知识产权分析¶

项目背景与目标¶

知识产权（专利、商标、著作权）是企业核心资产，IP 检索与分析对研发立项、侵权风险排查、并购尽调至关重要。传统 IP 检索依赖专业代理人，成本高且效率受限；海量专利数据下人工分析难以覆盖。智能 IP 分析 Agent 通过语义检索、相似度计算、侵权风险识别，为研发与法务提供自动化 IP 分析能力。

本项目目标是构建一个知识产权分析 Agent，支持专利与商标的检索、相似度分析、侵权风险评估、布局建议。

需求分析¶

核心能力： 1. 专利检索：语义检索 + 关键词检索 + 分类号检索 2. 相似度分析：专利/商标相似度计算与排序 3. 侵权风险识别：对比目标技术与已有专利权利要求 4. 商标近似检索：文字/图形商标近似判断 5. 布局建议：专利空白点识别与布局建议 6. 分析报告：技术全景、竞争对手、风险地图

用户场景：研发立项前查新、产品上市前 FTO（自由实施）分析、竞争对手监控、商标注册前排查。

技术选型说明¶

模块	技术方案	选型理由
Agent 框架	LangGraph	多步骤分析流程
专利数据	专利局 Open API + 商业库	权威数据源
检索	语义 + 关键词 + IPC 分类	多维检索
相似度	Sentence-BERT + 权利要求解析	语义相似度
LLM	Qwen-Max	技术理解与报告
图像识别	ResNet + Siamese 网络	商标图形相似
后端	FastAPI + Elasticsearch	高并发检索
数据库	PostgreSQL + Milvus	结构化 + 向量

架构设计¶

flowchart TD
    Q[查询请求] --> AGENT[IP 分析 Agent]
    AGENT --> SEARCH[多维检索]
    SEARCH --> VEC[(专利向量库)]
    SEARCH --> ES[(Elasticsearch)]
    SEARCH --> IPC[(IPC 分类)]
    SEARCH --> RESULT[候选集]
    RESULT --> SIM[相似度计算]
    SIM --> SBERT[Sentence-BERT]
    SIM --> CLAIM[权利要求解析]
    AGENT --> RISK[侵权风险]
    RISK --> COMP[权利要求对比]
    AGENT --> LAY[布局分析]
    LAY --> MAP[技术地图]
    AGENT --> REP[分析报告]
    REP --> LLM[LLM 生成]

关键模块实现思路¶

模块1：多维专利检索¶

检索融合三种方式： - 语义检索：将查询描述向量化，在专利向量库中召回语义相似的专利，适合用自然语言描述技术方案 - 关键词检索：Elasticsearch 全文检索，精确匹配术语 - 分类检索：按 IPC/CPC 分类号过滤，限定技术领域

def search_patent(query, filters):
    vec_results = vector_search(query, top_k=100)
    kw_results = es_search(query, filters, top_k=100)
    ipc_results = ipc_filter(filters.ipc, vec_results + kw_results)
    merged = hybrid_rank(vec_results, kw_results)
    return merged[:50]

混合排序综合语义相似度、关键词匹配度、时间相关性，提升召回质量。

模块2：专利相似度计算¶

专利相似度分层面计算： - 摘要/说明书相似度：Sentence-BERT 编码文本，计算余弦相似度 - 权利要求相似度：解析权利要求树（独立权利要求 + 从属），逐项对比 - 技术特征对比：LLM 抽取技术特征（手段-功能-效果），结构化对比

def patent_similarity(patent_a, patent_b):
    abstract_sim = cosine(sbert_encode(patent_a.abstract), sbert_encode(patent_b.abstract))
    claim_sim = compare_claims(patent_a.claims, patent_b.claims)
    feature_sim = llm_feature_compare(patent_a, patent_b)
    return 0.3 * abstract_sim + 0.5 * claim_sim + 0.2 * feature_sim

模块3：侵权风险识别（FTO 分析）¶

FTO 分析判断目标产品是否落入在先专利保护范围。核心是权利要求对比：将目标产品的技术特征与在先专利的独立权利要求逐项对比，适用"全面覆盖原则"——目标包含权利要求所有技术特征则可能侵权。

def fto_analysis(product_features, patent_claims):
    risks = []
    for claim in patent_claims:
        if claim.type == "independent":
            coverage = check_full_coverage(product_features, claim.features)
            if coverage:
                risks.append({"patent": patent.id, "claim": claim.id,
                              "risk": "high", "reason": "全面覆盖权利要求"})
    return risks

LLM 辅助技术特征抽取与等同侵权判断（手段-功能-效果三要素），但最终结论须 IP 律师确认。

模块4：商标近似检索¶

商标近似分文字与图形： - 文字商标：字形、读音、含义三维近似。字形用编辑距离，读音用拼音相似度，含义用同义词典 - 图形商标：用 Siamese 网络提取图像特征，计算相似度

def trademark_similarity(tm_a, tm_b):
    if tm_a.type == "文字":
        visual = edit_distance(tm_a.text, tm_b.text) / max_len
        phonetic = pinyin_similarity(tm_a.text, tm_b.text)
        meaning = synonym_similarity(tm_a.text, tm_b.text)
        return 0.4 * (1-visual) + 0.3 * phonetic + 0.3 * meaning
    else:
        return siamese_image_sim(tm_a.image, tm_b.image)

近似商标按《商标审查指南》标准判断，避免误判影响注册决策。

模块5：技术布局分析¶

基于专利地图识别技术空白点：按技术维度聚类专利，统计各技术领域专利密度，密度低的区域为潜在布局机会。结合竞争对手专利分布，分析其布局策略与威胁。

核心流程详解¶

FTO 分析流程： 1. 输入目标产品技术描述 → LLM 抽取技术特征 2. 检索相关在先专利（语义 + 关键词） 3. 权利要求解析 → 逐项对比技术特征 4. 风险分级：全面覆盖（高）、部分覆盖（中）、不覆盖（低） 5. 生成 FTO 报告：风险专利清单 + 规避建议 6. 律师确认 → 输出正式意见

商标排查流程： 1. 输入待注册商标 → 文字/图形识别 2. 近似检索：相同或近似商标召回 3. 类别过滤：按尼斯分类限定商品/服务类别 4. 风险评估：近似度高 → 注册风险高 5. 输出排查报告：近似商标清单 + 注册建议

部署与优化建议¶

数据更新：专利局数据每日同步，新公开专利及时入库
多语言：支持中英文专利检索，跨语言语义匹配
模型微调：用专利领域语料微调 Sentence-BERT，提升相似度准确性
专业确认：分析结论须 IP 专业人员复核，Agent 辅助而非替代
可视化：专利地图、权利要求树、技术演进图可视化呈现

常见问题与解决方案¶

问题	原因	解决方案
语义检索召回不准	专利术语特殊	领域语料微调 + 同义词扩展
权利要求解析错	句法复杂	专项解析模型 + LLM 兜底
图形商标相似度低	设计风格多样	增加训练样本 + 多特征融合
漏检关键专利	检索策略单一	多维检索 + 人工补充关键词

扩展方向¶

专利价值评估：引用数、同族数、技术生命周期
竞争对手监控：新增专利自动推送
专利运营：许可、转让机会识别
著作权分析：代码/作品相似度检测