AI / 机器学习专利图怎么画：模型管线、训练流程和推理系统
面向 AI 和机器学习专利申请，整理模型管线、训练流程、推理系统、RAG 架构和 Agent 工作流的专利图画法。
AI 类专利图最常见的问题，是看起来像产品方案 PPT：一个大盒子写着 AI 或 model，但没有说明数据如何流动、模型如何训练、推理如何执行、发明点落在哪个环节。
如果素材是模型管线、RAG 架构、Agent 工作流或训练方法，可以先用 AI / 机器学习专利图生成器 起草。
常见问题：只有一个“AI”盒子
很多 AI 专利图看起来很干净，但实际没有信息量：一个输入箭头进入“AI 引擎”，一个输出箭头离开。这样的图很难支撑说明书，因为读者不知道新颖点到底在训练、检索、上下文构建、模型选择、反馈更新，还是输出处理。
专利图不需要公开每个模型参数，也不需要把论文里的复杂网络结构完整搬进来。更重要的是让说明书可以引用清楚的模块和步骤。例如说明书写到“验证器在推理前对检索上下文评分”，图里就应该能看到检索、验证、模型执行之间的关系。
至少准备两类图
多数 AI 申请需要两类图互相配合：
- 框图：说明模块和系统边界；
- 流程图：说明方法步骤和执行顺序。
只有架构图，方法步骤可能不清楚；只有流程图，系统上下文又会缺失。
训练流程图
训练相关图可以展示：
- 数据来源
- 预处理
- 特征提取
- 训练模块
- 评估模块
- 模型存储
- 更新或反馈回路
图纸不负责证明数学细节，它负责让说明书结构更容易阅读。
如果发明点在训练流程，图要让“变化来源”可见。比如新颖点是样本过滤，就要画出过滤模块；如果新颖点是模型更新，就要画出模型库、更新触发、评估步骤和部署路径；如果是隐私保护训练，要明确设备边界以及哪些数据不会离开本地设备。
推理流程图
推理相关图可以展示：
- 请求输入
- 检索或上下文构建
- 模型执行
- 后处理
- 输出设备或 API
- 日志和反馈
如果需要先定义系统边界，可以搭配 专利框图生成器。
推理图应把模型执行前、模型执行中、模型执行后的步骤分开。一个有用的专利图可以包括输入解析器、上下文构建器、模型执行模块、置信度评分模块、后处理器、输出接口和反馈日志。它比产品截图或一个“LLM”盒子更适合进入申请文件。
RAG 和 Agent 工作流
RAG 与 Agent 发明通常要明确检索、工具、记忆、计划器和验证器。图中名称要短，细节留给说明书展开。
AI 申请常用图组
| 图 | 应该表达什么 | 什么时候使用 |
|---|---|---|
| 系统框图 | 设备、服务器、模型库、内存、数据存储、接口 | 发明涉及多个模块或部署边界 |
| 训练流程图 | 数据选择、预处理、训练、评估、模型更新 | 发明改变训练或维护方式 |
| 推理流程图 | 请求、上下文构建、模型执行、后处理、输出 | 发明改变运行时行为 |
| RAG / Agent 图 | 检索器、记忆、计划器、工具、验证器、响应模块 | 编排逻辑是发明点 |
| UI 或输出图 | 用户或下游系统收到什么 | 输出格式影响方法或效果 |
这样拆分可以让每张图保持可读。总览图负责边界，训练和推理图负责顺序逻辑。
PatentFig AI 提示词模板
起草第一版时，可以用这样的输入：
Create a patent-style AI system figure for a [type of invention].
Show these modules: [input], [data source], [preprocessing], [training or inference module], [model store], [output interface], [feedback loop].
Use black-and-white line art, readable labels, reference numerals, and arrows showing data flow.
Do not create a marketing dashboard or product screenshot.
Keep implementation details abstract unless they are part of the invention.如果是 RAG 或 Agent 工作流，可以补充：
Include a retriever, context store, planner, tool execution module, verifier, model execution module, and response output.
Show which data is retrieved, which step verifies it, and where the final response is generated.
导出前检查表
| 检查项 | 要确认什么 |
|---|---|
| 模块名称 | 每个盒子是简短技术名称，不是营销话术 |
| 说明书支撑 | 关键模块都能在说明书里找到对应描述 |
| 图的拆分 | 架构、训练、推理、界面没有被塞进同一张拥挤图 |
| 箭头含义 | 每个箭头表示数据、控制或反馈关系 |
| 引用编号 | 编号可读，并且在相关图之间保持一致 |
| 系统边界 | 设备、服务器、云端、内存、模型库边界清楚 |
| 导出 | 线条、边距、黑白模式在提交前已检查 |
多张 AI 图之间常常会重复模块名称和编号，导出前建议用 Figure Checker 再检查一次。
不同角色怎么用这篇指南
- 专利律师：先用上面的表格判断是否需要拆分系统图、训练图和推理图。
- 专利工程师：从真实管线出发，删除不支撑发明点的实现噪音。
- 创始人或产品负责人：用提示词模板把产品概念变成可讨论的图稿，再交给代理人审查。
- 运营团队：保留可编辑母版，方便后续调整标号、图序和标签，而不是反复重画。
输入、图类型和导出检查
起草前先确认输入素材、目标图类型和提交前检查项。可用的专利图应来自有依据的技术内容，用最简单的图类型说明发明，并在标号、边距、线条和导出格式稳定前保持可修改。
更多文章
邮件列表
加入我们的社区
订阅邮件列表，及时获取最新消息和更新