多模型协同专利检索实测：AI能替掉体力活，替不掉判断活

1. 当大模型开始翻专利库，检索员的饭碗还稳吗

过去大半年，我一直在折腾一件事：把专利检索这个活儿，尽可能交给多个大模型协同去做，然后拿结果跟人工检索做对照。起因很简单，身边做知识产权相关工作的朋友越来越多地问我同一个问题——现在这些模型这么能聊，能不能干脆把专利检索员替掉？问的人多了，我索性自己搭了一套多模型协同的检索流程，从关键词扩展、分类号定位、同族追踪到权利要求比对，一个环节一个环节地测，前后跑了小半年，攒了一堆数据和踩坑记录。

先把结论摆在前头，免得你看到最后才发现跟预期不符：AI在专利检索这件事上，能替掉的是"体力活"，替不掉的是"判断活"。它能帮你把检索式扩到你想不到的角落，能在几分钟内扫完几千条摘要，能不知疲倦地做初筛；但检索的边界在哪、什么算现有技术、证据链怎么闭合、检索报告怎么写得让审查员和客户都认，这些仍然得人来拍板。这篇文章就是把这半年的实测过程、参数设置、协同架构、翻车现场和最终沉淀下来的工作流，完整地摊开讲一遍。

适合谁看？如果你是从业多年的专利检索员、企业IPR、代理师，或者只是对"多模型协同"这套玩法感兴趣的技术人，都能从里面找到能直接抄作业的部分。我会尽量把每个环节为什么这么设计、参数怎么算、坑在哪，都讲透。全文没有玄学，都是能复现的操作。

2. 多模型协同检索的整体架构与选型逻辑

2.1 为什么单模型不够用

一开始我也图省事，直接拿一个通用大模型从头查到尾。结果很快就发现问题：单一模型在专利检索上有明显的"检索式坍缩"倾向。什么意思？就是你让它扩展关键词，它翻来覆去就是那几个同义词，扩不出真正有价值的边缘术语；你让它读权利要求，它容易顺着你的提问方向"脑补"，把没写的东西读成写了。

我做过一组对照：同一个技术主题，让单模型生成20组检索式，人工去重后有效扩展词只有7个左右；换成三个不同模型分别生成再合并，有效扩展词能到23个，而且覆盖了机械、化学、电学三个不同表述习惯的领域。这个差距在专利检索里是致命的，因为漏检一条关键对比文件，整个检索报告的价值就归零了。

所以架构上我最终定的是**"分工协同"而不是"投票表决"**。投票表决适合有标准答案的任务，专利检索没有标准答案，只有覆盖度和证据强度，所以让不同模型干不同的事，比让它们对同一件事投票更靠谱。

2.2 三层协同架构的搭建

我最终落地的架构分三层，每层职责清晰，模型之间通过结构化数据传递，不直接"聊天"：

这里有个关键设计：层与层之间不传递自然语言，只传递结构化字段。比如扩展层输出的是JSON格式的术语表，初筛层拿到的就是这张表去匹配，而不是让模型"理解"上一层的结论。这么做的好处是每一层的输出都可审计、可回溯，出了问题能定位到具体是哪一层、哪个模型、哪个参数导致的。

提示：不要图省事让模型之间用自然语言对话传递结果。我试过，模型会互相"带偏"，第二层会顺着第一层的措辞去理解，错误会被放大而不是被纠正。

2.3 模型选型的三个硬指标

选模型不是越贵越好，也不是参数越大越好。我实测下来，专利检索场景看三个硬指标：

第一是长文本稳定性。专利摘要加权利要求动辄几千字，模型读到后半段还能不能记住前面的技术特征，这个差别巨大。我测过几个模型，有的读到第三段就开始丢特征，有的能撑到全文。测试方法很简单：给一段5000字的权利要求，中间埋一个不显眼的限定条件，看模型最后总结时有没有带上。

第二是术语忠实度。专利里很多词是"生造"的，比如某个特定结构的命名，模型不能自作主张给它换成通用词。我测的方法是给一批含生造术语的文本，看模型改写时保留原词的比例。低于85%的，直接淘汰。

第三是拒答能力。这个最容易被忽略。好的检索模型在证据不足时应该说"无法判断"，而不是硬编一个结论。我专门设计了一批"陷阱题"，就是文本里根本没有对应技术特征，看模型会不会硬凑。拒答率高的模型，在比对层反而更可靠。

3. 关键词扩展与分类号定位的实操细节

3.1 检索式扩展的"三模型交叉法"

关键词扩展是专利检索的命门。人工扩展靠的是经验和对领域的熟悉，模型扩展靠的是语料覆盖。我的做法是三模型交叉法：让三个不同来源的模型分别做扩展，然后取并集，再人工过一遍。

具体操作上，我给每个模型的提示词是固定的，但要求它们从不同角度扩展：

• 模型A：从功能角度扩展，比如"紧固"要扩出"连接、固定、锁合、卡接"等
• 模型B：从结构角度扩展，比如"螺纹"要扩出"螺牙、螺旋、外螺纹、内螺纹"等
• 模型C：从应用场景角度扩展，比如"散热"要扩出"导热、降温、热管理、温控"等

三个角度交叉，覆盖度比单一角度高出一大截。实测一个机械领域的检索主题，人工扩展出15个术语，三模型交叉扩出41个，去重后有效新增19个，其中3个是人工完全没想到但确实命中了对比文件的。

这里有个参数要调：扩展的"发散度"。太收敛扩不出东西，太发散全是噪音。我的经验值是每个原始术语扩展出5到8个候选，超过10个基本就是噪音了。这个值可以通过提示词里的"最多给出N个"来控制，实测5到8之间命中率最高。

3.2 分类号定位的辅助逻辑

专利分类号（比如IPC、CPC）的定位，模型能帮上忙，但别指望它直接给准。我的用法是让模型推荐候选分类号，然后人工去分类表里核对。

模型推荐分类号的逻辑是：给它技术主题描述，让它输出最可能的3到5个分类号，并说明理由。实测下来，模型给的第一个分类号命中率大概六成，前三个里命中的能到八成。这个水平作为"辅助"是够用的，作为"替代"远远不够。

我踩过的一个坑：模型会推荐一些"看起来对但实际是上位"的分类号。比如一个具体到某类连接件的主题，模型推荐了大类，人工一看就知道应该往下钻两三级。所以分类号这块，模型负责缩小范围，人负责精确定位，这个分工不能乱。

注意：分类号版本会更新，模型训练数据里的分类号可能已经过时。核对时一定要用最新的分类表，别直接信模型给的号。

3.3 术语表的清洗与去重

三模型交叉出来的术语表，直接拿去检索会有一堆噪音。我的清洗流程分三步：

第一步是去重合并，把三个模型输出的同义术语合并成一条，标注来源。第二步是噪音剔除，把明显不相关的、过于宽泛的术语删掉，比如"装置""设备"这种词。第三步是权重标注，给每个术语标一个优先级，核心术语权重高，边缘术语权重低，检索时按权重分配资源。

这个清洗过程我一开始想全交给模型做，后来发现不行。模型去重时会把一些"近义但不等价"的术语合并掉，比如"卡接"和"插接"在某些领域是两回事，合并了就漏检。所以去重可以交给模型，等价性判断必须人工。

4. 初筛与比对环节的模型协同实现

4.1 摘要相关性打分的参数设置

初筛环节，我让长文本模型对每条候选专利的摘要做相关性打分，分值是0到10。这个打分不是让模型"感觉"一下，而是给了明确的评分维度：

• 技术领域匹配度（0-3分）
• 技术问题相似度（0-3分）
• 技术手段重合度（0-4分）

三个维度加起来是满分10分。实测下来，7分以上的候选，人工复核后确认相关的比例能到七成；5到7分之间的，相关比例三成左右；5分以下的基本可以放掉。这个阈值不是拍脑袋定的，是我拿200条已知结果的样本跑出来的。

这里有个细节：打分要分批做，不能一次性把几千条丢给模型。模型的注意力是有限的，一次给太多，后面的打分质量会下降。我的做法是每批50条，批与批之间让模型"清空"上下文，重新开始。这样虽然慢一点，但稳定性好很多。

4.2 权利要求逐项比对的映射方法

比对环节是整个流程里最考验模型能力的部分。我的做法是把目标权利要求拆成独立的技术特征，然后逐条去候选专利里找对应。

具体操作是：先把权利要求按"其特征在于"之类的标志拆成特征项，每个特征项单独成行；然后让推理模型对每个特征项，在候选专利文本里找"相同、等同、缺失"三种状态，并给出原文依据。

这里的关键是要求模型给出原文引用。不给引用的比对结果一律不采信。我试过让模型只给结论，结果它经常"脑补"出原文里没有的特征。强制要求引用原文后，幻觉率明显下降，因为模型得先找到那句话才能下结论。

比对结果我整理成一张特征对照表，长这样：

这张表是后续人工判断的基础，也是检索报告的核心素材。

4.3 证据链闭合的人工复核点

模型跑完比对，不等于证据链就闭合了。证据链闭合必须人工复核，这是底线。我复核时重点看三个地方：

一是等同特征的认定。模型说"等同"，但等同的认定是有严格标准的，不是"看起来差不多"就行。模型给的等同判断，我基本都会重新过一遍。

二是缺失特征的确认。模型说"缺失"，有可能是它没找到，而不是真的没有。我会针对缺失的特征，再单独做一次定向检索，确认是不是漏了。

三是时间边界。专利检索有严格的时间要求，对比文件必须在申请日之前公开。模型有时候会忽略这个时间维度，把申请日之后的文献也拉进来。这个必须人工卡。

提示：模型对日期的处理经常出错，尤其是不同格式的日期。我建议在初筛阶段就把日期字段单独抽出来，用规则引擎过滤，别让模型去判断时间先后。

5. 效率实测：多模型协同到底快了多少

5.1 测试样本与对照设计

为了搞清楚多模型协同到底能提多少效率，我设计了一组对照测试。样本是三个技术领域（机械、电学、化学）各10个检索主题，每个主题分别用三种方式做：

• 方式一：纯人工检索，由有经验的检索员完成
• 方式二：单模型辅助，人工用单模型做扩展和初筛
• 方式三：多模型协同，按我上面这套架构跑

记录每个方式的耗时、检索到的对比文件数量、以及人工复核后确认的有效对比文件数量。

5.2 效率数据与解读

测试结果整理成表：

数据解读有几个点值得说：

耗时上，多模型协同比纯人工快了约58%，这个提升主要来自初筛环节。人工筛100条摘要可能要一小时，模型几分钟就出结果，人只需要复核高分的那部分。

候选数上，多模型协同明显更多，说明扩展环节确实扩出了人工没想到的术语。但候选多不代表有效多，关键看有效对比文件数。

有效对比文件数上，多模型协同略高于纯人工，漏检率略低。这个提升幅度不大，但方向是对的。说明模型在"找全"这件事上，确实能补人工的盲区。

单模型辅助反而漏检率略高，这个结果我一开始没料到。后来分析发现，单模型的扩展太收敛，导致检索式覆盖不够，反而漏掉了一些边缘文献。这再次印证了多模型交叉的必要性。

5.3 效率提升的边界在哪

效率提升不是无限的。我实测下来，多模型协同的效率天花板大概在纯人工的2.5倍左右，再往上就很难了。原因是初筛之后的比对和复核环节，人工介入的比重很大，这部分时间压不下去。

而且效率提升跟技术领域强相关。机械领域提升最明显，因为术语相对规范，模型扩展质量高；化学领域提升最小，因为很多化合物命名和结构描述模型处理不好，人工介入多。所以别指望一套参数打天下，不同领域要单独调参。

6. 证据边界：AI检索的可靠性红线

6.1 幻觉在专利检索里的具体表现

模型幻觉在专利检索里不是"偶尔说错话"这么简单，它会直接导致检索结论错误。我遇到过的典型幻觉有几种：

一种是虚构对比文件。模型会编出一条看起来很像的专利，有编号、有申请人、有摘要，但去数据库一查根本没有。这种最危险，因为不核实就会写进报告。

一种是张冠李戴。把A专利的技术特征安到B专利头上，或者把说明书里的内容说成是权利要求里的。这种比较隐蔽，需要逐条核对原文。

还有一种是过度概括。模型把一条具体的技术方案概括成一个上位的概念，然后说"这覆盖了目标特征"。这种在等同判断里特别常见，危害也大。

6.2 证据强度的分级标准

为了控制风险，我给模型输出的每条证据都标了强度等级：

这套分级用下来，最大的好处是把"模型说的"和"有据可查的"分开了。C级和D级的证据，我基本不会直接写进报告，必须人工补证。

6.3 什么情况下必须人工兜底

有几类情况，我现在的做法是一律人工兜底，不让模型单独下结论：

第一是涉及法律判断的，比如新颖性、创造性的最终认定。模型可以给参考，但结论必须人来做。

第二是涉及边界模糊的等同特征。等同的认定标准很细，模型经常把握不准。

第三是涉及多篇文献组合的。模型处理单篇比对还行，多篇组合的创造性判断，它容易乱。

第四是检索报告的法律措辞。报告是要给客户和审查员看的，措辞必须严谨，模型写的初稿我基本都会重写一遍。

注意：别被模型的"自信语气"骗了。模型说"毫无疑问"的时候，往往正是它最没底的时候。证据强度看的是原文引用，不是语气。

7. 常见问题与排查技巧实录

7.1 扩展环节的典型问题

问题一：扩展词全是同义词，没有真正的边缘术语。

这个通常是提示词太"安全"导致的。解决办法是在提示词里明确要求"给出至少3个不常见的、跨领域的表述"，逼模型跳出舒适区。我实测加了这个要求后，边缘术语的比例从不到10%提到了30%左右。

问题二：不同模型扩展结果高度重合。

说明模型来源太单一。解决办法是选不同训练数据来源的模型，比如一个偏学术语料、一个偏专利语料、一个偏通用语料。来源不同，扩展角度才会不同。

问题三：扩展词里混入大量噪音。

这个靠清洗流程解决。我的经验是噪音比例超过40%就要回头调提示词，正常应该控制在20%以内。

7.2 初筛环节的排查思路

初筛环节最常见的问题是打分虚高，就是模型给一堆不相关的也打高分。排查思路是：

先看评分维度是不是太宽泛。如果"技术领域匹配"这一项给分太松，整体分数就会虚高。可以把这一项的权重调低，把"技术手段重合度"的权重调高。

再看是不是批次太大。前面说过，一次给太多条，后面的打分质量会下降。缩小批次试试。

最后看是不是提示词里没有"负面示例"。给模型几个明确不相关的例子，让它知道什么算低分，能有效压低虚高。

7.3 比对环节的避坑清单

比对环节的坑最多，我整理成一张速查表：

这张表我贴在工位上，每次比对出问题就对着查，能省不少时间。

7.4 独家避坑心得

分享几个文档里不会写、但实际特别有用的心得：

心得一：给模型"喂"领域黑话。每个技术领域都有一套自己的黑话，模型不一定懂。我的做法是提前整理一份领域术语表，在提示词里带上，模型的表现会明显提升。

心得二：让模型"先分类再打分"。直接打分容易虚高，先让模型把候选分成"高度相关、可能相关、不相关"三类，再在类内打分，准确率高不少。

心得三：保留模型的"思考过程"。有些模型支持输出推理过程，别关掉。这个推理过程虽然啰嗦，但排查问题时特别有用，能看出模型是在哪一步跑偏的。

心得四：定期用"已知答案"的样本校准。我每个月会拿一批已知结果的样本跑一遍，看模型的准确率有没有漂移。模型版本更新后，表现可能会变，不校准容易翻车。

8. 检索员的新定位：从"找文献"到"管证据"

跑完这半年的测试，我对"AI能不能替代专利检索员"这个问题有了更具体的答案。能替代的是检索动作，替代不了的是证据责任。检索员这个岗位不会消失，但工作重心会转移。

以前检索员大部分时间花在"找"上——找关键词、找分类号、找文献。现在这些"找"的动作，模型能分担很大一部分。检索员的时间会更多花在"判断"上——判断证据强度、判断等同边界、判断检索是否充分、判断报告怎么写。

这个转变对检索员的能力要求其实更高了。以前会查就行，现在得会"管"——管模型、管流程、管证据链。我身边转得快的同行，已经开始把模型当成"实习生"来用：让它干粗活，自己把关关键判断。转得慢的，还在纠结"模型会不会取代我"，结果时间都花在焦虑上了。

我个人的体会是，把模型当成一个不知疲倦但需要监督的助手，而不是一个可以托付结论的专家。这个定位摆正了，效率提升是实实在在的，风险也是可控的。至于那些担心被替代的同行，我的建议是：先去把多模型协同这套流程跑一遍，跑完你就知道该往哪个方向使劲了。工具在变，但检索这件事的核心——把证据找全、把边界划清、把结论说准——一直没变。