2026年专利代理师《专利代理实务》真题回忆版

2026年专利代理师《专利代理实务》真题回忆版第一题：无效宣告请求案件分析与意见陈述撰写（总分75分）若甲公司认为乙公司拥有的专利权（专利号：ZL202310889999.X）不符合《专利法》及《专利法实施细则》的有关规定，请求国家知识产权局宣告该专利权全部无效。甲公司提交了对比文件1（D1）和对比文件2（D2）作为证据。假设客户委托你作为乙公司的专利代理师，针对甲公司的无效宣告请求，撰写一份意见陈述书，答复无效宣告请求书中的各项理由，并修改权利要求书（如果认为有必要）。具体要求：1.分析甲公司提出的无效宣告理由是否成立。2.如果认为需要修改权利要求书，应当给出建议修改的权利要求书，并说明修改依据。3.撰写意见陈述书，重点论述修改后的权利要求（或者未修改的原权利要求）具备新颖性和创造性的理由。4.意见陈述书应当逻辑清晰、理由充分，并引用《专利法》及《专利法实施细则》的具体条款。5.在意见陈述书中，应当指明对比文件中公开的相关技术特征，并论述其与权利要求相关技术特征的区别及技术效果。第二题：专利申请文件撰写（总分75分）请根据提供的客户技术交底材料（包括背景技术、发明内容、具体实施方式等），考虑最接近的现有技术，为客户撰写一份发明专利申请的权利要求书。具体要求：1.权利要求书应当包括1项独立权利要求和若干项从属权利要求。2.独立权利要求应当整体反映发明的技术方案，记载解决技术问题所必需的全部必要技术特征，并合理确定保护范围。3.从属权利要求应当对所引用的权利要求作进一步限定，形成层次化的保护结构。4.如果认为有必要，可以适当增加从属权利要求的数量，以形成多层次的布局。5.撰写应当符合《专利法》及《专利法实施细则》关于权利要求书撰写的各项规定。6.本题不需要撰写说明书其他部分，仅撰写权利要求书。【第一题无效宣告请求案件相关素材】【无效宣告请求书】无效宣告请求人：甲公司专利权人：乙公司专利号：ZL202310889999.X发明名称：一种基于深度强化学习的动态资源调度方法及系统无效宣告请求理由：1.权利要求1-3不具备《专利法》第二十二条第二款规定的新颖性。2.权利要求1-5不具备《专利法》第二十二条第三款规定的创造性。3.权利要求6-7不具备《专利法》第二十六条第四款规定的清楚性。证据：对比文件1（D1）：CN112234567A，公开日：2022年03月15日。对比文件2（D2）：US20220098765A1，公开日：2022年04月01日。甲公司认为：权利要求1相对于D1不具备新颖性，D1公开了一种基于深度学习的资源调度方法，包括采集数据、输入模型、输出调度策略。权利要求2-3的附加技术特征被D2公开。权利要求4-5的附加技术特征属于本领域的公知常识。权利要求6-7中的“动态奖励函数”和“自适应探索率”定义模糊，导致保护范围不清楚。【专利文本（ZL202310889999.X）】（摘要略）权利要求书：1.一种基于深度强化学习的动态资源调度方法，其特征在于，包括：获取云计算集群中各节点的实时负载数据和环境状态数据；将所述实时负载数据和所述环境状态数据输入至预训练的深度强化学习模型；所述深度强化学习模型基于深度Q网络算法，根据当前状态输出资源调度动作；执行所述资源调度动作，并根据执行后的系统性能指标更新模型参数；其中，所述深度强化学习模型包括状态空间、动作空间和奖励函数，所述奖励函数用于评估资源调度动作的优劣。2.如权利要求1所述的方法，其特征在于，所述系统性能指标包括任务响应时间、资源利用率和能耗值；所述奖励函数的具体计算公式为：R=α·其中，R表示奖励值，T表示任务响应时间，U表示资源利用率，E表示能耗值，α,β,γ为权重系数。3.如权利要求2所述的方法，其特征在于，所述权重系数α,β,γ不是固定值，而是根据系统当前的负载波动程度动态调整的；当负载波动程度大于预设阈值时，增大α的权重，降低γ的权重。4.如权利要求1所述的方法，其特征在于，所述深度强化学习模型采用双延迟深度确定性策略梯度算法（TD3）；所述方法还包括：在更新模型参数时，引入目标策略平滑噪声，以减少函数逼近误差。5.如权利要求4所述的方法，其特征在于，所述目标策略平滑噪声服从高斯分布，且噪声的方差随训练步数的增加而衰减。6.如权利要求1所述的方法，其特征在于，所述状态空间还包括历史调度动作序列；所述深度强化学习模型利用长短期记忆网络（LSTM）处理所述状态空间，以捕捉时序依赖关系。7.一种基于深度强化学习的动态资源调度系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的方法。（说明书略）【对比文件1（D1）】公开了一种基于深度Q网络（DQN）的数据中心资源调度方法。该方法包括：S1：收集数据中心各服务器的CPU利用率和内存使用率。S2：将收集的数据作为状态输入到DQN智能体。S3：DQN智能体根据当前状态选择并执行资源分配动作。S4：计算奖励值，奖励值R=wS5：利用经验回放池和目标网络更新DQN模型的参数。说明书第[0023]段记载：DQN算法是强化学习中一种基于价值的算法，通过最大化累积奖励来学习最优策略。【对比文件2（D2）】公开了一种基于深度确定性策略梯度（DDPG）的机器人路径规划方法。该方法包括：获取机器人传感器数据作为状态；将状态输入Actor-Critic网络结构；Actor网络输出动作，Critic网络评估动作价值；通过策略梯度更新网络参数。说明书记载：为了解决连续动作空间的问题，采用了DDPG算法，该算法是DQN在连续空间上的扩展。【第二题专利申请撰写相关素材】【客户技术交底书】发明名称：一种用于锂电池生产的浆料搅拌装置技术领域：本发明涉及锂电池生产设备技术领域，具体涉及一种用于锂电池生产的浆料搅拌装置。背景技术：在锂电池的生产过程中，浆料的搅拌是至关重要的工序。浆料通常由活性物质（如磷酸铁锂、三元材料）、导电剂、粘结剂和溶剂组成。浆料搅拌的均匀性直接影响锂电池的电化学性能，如循环寿命、倍率性能和一致性。现有的浆料搅拌装置通常采用简单的行星搅拌机构或单一的螺旋搅拌叶片。这种传统搅拌方式存在以下问题：1.搅拌过程中，浆料容易产生层流，导致分散不均匀，特别是在粘结剂加入后，容易形成凝胶团，难以分散。2.搅拌轴中心区域容易形成“死角”，浆料在中心处流动性差，导致局部团聚。3.搅拌过程中产生的热量不易散发，导致浆料温度升高，影响浆料粘度和稳定性。4.现有的搅拌罐通常为固定式，清洗困难，容易造成不同批次浆料的交叉污染。发明内容：本发明要解决的技术问题是提供一种用于锂电池生产的浆料搅拌装置，旨在提高浆料的分散均匀性，消除搅拌死角，并有效控制搅拌温度。技术方案：本发明提供了一种用于锂电池生产的浆料搅拌装置，包括搅拌罐、搅拌机构、驱动机构和温控系统。所述搅拌罐为双层真空夹套结构，夹套内通入导热介质，用于控制罐内温度。搅拌罐底部设有出料口，出料口处安装有气动球阀。搅拌罐顶部设有进料口和人孔。所述搅拌机构设置在搅拌罐内部，包括公转轴和自转轴。所述公转轴可旋转地安装在搅拌罐顶部中心，所述公转轴的下端连接有行星架。所述行星架上安装有至少两个自转轴，所述自转轴围绕公转轴公转的同时进行自转。所述自转轴上设置有复合搅拌叶片，所述复合搅拌叶片包括主搅拌桨和副搅拌桨。所述主搅拌桨为框式桨叶，包括平行设置的上横梁和下横梁，以及连接上横梁和下横梁的竖直连接杆。所述主搅拌桨用于对浆料进行整体的大循环流动。所述副搅拌桨为分散桨，设置在所述竖直连接杆上。所述分散桨包括多个沿竖直连接杆长度方向间隔分布的圆盘，每个圆盘的边缘设有锯齿状突起。所述副搅拌桨用于产生高剪切力，破碎团聚颗粒。进一步地，所述公转轴和自转轴之间通过差速齿轮箱连接，所述差速齿轮箱调节公转速度与自转速度的比值。该比值范围为1:2至1:5。通过调节公自转速比，可以适应不同粘度浆料的搅拌需求。进一步地，所述温控系统包括设置在搅拌罐夹套上的进油口、出油口、温度传感器和加热/冷却循环器。所述温度传感器实时监测罐内浆料温度，并将信号反馈至控制器，控制器控制加热/冷却循环器调节导热介质的温度和流量。进一步地，所述搅拌罐的内壁上设置有若干个扰流板。所述扰流板沿罐壁周向均匀分布，且相对于罐壁径向向内凸出。所述扰流板的截面为流线型。当浆料随搅拌叶片旋转时，扰流板可以破坏浆料的圆周运动，产生轴向和径向的湍流，从而提高混合效率。进一步地，所述分散桨的圆盘上开设有若干通孔。通孔的设计可以增加浆料穿过圆盘时的湍流强度，进一步增强分散效果。进一步地，所述驱动机构包括公转电机和自转电机，分别驱动公转轴和自转轴。所述公转电机和自转电机均为变频调速电机。有益效果：1.采用行星搅拌（公转加自转）结合复合搅拌叶片（框式桨叶加锯齿状分散桨），既保证了浆料的整体宏观流动，又提供了微观的高剪切力，有效解决了粘结剂团聚和分散不均的问题。2.搅拌罐内壁设置的流线型扰流板，有效破坏了层流，消除了搅拌死角，特别是改善了中心区域的流动性。3.双层真空夹套配合温控系统，实现了对浆料温度的精确控制，防止浆料过热变质。4.复合搅拌叶片上的通孔设计进一步增强了湍流，提高了分散效率。具体实施方式：实施例1：一种用于锂电池生产的浆料搅拌装置，搅拌罐容积为1000L。搅拌机构包括一个公转轴和两个自转轴。公转轴转速为30rpm，自转轴转速为90rpm，速比为1:3。复合搅拌叶片的主搅拌桨为不锈钢框式结构，副搅拌桨为带有锯齿的圆盘，圆盘直径为200mm，锯齿深度为5mm。圆盘上开设有6个直径为10mm的通孔。搅拌罐内壁设置4个流线型扰流板，高度为500mm，厚度为20mm。温控系统采用导热油作为介质，控制浆料温度在25℃±2℃。实施例2：与实施例1基本相同，区别在于：分散桨的圆盘边缘的锯齿状突起为波浪形而非三角形，且未开设通孔。该实施例适用于粘度较低的浆料搅拌。实施例3：与实施例1基本相同，区别在于：公转轴和自转轴通过同一电机驱动，内部通过机械齿轮组实现差速传动。附图说明：图1为本发明浆料搅拌装置的整体结构示意图。图2为复合搅拌叶片的结构示意图。图3为分散桨圆盘的局部放大图。（附图标记说明：1-搅拌罐，2-公转轴，3-自转轴，4-行星架，5-主搅拌桨，6-副搅拌桨，7-扰流板，8-夹套，9-温控系统，10-出料口。）【答案与解析】第一题：无效宣告请求案件分析与意见陈述撰写一、关于权利要求的新颖性和创造性的分析1.权利要求1的新颖性权利要求1请求保护一种基于深度强化学习的动态资源调度方法。对比文件1（D1）公开了一种基于深度Q网络（DQN）的数据中心资源调度方法，具体包括：收集数据中心各服务器的CPU利用率和内存使用率（相当于获取实时负载数据和环境状态数据）；将收集的数据作为状态输入到DQN智能体（相当于输入至预训练的深度强化学习模型）；DQN智能体根据当前状态选择并执行资源分配动作（相当于输出资源调度动作并执行）；计算奖励值，利用经验回放池和目标网络更新DQN模型的参数（相当于根据执行后的系统性能指标更新模型参数）。权利要求1与D1相比，区别在于：权利要求1限定了“所述深度强化学习模型基于深度Q网络算法”，而D1直接使用了DQN算法。虽然D1未在文字上明确写出“基于深度Q网络算法”，但D1明确记载了使用DQN智能体，且DQN即深度Q网络（DeepQ-Network）的缩写。因此，该区别特征实际上已被D1隐含公开。此外，权利要求1中关于“状态空间、动作空间和奖励函数”的限定属于强化学习模型的通用组成部分，D1中也隐含了这些组成部分（如状态、动作、奖励值）。因此，权利要求1相对于D1不具备《专利法》第二十二条第二款规定的新颖性。2.权利要求2-5的创造性权利要求2引用了权利要求1，进一步限定了系统性能指标的具体内容以及奖励函数的计算公式。D1中公开了奖励值R=w1×Throughput-w2×Power，其中Throughput（吞吐量）与响应时间更重要的是，权利要求2限定了具体的数学关系式R=α·1T+β·U-γ·E因此，权利要求2相对于D1具备新颖性。关于创造性：D1未给出引入资源利用率U以及使用响应时间倒数1T权利要求3进一步限定了权重系数α,β,γ根据负载波动程度动态调整。D1和D2均未公开动态调整奖励函数权重系数的技术手段。在D1中，权重w1权利要求4限定了采用TD3算法，并引入目标策略平滑噪声。D1使用的是DQN算法，D2使用的是DDPG算法。TD3算法是在DDPG基础上的改进，主要解决了DDPG过估计高Q值的问题。虽然TD3属于已知算法，但将其应用于D1所公开的资源调度场景中并非本领域的公知常识。D1使用DQN处理离散动作空间（或简单离散化），而TD3适用于连续动作空间。将TD3应用于资源调度以实现更精细的连续控制（如调节CPU频率百分比而非简单的开关/分配），产生了提高调度精度的技术效果。因此，权利要求4具备创造性。权利要求5进一步限定了目标策略平滑噪声服从高斯分布且方差衰减。这是TD3算法中的标准实现细节，通常在算法原论文中有定义。如果该特征属于TD3算法本身固有的参数设置特征，且未带来意想不到的技术效果，则可能不具备突出的实质性特点。但结合权利要求4的整体方案，权利要求5进一步限定了噪声的具体衰减策略，有助于模型在训练后期收敛到稳定策略，具备一定的技术贡献。考虑到权利要求4已具备创造性，权利要求5也具备创造性。3.权利要求6的清楚性及创造性权利要求6限定了利用LSTM处理状态空间以捕捉时序依赖关系。关于清楚性：虽然“历史调度动作序列”和“时序依赖关系”是技术术语，对于本领域技术人员而言，其含义是明确的，即利用LSTM网络处理包含时间序列特征的状态输入。因此，权利要求6符合清楚性要求。关于创造性：D1和D2均未公开结合LSTM与强化学习模型。D1使用简单的全连接层处理状态。在动态资源调度中，负载通常具有时间相关性（如周期性波峰），利用LSTM捕捉历史趋势可以显著提高预测准确性。该特征未被D1、D2公开，也非公知常识，因此具备创造性。4.权利要求7权利要求7为系统权利要求，由于其引用的方法权利要求1-6具备新颖性/创造性，权利要求7也相应具备新颖性/创造性。二、修改建议及意见陈述书撰写思路1.修改建议由于权利要求1相对于D1不具备新颖性，建议将权利要求1删除。将原权利要求2-7的编号顺延调整为新的权利要求1-6。或者，为了保持保护范围的层次，可以将权利要求2的附加技术特征补入权利要求1，形成新的独立权利要求，并保留原权利要求3-6作为从属权利要求。鉴于原权利要求2具备创造性，建议将原权利要求2修改为新的独立权利要求1。修改后的权利要求书如下：1.一种基于深度强化学习的动态资源调度方法，其特征在于，包括：获取云计算集群中各节点的实时负载数据和环境状态数据；将所述实时负载数据和所述环境状态数据输入至预训练的深度强化学习模型；所述深度强化学习模型基于深度Q网络算法，根据当前状态输出资源调度动作；执行所述资源调度动作，并根据执行后的系统性能指标更新模型参数；其中，所述深度强化学习模型包括状态空间、动作空间和奖励函数，所述系统性能指标包括任务响应时间、资源利用率和能耗值；所述奖励函数的具体计算公式为：R=α·其中，R表示奖励值，T表示任务响应时间，U表示资源利用率，E表示能耗值，α,β,γ为权重系数。2.如权利要求1所述的方法，其特征在于，所述权重系数α,β,γ不是固定值，而是根据系统当前的负载波动程度动态调整的；当负载波动程度大于预设阈值时，增大α的权重，降低γ的权重。3.如权利要求1所述的方法，其特征在于，所述深度强化学习模型采用双延迟深度确定性策略梯度算法（TD3）；所述方法还包括：在更新模型参数时，引入目标策略平滑噪声，以减少函数逼近误差。4.如权利要求3所述的方法，其特征在于，所述目标策略平滑噪声服从高斯分布，且噪声的方差随训练步数的增加而衰减。5.如权利要求1所述的方法，其特征在于，所述状态空间还包括历史调度动作序列；所述深度强化学习模型利用长短期记忆网络（LSTM）处理所述状态空间，以捕捉时序依赖关系。6.一种基于深度强化学习的动态资源调度系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的方法。2.意见陈述书（摘要）（1）关于修改的说明：为了克服权利要求1不具备新颖性的缺陷，专利权人对权利要求书进行了修改，将原权利要求2的附加技术特征并入独立权利要求1。（2）关于新颖性/创造性的陈述：修改后的权利要求1引入了包含资源利用率U和响应时间倒数1T从属权利要求2-6进一步限定了动态权重调整、TD3算法应用、LSTM时序处理等特征，这些特征均未被D1、D2公开，也非本领域的公知常识，因此具备创造性。第二题：专利申请文件撰写1.权利要求书1.一种用于锂电池生产的浆料搅拌装置，其特征在于，包括搅拌罐、设置在所述搅拌罐内部的搅拌机构、以及驱动所述搅拌机构的驱动机构；所述搅拌机构包括可绕自身轴线旋转的公转轴、以及设置在所述公转轴下端的行星架；所述行星架上安装有至少两个可绕自身轴线旋转的自转轴，所述自转轴随所述公转轴公转并同时进行自转；所述自转轴上设置有复合搅拌叶片，所述复合搅拌叶片包括框式的主搅拌桨和设置在所述主搅拌桨上的副搅拌桨；所述副搅拌桨包括多个沿竖直方向间隔分布的分散盘，所述分散盘的边缘设有锯齿状突起。2.如权利要求1所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述主搅拌桨包括平行设置的上横梁和下横梁、以及连接所述上横梁和所述下横梁的竖直连接杆；所述副搅拌桨设置在所述竖直连接杆上。3.如权利要求1所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述公转轴和所述自转轴之间连接有差速齿轮箱，所述差速齿轮箱用于调节所述公转轴的转速与所述自转轴的转速的比值。4.如权利要求3所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述公转轴的转速与所述自转轴的转速的比值为1:2至1:5。5.如权利要求1所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述分散盘上开设有若干通孔。6.如权利要求1所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述搅拌罐的内壁上设置有若干个扰流板，所述扰流板沿所述搅拌罐的周向均匀分布。7.如权利要求6所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述扰流板的截面呈流线型。8.如权利要求1所述的用于锂电池生产的浆料搅拌装置，其特征在于，所述搅拌罐包括双层真空夹套结构，所述双层真空夹套内设有导热介质通道。9.如权利要求8所述的用于锂电池生产的浆料搅拌装置，其特征在于，还包括温控系统，所述温控系统包括加热/冷却循环器、设置在所述搅拌罐内的温度传感器以及控制器；所述加热/冷却循环器与所述导热介质通