一、缘起

去年我所在的团队搞高新认证，每个研发被强制要求交一篇专利交底书。整个组直接哀嚎遍野——写代码很爽，写专利文档简直是渡劫。

在此痛点驱动下我意识到：这是一个有真实需求 + 有付费意愿 + 没有好用工具的细分行业市场。于是我做了一个 SaaS，叫「案流 AI」。地址 https://patent.aipoyuan.top。

这篇文章不打软广，主要分享个有意思的技术决策。其实，

二、技术架构

┌──────────────────────────────────────┐
│ 前端: React + Vite + TailwindCSS │
│ ├─ Auth │
│ ├─ Dashboard │
│ ├─ ProjectSetup │
│ ├─ Pipeline │
└──────────────┬───────────────────────┘
│ JWT + REST + SSE
┌──────────────▼───────────────────────┐
│ 后端: FastAPI + SQLite │
│ ├─ Scanner │
│ ├─ Mining │
│ ├─ PriorArt │
│ ├─ Builder │
│ ├─ Renderer │
│ └─ Export │
└──────────────┬───────────────────────┘ ▲ ▼ DeepSeek Gemini Pro

三、个工程化决策

决策 ：防 LLM 幻觉的「abstract 锚定」

问题

再看最初版本。让 LLM 直接判断条候选公开号哪些与本案相关。说到结果，幻觉严重。LLM 经常返回类似 “CN123456789A 与本案高度相关，方案是 XXX YYY ZZZ”。我去 Google Patents 一查，要么公开号不存在要么方案描述跟摘要完全对不上。

方法

强制要求的观点是，每条公开号必须先抓取真实 abstract，再让 LLM 基于真实摘要判断相关性.

async def get_real_abstract -> str:
"""从 Google Patents 详情页抓取真实 abstract"""
url = f"https://patents.google.com/patent/{pub_number}/zh"
html = await fetch
# 优先 meta description
meta = re.search\"'。html)
if meta:
return meta.group
# 备选: og:title
og = re.search\"',html)
return og.group if og else ""
# 喂给 LLM 的 prompt
prompt = f"""本案技术方法: {our_solution}
至于候选专利，- 公开号: {pub_number}
- 真正摘要 : {real_abstract}
← 是事实锚点判断这条专利与本案的相关性..."""

效果这方面，相关性判断准确率从 ~% 提高到 ~%+。通用经验这方面，LLM 不擅长事实判断，但擅长基于给定事实做推理。永远给它锚点，

决策 ：国知局 WAF 的级降级链

问题

国知局公布公告站 epub.cnipa.gov.cn 是查新的“圣杯”，但反爬极其严厉。Playwright headless 等了数秒、数十秒，检索框 #searchStr 都不出现。如果直接放弃，使用者就拿不到对比文献——这是主要功能。

方法

再看设计级降级链，

async def search_prior_art:
# 优先尝试国知局公布公告
再看try，return await cnipa_epub_search
except WAFTimeout:
pass
# 降级到国知局简化接口
再看try。return await cnipa_simple_api
except SSLError:
pass
# 降级到 curl 子进程
try这方面，return await fetch_via_curl
except subprocess.CalledProcessError:
pass
# 最终降级到 Google Patents
return await google_patents_search

每一级都记录到 SSE 流，让使用者看到“程序在为我尝试一切可能”。说到通用经验，垂直 AI 产品的主要壁垒不是模型。而是数据可达性**。降级链是把“做不到”变成“几乎总能做到”的关键。

决策 ：Linux root 跑 Chrome 沙箱的玄学

问题

后端服务以 root 使用者部署，调用 mmdc渲染图片时报错：

Running as root without --no-sandbox is not supported.

方法

Docker 镜像内创建专门的 User mermaidUSER mermaid;

RUN useradd -m -s /bin/bash mermaidUSER mermaid
RUN apt-get install -y fonts-wqy-microhei && fc-cache -fv
RUN chmod -R o+r /usr/share/fonts/truetype/wqy-microhei*
RUN chown -R mermaid /usr/local/lib/node_modules/puppeteer/.local-chromium/
ENTRYPOINT
CMD
RUN sudo mkdir /root/.cache && sudo chown -R mermaid /root/.cache
WORKDIR /home/mermaid
COPY . .
RUN npm i
ENV PUPPETEER_SKIP_CHROMIUM_DOWNLOAD=true
ENV PUPPETEER_EXECUTABLE_PATH=/home/mermaid/.local-chromium/chrome-linux/chrome
EXPOSE <<
 嵌入中文字体：  
 运行时切换用户调用 mmdc：
python
subprocess.run()
通用经验：浏览器自动化在生产环境的坑远超想象。永远不要 root 跑浏览器。
使用者痛点快速梳理 


# 时间成本高：

# 手工搜索难题：

# 技术门槛大：

# 文档质量不稳：

# 数据安全隐忧：

# 成本控制难：



以上痛点。是我们在产品迭代中一次次碰撞并解决的问题，也是为何「案流 AI」被同事们戏称为“省心工具”。

如果你也遇到这些困扰，请继续往下读！按理说，

四、产品当前状态 


✔ 流水线跑通：扫描 → 挖掘 → 查新 → 生成功能完整；

✔ 支持 GitHub 仓库 / docx / pptx 输入；

✔ Mermaid 自动渲染高清 PNG 嵌入 Word；

✔ 对话式迭代 + 自动版本管理；说起来，

✔ 项目隔离。


再看地址，patent.aipoyuan.top
内测期免费。邀请码 CaseFlow2026  

五、后续规划 


支持 GitLab / Gitee 仓库导入    



增加 PDF 直接解析  



开源 docx_to_md / cnipa_epub_search 等工具到 GitHub  



支持英文专利  



增加权要书自动生成  




 this will show up in your notes!，