patent-panorama-insights-tag

patent-panorama-insights-tag — 专利全景标引体系推荐器

我是环节 3/4 · 标引体系设计（patent-panorama-insights-tag） 我吃 环节1 候选池 + 环节2 统计/价值信号，产出标引体系 + 小样本示范 + 待标引导出。 全量逐条标引不在我这里——导出后交客户 SaaS 工具（环节 3.5 真人工断点）。

目标

环节3 将已确认的环节1/环节2候选集转化为推荐标引体系和一个已完成标引的示范样本。它不会对全量池逐条标引。

它回答：

• 技术拆解表是什么？严格的 4 列层级（一级 / 二级 / 三级 / 说明），≤40 个三级原子节点，且同一父节点下互斥。
• 每个分支的关键技术问题是什么，即用于启动环节4演进叙事的开放问题？
• 哪些专利族最能代表每个优先子域，为什么推荐它们（六项推荐规则）？
• 标引人员应如何应用该体系？通过 20–30 条记录示范，而不是标完整池。
• 客户 SaaS 工具需要接收什么，才能运行全量逐条标引？

环节3 不执行全量逐条标引。 该工作交给客户 SaaS 标引工具。环节3 产出方案（拆解表 + 关键问题 + 推荐包）、示范样本（20–30 条记录）和待标引导出文件；SaaS 工具产出的全量标引索引再回流到环节4。

这不是完整法律审查，也不是代表性专利深度阅读；它是结构化标引体系推荐层。

使用时机

只有在以下条件全部就绪后，才使用 /patent-panorama-insights-tag：

1. /patent-panorama-insights-search（环节1）已产出 candidate_pool.csv、core_recall.csv 和 tech_taxonomy.txt。
2. 人工断点（环节 1.5）已完成：客户已按 tech_taxonomy.txt 在 SaaS 工具完成全量标引，并将结果回流为 tagged_pool.csv。
3. /patent-panorama-insights-stats（环节2）已产出 panorama_stats.json + value_signals.json（可与人工标引并行推进，不互相卡）。

tagged_pool.csv 未就位时不得启动本 skill。 本层核心工作是在 SaaS 标引结果基础上做 taxonomy 校验、推荐包精选和 demo 示范；没有标引数据就没有实质输入。

输入

契约输入（ARCHITECTURE.md 第2节 环节1 → 人工断点 → 环节2 → 环节3）。前三个硬依赖是主线，缺其一无法运行：

可选增强输入（提供则更准，缺失则降级）：

输出【强制产出清单】

所有文件统一写入 @session/pps-output/。

输出架构

tech_breakdown.json

nodes[]:
  node_id            稳定 id，例如 "1.2.3"
  level_1            一级技术领域（共 4–6 个）
  level_2            子系统 / 能力
  level_3            具体技术——可标引的原子单元
  description        1–2 句：该技术做什么、为什么重要（成员归属规则）
  example_pn         可选，用于锚定该节点的种子公开号
meta:
  level_3_count      必须 ≤ 40
  mutually_exclusive true（在工作流步骤 9 验证）

key_questions.json

questions[]:
  question_id
  level_1            该问题所属分支
  question           一个开放技术问题（关键技术问题）
  rationale          为什么它仍开放 / 为什么重要
  seed_node_ids[]    该问题横跨的三级节点
meta:
  total              ≥ 10
  per_branch_balance 各一级分支大致均衡

patent_packages.csv

package_id, sub_domain (= a priority level-3 node), family_id, representative_publication,
title, normalized_assignee, recommendation_reason, value_signal, review_status

recommendation_reason 必须来自六项推荐规则（见方法 B5）：

disruptive_technology | novel_application_scenario | pulls_latent_user_demand |
major_performance_gain | novel_function | novel_interaction_mode

此处 review_status 是粗粒度置信度/阅读深度标记：abstract_based、claim_assisted、needs_review。

tagging_demo_sample.csv 和 to_be_tagged.csv

二者列布局相同。在 tagging_demo_sample.csv 中，标签列是已填写的示范；在 to_be_tagged.csv 中，标签列为空，由客户 SaaS 工具填写。

record_id, publication_number, title, abstract, normalized_assignee,
tech_level_1, tech_level_2, tech_level_3,
technical_problem, solution_type, technical_effect,
recommendation_level, evidence_text, review_status

单值规则（SaaS 工具应遵循的规范）

• 除非用户明确要求多标签分析，否则 tech_level_2 和 tech_level_3 均为单值。
• tech_level_3 必须从所选 tech_level_2 下的选项列表中选择。
• 每个三级节点必须与同级节点互斥。
• 如果一条记录存在多个可能标签，选择主标签，并在 evidence/notes 中记录次要标签。
• 不要将环节1的规则命中标签视为最终标签。
• 证据不足时，不要编造技术问题、解决方案、效果或 IPC。

工作流

1. 加载 candidate_pool.csv + patent_index.core.json + search_config.json + 环节2 panorama_stats.json / value_signals.json。保留稳定记录顺序。

2. 自上而下（架构优先）： 基于系统构成方式起草 level-1 / level-2 骨架，并用 search_config 分支锚定。

3. 自下而上（证据驱动）： 对每个分支的校准样本（每分支 ≤15–20 条；总 /7cc6ae 调用 ≤ branch_count × 20 —— 硬上限），调用 /7cc6ae/mcp（technology_topic、application_domain、tech_problem_benefit_summary）并抽样摘要，以确认、拆分或合并三级节点。达到上限即停止校准。

4. 执行粒度规则（方法 B3）：三级总数 ≤40；每个三级节点必须能写成一条清晰分支检索式、能用一句话描述，并与同级节点互斥。写出 tech_breakdown.json。

5. 推导 ≥10 个关键技术问题，在一级分支间大致均衡分布（方法 B4）。写出 key_questions.json。

6. 构建 ≥10 个推荐包（每个优先三级子域一个），每包 ≥3 个同族。写出 patent_packages.csv。

7. 生成示范样本：选择覆盖主要分支的 20–30 条代表性记录并标引。写出 tagging_demo_sample.csv。

8. 导出 to_be_tagged.csv：完整候选池，填充文本列，标签列留空。纯文件操作——只用脚本，绝不把行读入上下文。

9. 验证： 三级 ≤40 且互斥；推荐包覆盖 ≥10 × ≥3 个同族；关键问题 ≥10 且分支均衡；不编造 IPC / 问题 / 效果。

10. 写出 taxonomy_proposal.md。

11. 【主动询问 HTML】 所有以上产出就绪后，主动向用户询问：

    「以上产出文件已全部就绪。是否同时生成格局统计 HTML 报告（panorama_stats_report.html）？该报告将整合环节2 的统计图表、竞品画像和核心专利列表，写入 @session/pps-output/，可直接分享给客户。」

    • 用户确认 → 生成 HTML，写出 @session/pps-output/panorama_stats_report.html，告知路径。
    • 用户跳过 → 记录，提示可随时输入「生成HTML」触发。

下一步（环节 3.5 · 真人工断点）

我的产出到 to_be_tagged.csv 为止。接下来不在本 skill 内自动完成：

1. 导出 to_be_tagged.csv 交客户 SaaS 工具做全量逐条标引——真人工断点（环节 3.5）。
2. SaaS 标引完成后，把回流结果保存为 tagged_pool.csv。
3. 拿到 tagged_pool.csv 后，进入 环节 4 · patent-panorama-insights-report。

校准深度

硬上限：每分支校准 ≤15–20 条记录；总 /7cc6ae 调用 ≤ branch_count × 20。

质量检查

• tech_breakdown.json：三级 ≤40，节点互斥，每个节点有一句话成员归属说明。
• key_questions.json：≥10 个问题，分支均衡，每个问题映射到种子节点。
• patent_packages.csv：≥10 个子域，每个子域 ≥3 个同族，每个同族都有基于推荐规则的理由 + 价值信号。
• tagging_demo_sample.csv：20–30 条记录，所有标签值来自固定列表，并覆盖主要分支。
• to_be_tagged.csv：完整候选池，文本列完整，标签列为空。
• 不编造 IPC / 问题 / 方案 / 效果。

方法参考

• B1 — 4 列拆解表（三级 ≤40）。
• B2 — 自上而下架构 + 自下而上证据，双轮拆解。
• B3 — 粒度控制。
• B4 — 关键技术问题（≥10，分支均衡）→ 环节4演进种子。
• B5 — 推荐专利包关联和六项推荐规则。

参见 references/query-and-taxonomy-methodology.md 和 references/scenario-patent-package-and-index.md。

使用前配置

本 Skill 依赖智慧芽开放平台 MCP 服务：

• 完成安装、初次使用时需进行自检，参见 README.md
• 用户需完成账号授权，并确保 Agent 环境已启用对应 MCP 工具
• 若未完成配置，本 Skill 只能提供分析框架，无法检索实时数据或生成基于数据库的结论
• 缺少MCP配置时，引导用户参照 README.md 在 [open.zhihuiya.com](https://open.zhihuiya.com/) 获取MCP。