绿洲慧写 | AI 辅助专利撰写专家

• 使用分隔符清楚地指示输入的不同部分

三引号、三等号、中括号等分隔符可以帮助划分要区别对待的文本节。对于诸如此类的简单任务，使用分隔符可能不会对输出质量产生影响。然而，任务越复杂，消除任务细节的歧义就越重要。要让模型准确地理解你对他们的要求。

以下是一个在文章协作领域使用分隔符的提示词案例：

===
[任务说明]
撰写一篇关于远程办公趋势的文章引言部分。

===
[背景信息]
远程办公在过去几年里迅速崛起，尤其是在技术发展的推动下，企业和员工都逐渐适应这种灵活的工作方式。

===
[内容要点]
1. 远程办公的兴起背景，包括全球疫情、技术进步和工作文化的转变。
2. 当前支持远程办公的关键技术，如视频会议、云协作平台等。
3. 远程办公对工作方式的影响，特别是在员工灵活性和生产力提升方面的优势。

===
[写作要求]
- 语言流畅，信息准确。
- 适合广泛读者群体，简洁易懂。
- 突出远程办公的优点，尤其是灵活性和生产力。

解释：

• === 用于区分不同的部分，例如任务说明、背景信息、内容要点和写作要求。
• [ ] 用于明确标识每个部分的主题，使提示词清晰、结构化，便于理解。

• 提供例子

当有一些要求，如特殊的格式，特殊的文风等很难用语言表达时，可以通过几个例子来引导AI。让AI通过学习示例来仿照要求的格式或风格。

你提到的策略非常有效，特别是在有些要求比较复杂或难以明确表达时，通过提供示例来引导AI是一种很好的做法。示例可以提供一个具体的参照，让AI更好地理解预期的输出风格、结构或内容方向。以下是如何通过示例引导AI的一个案例：

情况：描述一种难以具体化的写作风格

提示词：

===
[任务说明]
撰写一篇关于绿色能源发展的文章，适合具有科学背景但非专业领域的读者。

===
[写作要求]
- 语言要保持专业性，但避免过于技术化。
- 风格应简洁明了，避免复杂术语，但要保留科学准确性。
- 吸引读者的兴趣，激发对绿色能源话题的进一步探索。

通过示例引导：

[示例段落]
“绿色能源的崛起不仅源于技术的进步，更是全球环境保护需求日益强烈的结果。如今，太阳能和风能等清洁能源已成为世界各国应对气候变化的重要手段。这些能源的广泛应用，显著减少了化石燃料的依赖，从而降低了碳排放量。”

===
[要求示例]
- 采用类似于上述段落的风格：简洁、直观，但确保读者能理解其背后的科学逻辑。
- 避免使用过多的专业术语，例如“光伏效应”或“涡轮动力学”，但可以提及这些概念并以简单方式解释。

解释：

• 提供了一个具体的写作风格示例段落，使AI可以模仿这种风格。
• 示例不仅展示了语言的简洁性，还展示了如何在保持科学准确性的同时吸引读者兴趣。
• 通过明确指出哪些术语可以使用、哪些应避免，确保输出的文章易于理解。

通过这种方式，你可以更有效地引导AI，特别是在一些较为抽象或复杂的任务上，使得AI生成的内容更加贴合你的期望。

• 分段总结长文档并递归构建完整摘要

对于特别长的内容，如“具体实施方式”，在绿洲慧写系统生成大量的结构性内容后，用户可能会希望通过归纳总结在不减少信息点的基础上来压缩篇幅。此时，可以分段要求系统进行归纳，然后将分段的总结再进行汇总和排列。

以下是一个可以执行这种方法的分步流程示例：

1. **分段处理**：

将长文档分成多个部分（如“具体实施方式”中的子部分），每段以1000-2000字为单位进行归纳总结。每段的摘要应包含关键信息点，并保持结构清晰。

2. **分段归纳**：

要求系统对每个分段进行总结时，设定目标是保持信息的完整性，而不是简单地减少字数。例如：

提示词：

请对以下“具体实施方式”的段落进行总结，保留关键技术细节和重要步骤，但缩短篇幅：
[输入段落内容]

3. **逐段汇总**：

当所有段落都已完成初步归纳后，系统可以将这些总结部分再次汇总，构建更简洁的整体总结。

汇总示例：

请对以下各个段落的总结进行进一步归纳，构建一个简洁且全面的整体总结：
[每个段落的总结]

4. **排列和优化**：

通过汇总生成的摘要，将内容按逻辑顺序排列，并可以根据篇幅和具体需求进一步优化结构。

示例流程：

1. 对“具体实施方式”进行分段，并生成每段的摘要。
2. 将每段摘要组合，形成完整的“具体实施方式”摘要。
3. 最终输出包含所有关键信息的浓缩版文档。

B. COT（思维链技术）

当有较为复杂的任务时，需要将任务拆分成为多个子任务并要求AI执行。

当出现这种指令时，在指令的最后建议添加”””请一步步进行推理并得出结论”””可以有效的提升输出质量。

以下是一个“Chain of Thought”（COT，思维链）提示词的案例，旨在帮助AI逐步推理、分析复杂任务或问题，确保输出结果的逻辑性和清晰性。

案例：法律合规性分析

提示词：

===
[任务说明]
我们需要分析一家科技公司在进入国际市场时面临的主要法律合规性问题。请从以下步骤开始，逐步推理并提供详细的分析。

===
[步骤1：法律环境概述]
首先，请提供目标市场的法律和监管环境的概述。包括隐私保护法规（如GDPR）、反垄断法和劳动法等主要法规。

===
[步骤2：行业特定要求]
接着，分析科技行业在该市场面临的特定法律要求。例如，数据存储、云服务合规性、跨境数据传输限制等。

===
[步骤3：潜在风险评估]
在此基础上，列出公司可能面临的主要合规性风险，并解释这些风险可能带来的法律和业务后果。

===
[步骤4：合规建议]
最后，提出具体的合规建议。建议应该涵盖如何修改内部政策、调整运营流程以遵守该市场的法律要求，并确保长期的法律合规性。

解释：

1. 任务逐步分解：通过分步骤的方式，COT提示词引导AI从法律环境的概述到特定的行业要求，再到风险评估，最后提出解决方案。这种逐步推进的方式确保AI能进行深度的推理和分析。
2. 链式思维：每一步都依赖于前一步的分析结果，使整个过程具有连续性和逻辑性，最终得出合理的合规性建议。

这个COT提示词的结构清晰，使AI能够逐步思考和分析复杂的合规性问题，最终给出逻辑严密的解决方案。

C. 反问

当你不知道一个指令该怎样要求时，可以让AI给你提供一些信息用于完善你的提示词。

用户：

我想让你生成一篇小红书风格的文章，你能先告诉我小红书风格的特点吗？

ChatGPT：

小红书风格的文章通常有以下特点：

• 语气轻松、亲切：像朋友之间的分享，富有互动性，读者会感到很有代入感。
• 用词生活化：使用较为简洁、明快的语言，且很少涉及过于专业的术语。常会加入表情符号（如😍、😎）来增添趣味和互动感。
• 情感化表达：文章会通过带有感情色彩的文字吸引读者，增强文章的共鸣感。也会在结尾邀请读者互动或留言。

总体来说，小红书的文章风格简洁明了、轻松有趣，同时让读者感到轻松愉快。

用户：

了解了！那你能按照这个风格，帮我写一篇关于“我的专利服务”的100字短文吗？

ChatGPT：

当然可以！以下是按照小红书风格写的100字短文：

“哇！要申请专利但不知道从哪开始？别担心，我的专利服务了解一下🤓！提供一对一咨询，帮你搞定复杂的专利流程，轻松拿下专利证书～无论是发明专利还是实用新型，都可以来找我，效率高还超贴心哦！让你的创意变成真正的法律保护💡！”

D. 反思（最为重要的方法）

在生成内容之后，要求AI自己对生成的内容进行反思，提出完善建议。

同时AI提出的建议对用户也是很重要，往往会有高价值的信息包含其内。

（接以上小红书案例）

用户：

请反思以上小红书内容，从提升关注度的角度提出完善建议。

ChatGPT：

针对这篇小红书风格的内容，如果要进一步提升关注度，可以从以下几个方面进行优化：

1. 抓住痛点，强化代入感

更明确地指出用户的痛点，比如对专利流程不熟悉、时间紧张等，让读者感受到你真正了解他们的问题。然后再提供解决方案，制造情感共鸣。

改进建议：

“专利申请太复杂？总担心流程太长、资料不全？别急！我来帮你搞定一切🤓！”

2. 突出优势，强化信任感

除了提到“一对一咨询”和“效率高”，还可以加入具体优势，比如成功案例、经验丰富的团队、获得过的成果等，增加可信度和吸引力。

改进建议：

“我的专利服务不仅效率高，还有数百个成功案例，团队经验丰富，专利申请通过率超高～让你放心交给我们，轻松搞定！”

3. 互动性强，鼓励行动

鼓励读者采取具体的行动，比如咨询、留言等，让文章更具互动性。你可以加入限时优惠、免费咨询等诱导用户主动联系。

改进建议：

“现在咨询还能享受免费评估哦！有任何问题直接留言或者私信，分分钟帮你解答～”

4. 视觉元素，提升吸引力

小红书文章通常搭配图片和表情符号来增加吸引力。可以考虑加入更多表情符号或在语言上更加富有画面感。

改进建议：

“想要让你的创意变成真正的法律保护💡？别犹豫啦，现在就咨询我吧！让你的专利之路变得轻松又高效～✨”

用户：

请按照以上建议重新生成综合改进后的版本

ChatGPT：

综合改进后的版本：

“专利申请太复杂？总担心流程太长、资料不全？别急！我来帮你搞定一切🤓！我的专利服务不仅效率高，还有数百个成功案例，团队经验丰富，专利申请通过率超高～发明专利、实用新型全搞定💡让你放心交给我们，轻松拿下专利证书！现在咨询还能享受免费评估哦！有任何问题直接留言或者私信，分分钟帮你解答～✨”

系统近期新增了o1和o1mini两个推理模型，特别擅长于数学，物理，化学，编程等理论性极强的领域。在撰写相关领域的内容时，可以帮助我们进行分析。

注意：o1和o1mini并不擅长于撰写，因此在日常专利撰写工作中默认调用4o模型。

用户：请帮助我分析以下内容，并给出解释 “”” 发明内容

本发明提出了一种用于求解大规模稀疏线性方程组的自适应加速迭代算法，旨在提高计算效率和精度。该算法综合利用了多重网格方法和预条件共轭梯度法，并引入了一种新的残差修正策略。

具体而言，针对线性方程组 $Ax = b$，其中 $$A \in \mathbb{R}^{n \times n$$ 是一个稀疏对称正定矩阵，$x, b \in \mathbb{R}^n$，本发明的方法包括以下步骤：

1. 初始近似解的生成：利用多重网格方法，在粗网格上求解近似解 $x_0$，从而加速迭代收敛。
2. 自适应预条件器的构造：定义预条件矩阵 $M$，其构造方式为：

$$M = (D + L)D^{-1}(D + U),$$

其中，$D$ 是矩阵 $$$$ 的对角矩阵，$L$ 和 $$$$ 分别是 $$$$ 的严格下三角和上三角部分。

3. 迭代求解过程：

• 计算初始残差：$$ r_0 = b – Ax_0. $$$$ r_0 = b – Ax_0. $$$$ r_0 = b – Ax_0. $$$$ r_0 = b – Ax_0. $$
• 预条件残差：$$ z_0 = M^{-1} r_0. $$$$ z_0 = M^{-1} r_0. $$$$ z_0 = M^{-1} r_0. $$$$ z_0 = M^{-1} r_0. $$
• 设定初始方向：$$ p_0 = z_0. $$$$ p_0 = z_0. $$$$ p_0 = z_0. $$$$ p_0 = z_0. $$
• 迭代更新：对于 $k = 0, 1, 2, \dots$，执行以下迭代步骤：

– 计算步长系数：$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$

– 更新近似解：$$ x_{k+1} = x_k + \alpha_k p_k. $$$$ x_{k+1} = x_k + \alpha_k p_k. $$$$ x_{k+1} = x_k + \alpha_k p_k. $$$$ x_{k+1} = x_k + \alpha_k p_k. $$

– 更新残差：$$ r_{k+1} = r_k – \alpha_k A p_k. $$$$ r_{k+1} = r_k – \alpha_k A p_k. $$$$ r_{k+1} = r_k – \alpha_k A p_k. $$$$ r_{k+1} = r_k – \alpha_k A p_k. $$

– 预条件新的残差：$$ z_{k+1} = M^{-1} r_{k+1}. $$$$ z_{k+1} = M^{-1} r_{k+1}. $$$$ z_{k+1} = M^{-1} r_{k+1}. $$$$ z_{k+1} = M^{-1} r_{k+1}. $$

– 计算方向调整参数：$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$

– 更新搜索方向：$$ p_{k+1} = z_{k+1} + \beta_k p_k. $$$$ p_{k+1} = z_{k+1} + \beta_k p_k. $$$$ p_{k+1} = z_{k+1} + \beta_k p_k. $$$$ p_{k+1} = z_{k+1} + \beta_k p_k. $$

4. 残差修正策略：在每次迭代后，判断是否满足修正条件。如果满足，则对残差进行修正：

$$r_{k+1} = r_{k+1} + \omega (b – A x_{k+1}),$$

其中，$\omega$ 是自适应的松弛因子，依据迭代收敛情况调整。

5. 收敛判据：当满足 $\|r_{k+1}\| \leq \varepsilon$，其中 $$\varepsilo$$ 为预设精度，算法终止。

通过上述方法，本发明实现了对大规模稀疏线性方程组的高效求解，具有快速收敛和高精度的特点。

“””

ChatGPT：

分析与解释

本发明针对求解大规模稀疏线性方程组的问题，提出了一种改进的迭代算法。以下是对发明内容的深入分析和解释：

1. 初始近似解的生成

• 多重网格方法的应用：多重网格方法是一种多尺度求解技术，通过在不同尺度（网格）上求解，可以快速获得问题的近似解。
• 在粗网格上求解：在粗网格上求解方程组，可以以较低的计算代价获得一个较好的初始近似解 $x_0$，为后续的迭代过程提供了良好的起点。

2. 自适应预条件器的构造

• 预条件器的作用：预条件器 $$$$ 的引入旨在改善矩阵 $$$$ 的条件数，从而加速迭代方法的收敛。
• 预条件器的具体形式：$$ M = (D + L)D^{-1}(D + U), $$$$ M = (D + L)D^{-1}(D + U), $$$$ M = (D + L)D^{-1}(D + U), $$$$ M = (D + L)D^{-1}(D + U), $$

– $D$：矩阵 $$$$ 的对角矩阵，包含了 $$$$ 的对角元素。

– $$$$ 和 $U$：分别是 $$$$ 的严格下三角和上三角部分。

– **乘积形式**：这种预条件器被称为对称Gauss-Seidel预条件器，利用了矩阵分解的特性。

3. 迭代求解过程

• 计算初始残差 **$r_0$**：反映了初始近似解与精确解之间的差异。$$ r_0 = b – A x_0. $$$$ r_0 = b – A x_0. $$$$ r_0 = b – A x_0. $$$$ r_0 = b – A x_0. $$
• 预条件残差 **$z_0$**：通过求解 $$M z_0 = r_$$ 获得。这一步将残差映射到一个更有利于迭代收敛的空间。
• 设定初始搜索方向 **$p_0$**：通常选择为预条件残差，以确保搜索方向的有效性。
• 迭代更新步骤：

– **步长系数 ****$\alpha_k$**：$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$$$ \alpha_k = \frac{r_k^T z_k}{p_k^T A p_k}. $$

– **物理意义**：$\alpha_k$ 确定了在搜索方向 $$p_$$ 上前进的最佳步长，使得新的残差在该方向上最小化。

– **更新近似解 ****$x_{k+1}$**：按照共轭梯度法的标准更新方式。

– **更新残差 ****$r_{k+1}$**：计算新的残差，评估新的近似解的准确性。

– **预条件新的残差 ****$z_{k+1}$**：同样通过 $$M z_{k+1} = r_{k+1$$ 计算。

– **方向调整参数 ****$\beta_k$**： $$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$$$ \beta_k = \frac{r_{k+1}^T z_{k+1}}{r_k^T z_k}. $$

– **作用**：用于调整新的搜索方向，使其与之前的搜索方向保持共轭性。

– **更新搜索方向 ****$p_{k+1}$**：结合新的预条件残差和之前的搜索方向。

• 迭代的目的：通过不断更新近似解、残差和搜索方向，逐步逼近精确解。

4. 残差修正策略

• 引入原因：在某些情况下，迭代过程可能出现收敛缓慢或停滞的情况。
• 修正条件：当检测到迭代收敛不理想时，触发残差修正。
• 修正方法：$$ r_{k+1} = r_{k+1} + \omega (b – A x_{k+1}), $$$$ r_{k+1} = r_{k+1} + \omega (b – A x_{k+1}), $$$$ r_{k+1} = r_{k+1} + \omega (b – A x_{k+1}), $$$$ r_{k+1} = r_{k+1} + \omega (b – A x_{k+1}), $$

– $$\omeg$$** 的作用**：作为松弛因子，控制修正的程度。

– **效果**：通过修正残差，重新调整迭代方向，克服收敛障碍。

5. 收敛判据

• 残差范数 **$\|r_{k+1}\|$**：衡量当前近似解的精度。
• 预设精度 **$\varepsilon$**：根据具体问题的需求设定，确保解的精确度。

创新点与优势

• 综合多种算法优点：将多重网格方法、预条件共轭梯度法和残差修正策略相结合，发挥各自的优势。
• 自适应性强：预条件器和残差修正策略的引入，使算法能够根据实际情况动态调整，提高了鲁棒性。
• 适用于大规模稀疏矩阵：充分利用稀疏矩阵的特性，降低了存储和计算成本。

应用领域

• 工程计算：如有限元分析、结构力学等领域，需要求解大规模线性方程组。
• 科学计算：如电磁场模拟、流体动力学等，需要高效的数值求解方法。
• 数据科学与机器学习：在大规模数据处理和模型训练中，常涉及稀疏矩阵的计算。

总结

本发明通过引入自适应的预条件器和残差修正策略，改进了传统的迭代求解方法。该算法在保持高精度的同时，显著提高了计算效率，适用于求解大规模稀疏线性方程组的问题。

AI可以比较好的识别流程图之类的非技术性图纸。对于机械图和电器原理图，AI可以理解并输出对应的结果。但是还需要人工检查和矫正

AI的识图能力可以帮助专利代理人快速的理解技术交底书的内容，并与发明人提供的其他内容进行交叉检验，确保没有疏漏。

用户：

请识别以下图片并分析

ChatGPT：

根据您提供的图片，这是一种电路图，可能与电气保护或电阻相关。以下是图片中关键元素的分析：

1. 电源连接 (L 和 N)：
   1. 左上角标识为 “L”（通常代表火线），右上角标识为 “N”（通常代表中性线）。这表明该电路连接到交流电源。
2. 两侧电阻 (R1 和 R2)：
   1. 左侧标注有电阻 R1 (14)，右侧标注有电阻 R2 (24)。这些电阻与电源连接，可能用于限制电流或进行电流检测。
3. 主电路元件：
   1. 图中央部分的方框（2）和其上部的组件（3）是核心组件，可能是继电器或控制模块。
   2. 继电器的上下分别连接到弹簧状符号（32、33），表明可能是机械动作的部分，通常用于控制电流的通断。
4. 加热元件或负载 (8 和 9)：
   1. 中央方框内的元件 8 和 9 可能是加热元件或者负载，电流会通过这些元件传递。
5. 接地符号 (11 和 21)：
   1. 图中的底部标注了 接地符号 (11、21)，确保电路安全接地，防止设备损坏或安全问题。
6. 开关元件或传感器 (41)：
   1. 位于中央下方的元件标注为 **41**，可能是开关、传感器或断路器，用于检测电流、电压或其他参数，并控制电路的工作状态。

可能的应用：

• 该电路图可能用于电流控制、过载保护或温度调节。通过两侧的电阻（R1 和 R2）以及中央的元件（继电器或控制模块），它可以实现电流的检测与调节。
• 中央部分的负载（8 和 9）可能与温度调节有关，整体系统可能是用于电加热设备中的一种保护装置或调节装置。

总结而言，该电路很可能是用于交流电设备的保护或控制电路。为了更准确地分析其工作原理，还需要了解各元件的具体型号及功能。

流程图的制作主要依赖于Mermaid Chart模块。通过将需要生成流程图或类似非技术性图纸的内容转化为Mermaid语言，就可以通过Mermaid Chart模块生成所需要的图纸。

用户：

一个简单的电路系统，包括火线 (L)、中性线 (N)、两个电阻 (R1 和 R2)，以及核心控制模块（可能是继电器或其他控制设备）。通过节点 A1 和 B1 的连接，电流流向两个不同的负载（负载8 和负载9），由控制模块进行调节。请以Meimaid生成对应以上内容的电路图。

ChatGPT：

(wire (-3,0) (0,0)) % 火线 (L)，连接电源的相线，带电压

(wire (-3,-3) (0,-3)) % 零线 (N)，电源的零电位线

(vsource (0,0) (0,-3)) % 电源，连接火线 (L) 和零线 (N)，提供电压

(dots (1,0)) % 节点 A1，与火线 (L) 连接

(resistor (1,0) (2,0)) % 电阻 R1，位于节点 A1 和控制模块之间

(wire (2,0) (3,0)) % 导线，连接电阻 R1 和控制模块

(dots (1,-3)) % 节点 B1，与零线 (N) 连接

(resistor (1,-3) (2,-3)) % 电阻 R2，位于节点 B1 和控制模块之间

(wire (2,-3) (3,-3)) % 导线，连接电阻 R2 和控制模块

(dots (3,0)) % 控制模块的输入端，来自电阻 R1

(dots (3,-3)) % 控制模块的输入端，来自电阻 R2

(controlmodule (3,0) (3,-3)) % 控制模块，用于调节电流流向负载

(wire (4,0) (5,0)) % 从控制模块输出，连接到负载8

(load (5,0)) % 负载8，接收来自控制模块的电流

(wire (4,-3) (5,-3)) % 从控制模块输出，连接到负载9

(load (5,-3)) % 负载9，接收来自控制模块的电流

将以上内容输入到”Mermaid Chart: diagrams and charts“模块

Mermaid Chart：

对于试用账户用户，在使用高峰期可能会出现登录或试用次数限制。绝大部分情况下稍等片刻即可登录或使用。

如果您需要随时可用的服务，请尽早升级成为Plus或Max用户。