

专利撰写助手：LobeChat生成权利要求书初稿

在知识产权竞争日益激烈的今天，一份清晰、严谨且具备保护力度的权利要求书，往往决定了技术成果能否真正转化为市场壁垒。然而，传统专利撰写过程不仅耗时费力——动辄数小时甚至数天的文本打磨，还高度依赖代理人对法律规范与技术细节的双重把握。对于中小企业或独立发明人而言，这道门槛常常成为创新落地的“隐性成本”。

有没有可能让AI先替我们把“骨架”搭起来？

答案正在变得越来越明确。借助像LobeChat这样的开源AI交互框架，结合大语言模型（LLM）的理解与生成能力，我们已经可以实现权利要求书初稿的自动化生成。更重要的是，整个系统可以在本地部署，保障敏感技术信息不外泄，同时通过插件和角色预设机制，构建出真正贴合专利实务的专业级助手。

LobeChat 并不是一个大模型，它更像是一个“智能中枢”——一个能把各种AI能力和工具串联起来的现代化聊天界面。基于 Next.js 构建，它的外观流畅直观，体验上几乎对标 ChatGPT，但背后却拥有极强的可扩展性。你可以把它接入通义千问、Ollama 中运行的 Qwen 模型、ChatGLM、Baichuan，甚至是私有化部署的企业模型服务。这种灵活性让它特别适合那些既需要强大语言能力、又强调数据安全的专业场景。

当你打开 LobeChat，输入一句“请根据以下技术方案撰写独立权利要求”，系统并不会直接调用某个固定模型，而是根据你的配置，将请求路由到指定的后端服务。这个过程是透明的：前端接收用户输入，中间层处理会话状态、角色设定和插件判断，最后通过标准化接口转发给目标模型。响应以流式方式返回，实时渲染到页面，就像你在和一位反应迅速的专家对话。

整个链路简洁而高效：

用户输入 → 加载角色设定 → 判断是否触发插件 → 构造模型请求 → 调用API → 解析流式响应 → 前端展示

这一切的核心，在于其代理网关的设计。比如下面这段位于app/api/openai/route.ts的代码，就实现了动态路由的关键逻辑：

// app/api/openai/route.ts export async function POST(req: Request) { const body = await req.json(); const { messages, model } = body; const targetEndpoint = getTargetEndpoint(model); // 如 'http://localhost:11434/v1' const apiKey = getModelApiKey(model); const response = await fetch(`${targetEndpoint}/chat/completions`, { method: 'POST', headers: { 'Content-Type': 'application/json', 'Authorization': `Bearer ${apiKey}`, }, body: JSON.stringify({ model: 'actual-model-name', // 如 ollama 中的 qwen:7b messages, stream: true, }), }); return new Response(response.body, { headers: { 'Content-Type': 'text/event-stream' }, }); }

这段代码看似简单，实则精巧。它没有绑定任何具体模型，而是根据用户选择的model名称，自动映射到对应的 API 地址（如本地 Ollama 或远程 Qwen 服务），并将请求透传过去。这意味着你可以在同一个界面上自由切换不同来源的模型，无需修改任何前端逻辑。正是这种“一次接入，多方调用”的设计，让 LobeChat 成为多模型协作的理想平台。

但光有通道还不够。要让AI写出合格的权利要求书，关键在于引导——也就是所谓的“提示工程”。在 LobeChat 中，这一能力被产品化为“角色预设”功能。

想象一下，每次开始新会话时，你不再需要重复输入：“你是一名资深专利代理人，请按照中国《专利审查指南》撰写权利要求……”而是只需点击一个名为“专利工程师”的角色，所有这些指令就已经悄悄注入到了对话起点。

这个角色背后的 system prompt 可能长这样：

“你是一名经验丰富的专利代理人，专注于机械与电子领域的发明专利撰写。请根据用户提供的技术交底内容，生成结构完整的独立权利要求及从属权利要求。使用‘一种…装置/方法’开头，明确记载必要技术特征，避免功能性限定过度，术语需符合行业惯例。”

当这条提示与用户的实际输入结合后，形成的标准消息序列如下：

[ {"role": "system", "content": "你是一名经验丰富的专利代理人..."}, {"role": "user", "内容": "本发明涉及一种太阳能板自动除尘机构，包括旋转刷头、驱动电机和湿度感应模块..."} ]

这套组合拳发出去之后，模型输出的质量会有显著提升。为什么？因为 system prompt 不只是告诉模型“做什么”，更是在塑造它的身份认知。它不再是一个泛化的问答机器人，而是一个带着专业背景、写作习惯和格式偏好的“虚拟代理人”。

为了进一步控制输出稳定性，角色还可以绑定具体的模型参数：

• Temperature 设置为 0.5：保留一定创造性的同时，防止天马行空地编造不存在的技术细节；
• Max Tokens 调整至 1024 以上：确保能完整输出多个层级的权利要求；
• Top_p 和 Frequency Penalty 合理设置：抑制重复表述，提高语言紧凑度。

这些配置一旦保存，就能作为团队的知识资产共享复用。新人入职不需要从零学习如何写提示词，打开系统选个角色就能上手。这种“经验沉淀”的价值，远超单一功能本身。

其实现底层依赖 Zustand 状态管理库，代码结构清晰易维护：

// stores/preset.ts import { create } from 'zustand'; interface Preset { id: string; name: string; description: string; systemPrompt: string; model: string; params: { temperature: number; maxTokens: number; topP: number; }; } export const usePresetStore = create<{ presets: Record<string, Preset>; currentPresetId: string | null; addPreset: (preset: Preset) => void; loadPreset: (id: string) => Preset | undefined; }>((set, get) => ({ presets: {}, currentPresetId: null, addPreset: (preset) => set((state) => ({ presets: { ...state.presets, [preset.id]: preset }, })), loadPreset: (id) => get().presets[id], }));

前端组件通过usePresetStore()访问全局角色列表，实现一键加载。这种集中式管理模式，使得组织内部可以逐步建立起一套标准化的“角色库”，涵盖不同技术领域、不同撰写阶段（如初稿生成、审查答复、无效分析等）。

如果说角色预设解决了“怎么说”的问题，那么插件系统则突破了“能做什么”的边界。

毕竟，仅靠模型内部知识是不够的。大模型的训练数据存在滞后性，无法访问最新的公开专利；它也可能“幻觉”出根本不存在的技术方案。这时候，就需要引入外部工具来补足短板。

LobeChat 的插件机制本质上是对 Function Calling 的前端封装。开发者可以注册一个函数，声明其名称、参数和用途，然后由模型在推理过程中决定是否调用。一旦触发，LobeChat 截获指令，执行本地逻辑，再将真实结果反馈回对话流中，形成闭环。

举个例子：当用户提出“查找与‘无人机电池快拆结构’相关的现有技术”时，模型识别到这是一个检索任务，便不会直接作答，而是返回如下结构：

{ "function_call": { "name": "search_patent", "arguments": { "keyword": "无人机 电池 快拆", "limit": 5 } } }

此时，LobeChat 拦截该请求，调用预先注册的search_patent插件：

// plugins/patentSearch/index.ts import type { Plugin } from 'lobe-chat-plugin'; const patentSearchPlugin: Plugin = { name: 'search_patent', displayName: '专利检索助手', description: '根据关键词检索中国国家知识产权局公开专利', functions: { search_patent: { parameters: { type: 'object', properties: { keyword: { type: 'string', description: '检索关键词，如技术名称或核心部件', }, limit: { type: 'number', default: 5, description: '返回结果数量', }, }, required: ['keyword'], }, function: async ({ keyword, limit = 5 }) => { const res = await fetch( `https://api.cnipa.gov.cn/patents?query=${encodeURIComponent(keyword)}&size=${limit}` ); const data = await res.json(); return { results: data.hits.map((hit: any) => ({ title: hit.title, number: hit.pub_number, abstract: hit.abstract.slice(0, 200), url: `https://patents.google.com/patent/${hit.pub_number}`, })), }; }, }, }, }; export default patentSearchPlugin;

几秒后，真实检索结果被注入上下文：“以下是5条相关专利摘要……”。模型基于这些新信息重新组织语言，最终输出的不仅是权利要求草案，还包括对新颖性的初步判断建议。

这种“感知+行动”的模式，让AI从被动应答者转变为主动协作者。类似的插件还可以拓展至：

• 自动生成技术效果说明；
• 查询 IPC 分类号推荐；
• 导出 DOCX/PDF 格式文件；
• 连接企业内部的RAG系统，检索过往案卷。

在一个典型的“专利撰写助手”系统中，LobeChat 扮演着中枢调度者的角色。整个架构如下图所示：

graph TD A[用户终端\n(Web Browser)] --> B[LobeChat 前端\n(Next.js App)] B --> C[LobeChat 后端] C --> D[大语言模型服务\n- 本地 Ollama/Qwen\n- 远程 GPT-4/Claude] C --> E[向量数据库\n(Chroma/Weaviate)\n存储已公开专利文本] C --> F[第三方 API\n- CNIPA 专利检索\n- Office 文档导出] E <-.-> D

工作流程也变得更加智能化：

1. 用户上传一份PDF格式的技术交底书，系统自动解析文本；
2. 选择“专利代理人”角色，加载预设prompt与参数；
3. 输入指令：“请撰写独立权利要求及三项从属权利要求”；
4. 模型初步生成草案，但缺乏现有技术对比；
5. 插件自动触发，调用search_patent获取相似专利；
6. 检索结果加入上下文，模型优化输出，排除已有方案；
7. 最终结果支持复制、编辑或导出为标准文档。

这一流程解决了三个长期痛点：

• 效率低：原本需半天完成的初稿，现在几分钟内即可产出；
• 易遗漏：通过RAG和插件增强，确保关键技术点不被忽略；
• 门槛高：非专业人士也能借助引导式对话生成合规文本。

当然，在实际部署中也有几点值得注意：

• 敏感项目务必使用本地模型，避免通过公共API传输核心技术细节；
• 提示词要持续迭代，加入few-shot示例（如正确与错误写法对比），提升输出一致性；
• 插件调用应设权限隔离，防止越权访问外部资源；
• 对高频查询建立缓存机制，减少延迟与费用；
• 所有会话与操作留痕，满足合规审计需求。

LobeChat 的意义，不仅仅在于提供了一个好看的聊天界面。它代表了一种新的可能性：我们可以不再依赖封闭的商业AI产品，而是基于开源框架，按需组装属于自己的专业助手。

在专利领域，这意味着每一个创新主体——无论是大型企业IP部门，还是个人发明人——都有机会拥有一套低成本、高效率、可控可审的智能撰写工具。未来，随着更多垂直插件的出现，比如权利要求树可视化、创造性三步法辅助分析、审查意见自动应答模板生成，这类系统有望真正成为知识产权工作的“数字副驾驶”。

技术的进步不该只服务于巨头，也应该照亮每一个微小的创新火花。而像 LobeChat 这样的开源项目，正在让这件事变得越来越真实。