assess-ip-landscape
About
This skill analyzes the intellectual property landscape for a given technology or product area. It performs patent clustering, identifies white spaces, evaluates competitor portfolios, and screens for freedom-to-operate risks. Developers should use it before starting R&D in a new field, assessing market entry against incumbents, or preparing for investment due diligence.
Quick Install
Claude Code
Recommendednpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/assess-ip-landscapeCopy and paste this command in Claude Code to install this skill
Documentation
评估知识产权全景
映射某技术领域的知识产权全景——识别专利聚类、空白地带、关键参与者和自由实施权风险。生成指导研发方向、许可决策和 IP 申报策略的战略评估。
适用场景
- 在新技术领域启动研发之前(哪些已被保护?)
- 评估在位者拥有强大专利组合的市场进入
- 准备投资尽职调查(IP 资产评估)
- 制定专利申报策略(在哪里申报、保护什么)
- 评估新产品或功能的自由实施权风险
- 监控竞争对手的 IP 活动以进行战略定位
输入
- 必需:需要评估的技术领域或产品方向
- 必需:地理范围(美国、欧盟、全球)
- 可选:需要重点关注的特定竞争对手
- 可选:自身专利组合(用于差距分析和 FTO)
- 可选:时间范围(近 5 年、近 10 年、全部)
- 可选:分类号(IPC、CPC,如已知)
步骤
第 1 步:定义搜索范围
建立全景分析的边界。
- 精确定义技术领域:
- 核心技术方向(例如"基于 transformer 的语言模型"而非"AI")
- 需要包含的相邻领域(例如"注意力机制、分词、推理优化")
- 明确排除的领域(例如如果聚焦 NLP 则排除"计算机视觉 transformer")
- 识别相关分类号:
- IPC(国际专利分类)——广泛,全球通用
- CPC(合作专利分类)——更具体,美国/欧盟标准
- 搜索 WIPO 的 IPC 出版物或 USPTO 的 CPC 浏览器
- 定义地理范围:
- 美国(USPTO)、欧盟(EPO)、WIPO(PCT)、特定国家局
- 大多数分析从美国 + 欧盟 + PCT 开始以获得广泛覆盖
- 设定时间窗口:
- 近期活动:近 3-5 年(当前竞争格局)
- 完整历史:10-20 年(成熟技术领域)
- 注意已过期专利——它们开放了设计空间
- 将范围记录为全景章程
预期结果: 一个清晰、有边界的范围,足够具体以产生可操作的结果,但又足够广泛以覆盖相关竞争格局。已识别用于系统搜索的分类号。
失败处理: 如果技术领域过于宽泛(数千个结果),通过增加技术特异性或聚焦特定应用领域来缩小。如果过于狭窄(结果很少),扩展到相邻技术。合适的范围通常产生 100-1000 个专利家族。
第 2 步:采集专利数据
在定义的范围内收集专利数据。
- 使用全景章程查询专利数据库:
- 免费数据库:Google Patents、USPTO PatFT/AppFT、Espacenet、WIPO Patentscope
- 商业数据库:Orbit、PatSnap、Derwent、Lens.org(免费增值模式)
- 组合关键词搜索 + 分类号以获得最佳覆盖
- 系统地构建搜索查询:
Query Construction:
+-------------------+------------------------------------------+
| Component | Example |
+-------------------+------------------------------------------+
| Core keywords | "language model" OR "LLM" OR "GPT" |
| Technical terms | "attention mechanism" OR "transformer" |
| Classification | CPC: G06F40/*, G06N3/08 |
| Date range | filed:2019-2024 |
| Assignee filter | (optional) specific companies |
+-------------------+------------------------------------------+
- 以结构化格式(CSV、JSON)下载结果,包括:
- 专利/申请号、标题、摘要、申请日期
- 受让人/申请人、发明人
- 分类号、引用数据
- 法律状态(已授权、待审、过期、放弃)
- 按专利家族去重(将同一发明的各国申请归组)
- 记录专利家族总数和来源数据库
预期结果: 范围内去重并标注时间戳的专利家族结构化数据集。该数据集是所有后续分析的基础。
失败处理: 如果数据库访问受限,Google Patents + Lens.org(免费)提供良好覆盖。如果查询返回过多结果(>5000),增加技术特异性。如果过少(<50),扩展关键词或添加分类号。
第 3 步:分析全景
映射专利聚类、关键参与者和趋势。
- 聚类分析:按子技术分组专利:
- 使用分类号或关键词聚类识别 5-10 个子领域
- 统计每个聚类的专利家族数
- 识别哪些聚类在增长(近期申报激增)vs 成熟(持平或下降)
- 关键参与者分析:按以下指标识别前 10 名受让人:
- 专利家族总数(组合广度)
- 近期申报率(近 3 年——当前活跃度)
- 平均引用数(专利质量代理指标)
- 地理申报广度(仅美国 vs 全球申报)
- 趋势分析:绘制时间窗口内的申报趋势:
- 按年的总体申报量
- 按年按聚类的申报量
- 新进入者(首次在该领域申报的受让人)
- 引用网络:识别被引用最多的专利(基础 IP):
- 高前向引用 = 被后续申报大量依赖
- 这些可能是阻断专利或基本在先技术
- 生成全景图:聚类、参与者、趋势和关键专利
预期结果: 清晰展示谁拥有什么、活动集中在哪里以及全景如何演变。已识别关键阻断专利。空白地带(申报很少的领域)可见。
失败处理: 如果数据集太小无法进行有意义的聚类,将聚类合并为更广泛的组。如果一个受让人占主导(>50% 的申报),将其组合作为单独的子全景分析。
第 4 步:识别空白地带和风险
从全景中提取战略洞察。
- 空白地带分析(机会):
- 范围内专利申报很少或没有的技术领域
- 已过期专利家族——设计空间已重新开放
- 只有一个参与者申报的活跃领域(先行者但无竞争)
- 增长聚类附近的空白地带(下一个前沿)
- FTO 风险筛查(威胁)——改编自
heal分诊矩阵:- 关键:已授权专利直接覆盖你计划的产品/功能
- 高:可能授权且权利要求相关的待审申请
- 中等:相邻领域的已授权专利,可能被广泛解释
- 低:已过期专利、窄权利要求或地理上不相关的申报
- 竞争定位:
- 你的组合(如有)相对于竞争对手在哪里?
- 哪些竞争对手在你的目标领域有阻断地位?
- 哪些竞争对手可能对交叉许可感兴趣?
- 生成战略评估:空白地带、FTO 风险、定位和建议
预期结果: 可操作的战略建议:在哪里申报、避免什么、关注谁,以及哪些风险需要详细的 FTO 分析。
失败处理: 如果识别出 FTO 风险,此筛查是初步的——它不能替代专利律师的正式 FTO 意见。将关键风险标记为需要法律审查。如果空白地带看起来太好(一个有价值的领域没有申报),验证搜索范围是否意外排除了相关申报。
第 5 步:记录和建议
将全景评估打包给决策者。
- 编写全景报告,包含以下部分:
- 执行摘要(1 页:关键发现、最大风险、主要建议)
- 范围和方法论(搜索词、数据库、日期范围)
- 全景概览(聚类、趋势、关键参与者及可视化)
- 空白地带分析(按战略价值排名的机会)
- 风险评估(按严重性排名的 FTO 关切)
- 建议(申报策略、许可目标、监控警报)
- 包含支持数据:
- 专利家族列表(结构化、可排序)
- 聚类图(可视化)
- 申报趋势图表
- 关键专利摘要(最相关的前 10-20 项专利)
- 设置持续监控:
- 定义关键领域新申报的警报查询
- 设定审查节奏(活跃领域每季度,稳定领域每年)
预期结果: 完整的全景报告,支持战略性 IP 决策。报告基于证据、范围清晰且可操作。
失败处理: 如果报告太大,先生成执行摘要,按需提供详细部分。执行摘要应始终能独立作为决策文件。
验证清单
- 全景章程定义了范围、分类、地理和时间窗口
- 从多个数据库采集并去重了专利数据集
- 已识别聚类及其申报数量和趋势方向
- 前 10 名关键参与者已通过组合指标进行了分析
- 已识别空白地带并按战略价值排名
- 已筛查 FTO 风险并按严重性分类
- 已通过引用分析识别关键阻断专利
- 建议是具体且可操作的
- 已承认局限性(筛查 vs 正式 FTO 意见)
- 已定义持续全景跟踪的监控警报
常见问题
- 范围过于宽泛:"AI 专利"不是全景——那是汪洋。对技术和应用要具体
- 依赖单一数据库:没有单一专利数据库能完全覆盖。至少使用两个来源
- 忽视专利家族:按个别申报而非家族计数会夸大数字。一个发明在 10 个国家申报是一个专利家族,不是十个
- 混淆申请和授权:待审申请不是可执行的权利。区分已授权专利和已公开申请
- 空白地带误读:一个空白领域可能意味着"没人尝试过"或"每个人都尝试过但失败了"。在假定是机会之前先调查
- 全景作为法律意见:本技能生成战略情报,不是法律建议。此处标记的 FTO 风险需要专利律师的正式分析
相关技能
search-prior-art— 针对特定发明或专利有效性挑战的详细在先技术搜索security-audit-codebase— 风险评估方法论与 IP 风险筛查平行review-research— 文献综述技能适用于在先技术分析conduct-gxp-audit— 审计方法论与系统性 IP 全景文档平行screen-trademark— 商标冲突筛查和显著性分析,用于 IP 格局的商标方面file-trademark— EUIPO、USPTO 和马德里协议的商标申请程序
GitHub Repository
Related Skills
llamaguard
OtherLlamaGuard is Meta's 7-8B parameter model for moderating LLM inputs and outputs across six safety categories like violence and hate speech. It offers 94-95% accuracy and can be deployed using vLLM, Hugging Face, or Amazon SageMaker. Use this skill to easily integrate content filtering and safety guardrails into your AI applications.
cost-optimization
OtherThis Claude Skill helps developers optimize cloud costs through resource rightsizing, tagging strategies, and spending analysis. It provides a framework for reducing cloud expenses and implementing cost governance across AWS, Azure, and GCP. Use it when you need to analyze infrastructure costs, right-size resources, or meet budget constraints.
quantizing-models-bitsandbytes
OtherThis skill quantizes LLMs to 8-bit or 4-bit precision using bitsandbytes, achieving 50-75% memory reduction with minimal accuracy loss. It's ideal for running larger models on limited GPU memory or accelerating inference, supporting formats like INT8, NF4, and FP4. The skill integrates with HuggingFace Transformers and enables QLoRA training and 8-bit optimizers.
dispatching-parallel-agents
OtherThis Claude Skill dispatches multiple agents to investigate and fix 3+ independent problems concurrently. It is designed for scenarios involving unrelated failures that can be resolved without shared state or dependencies. The core capability is parallel problem-solving, assigning one agent per independent problem domain to maximize efficiency.
