Промпт-инжиниринг для выявления патентоспособных технических решений в научных публикациях

Основные моменты Разработана методология выявления патентоспособных решений в научных статьях, реализованная методами промпт-инжиниринга с использованием большой языковой модели DeepSeek-V3.2. Созданы типовые матрицы для составления патентных заявок на три типа объектов (способ, устройство, вещество), интегрирующие требования российского патентного законодательства и систематизированные ошибки заявителей. Сформулированы 6 научных принципов использования ИИ для трансформации научных результатов в объекты интеллектуальной собственности. Актуальность. Значительная часть научных экспериментальных публикаций содержит патентоспособные технические решения, не выявленные авторами. Большинство статей опубликованы более 12 месяцев назад, что приводит к пропуску срока авторской льготы и создает препятствия для патентования.   Цель – разработать методологию выявления патентоспособных решений в научных статьях с использованием ИИ, позволяющую преобразовывать опубликованные результаты в патентные заявки. Материалы и методы. Исследование базировалось на анализе запросов ФИПС по экспертизе заявок на изобретения. Разработаны чек-лист первичной оценки (10 критериев) и типовые матрицы для составления заявок на способ, устройство и вещество. Для обработки статей использовалась языковая модель DeepSeek-V3.2. Результаты. Из шести статей пять содержали патентоспособные решения. На их основе составлено 9 патентных заявок с 15 независимыми пунктами. Разработаны подходы к выявлению изобретений в публикациях с истекшим сроком авторской льготы на новизну. Англоязычный кейс подтвердил языковую независимость методологии. На генерацию одной заявки уходит 3–7 минут, что соответствует обработке 5–10 тыс. токенов. Заключение. Разработанная методология обеспечивает выявление изобретений в научных публикациях. Методология передается через промпты, загрузку матриц на типовые объекты и информации о типовых ошибках заявителей, и воспроизводится в новом чате. Ключевым фактором является наличие в публикации количественных экспериментальных данных. Предложенная методология также открывает перспективу для выявления патентоспособных объектов спустя годы после их опубликования при условии обнаружения в статье постановки задачи, но без раскрытия конкретного технического решения. Практическая значимость работы. Разработанные система промпт-инжиниринга, чек-лист и типовые матрицы могут использоваться патентными службами и изобретателями ВС РФ для выявления и оформления права на отечественные разработки, что будет способствовать технологическому суверенитету России.

1. Супотницкий М.В. Типичные ошибки в формуле и описании изобретений, создаваемых в войсках РХБ защиты ВС РФ. Вестник войск РХБ защиты. 2023;7(1):73–81. EDN: untpoj. https://doi.org/10.35825/2587-5728-2023-7-1-73-81

2. Guo D, Yang D, Zhang H, Song J, Wang P, Zhu Q, et al. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature. 2025;645:633–638. https://doi.org/10.1038/s41586-025-09422-z

3. Hoyt RE, Bajwa M. Measuring the Accuracy and Reproducibility of DeepSeek R1, Claude 3.5 Sonnet, and GPT-4.1 on Complex Clinical Scenarios. Appl Clin Inform. 2026;17(1):64–72. https://doi.org/10.1055/a-2807-4256

4. Xu P, Wu Y, Jin K, Chen X, He M, Shi D. DeepSeek-R1 outperforms Gemini 2.0 Pro, OpenAI o1, and o3-mini in bilingual complex ophthalmology reasoning. Adv Ophthalmol Pract Res. 2025;5(3):189–95. https://doi.org/10.1016/j.aopr.2025.05.001

5. Debnath T, Siddiky MNA, Rahman ME, Das P, Guha AK, Rahman RH, et al. A Comprehensive Survey of Prompt Engineering Techniques in Large Language Models. TechRxiv. 2025. https://doi.org/10.36227/techrxiv.174140719.96375390/v2

6. Wang H, Kim J, Lee S, Park C. A Comprehensive Survey of Automatic Prompt Optimization: Taxonomies, Frameworks, and Future Directions. arXiv [preprint]. 2025. arXiv:2506.15147

7. Kim D, Lee S, Park J, Choi Y. Theoretical Foundations of Prompt Engineering: From Heuristics to Expressivity. arXiv [preprint]. 2026 Jan 13. arXiv:2512.12688v2 https://doi.org/10.48550/arXiv.2512.12688

8. Ari U. 5C Prompt Contracts: A Minimalist, Creative-Friendly, Token-Efficient Design Framework for Individual and SME LLM Usage. arXiv [preprint]. 2025 Aug 5. arXiv:2507.07045 https://doi.org/10.48550/arXiv.2507.07045

9. Freeman B, Kicklighter A, Erdman M, Gordon Z. Toward Epistemic Stability: Engineering Consistent Procedures for Industrial LLM Hallucination Reduction. arXiv [preprint]. 2026 Mar 8. arXiv:2603.10047v1

10. Huang K, Chen J, Li M, Zhang Y. Prompt Engineering for Requirements Engineering: A Literature Review and Roadmap. arXiv [preprint]. 2025 Jul 10. arXiv:2507.07682 https://doi.org/10.48550/arXiv.2507.07682

11. Morishige M, Koshihara R. Ensuring Reproducibility in Generative AI Systems for General Use Cases: A Framework for Regression Testing and Open Datasets. arXiv [preprint]. 2025. arXiv:2505.02854 https://doi.org/10.48550/arXiv.2505.02854

12. Zeng Q, Jin C, Wang X, Zheng Y, Li Q. AIRepr: An Analyst-Inspector Framework for Evaluating Reproducibility of LLMs in Data Science. In: Findings of the Association for Computational Linguistics: EMNLP 2025. Suzhou, China: Association for Computational Linguistics; 2025. P. 10170–201.

13. Tao X, Tula A, Chen X. From prompt design to iterative generation: Leveraging LLMs in PSE applications. Computers & Chemical Engineering. 2025. https://doi.org/10.1016/j.compchemeng.2025.108284

14. Zhou Y, Muresanu AI, Han Z, et al. Large Language Models Are Human-Level Prompt Engineers. arXiv [preprint]. 2022. arXiv:2211.01910 https://doi.org/10.48550/arXiv.2211.01910

15. Vilakati S. Prompt engineering for accurate statistical reasoning with large language models in medical research. Frontiers in Artificial Intelligence. 2025;8:1658316. https://doi.org/10.3389/frai.2025.1658316

16. Li Z, Wang X, Yang Y, Yao Z, Xiong H, Du M. Adaptive Prompting in the Metaverse: An Iterative Prompt Optimization Framework for Enhancing LLM Performance Across Diverse Tasks. In: 2025 IEEE International Conference on Metaverse Computing, Networking and Applications (MetaCom); 2025. P. 245–52. https://doi.org/10.1109/MetaCom63298.2025.00045

17. Kargaran AH, Modarressi A, Nikeghbal N, Diesner J, Yvon F, Schütze H, et al. MEXA: Multilingual Evaluation of English-Centric LLMs via Cross-Lingual Alignment. In: Findings of the Association for Computational Linguistics: ACL 2025. Vienna, Austria: Association for Computational Linguistics; 2025. P. 27001–23. https://doi.org/10.48550/arXiv.2410.05873

18. Doddapaneni S, Khan MSUR, Venkatesh D, Dabre R, Kunchukuttan A, Khapra MM, et al. Cross-Lingual Auto Evaluation for Assessing Multilingual LLMs. In: Proceedings of the 63rd Annual Meeting of the Association forComputational Linguistics (Volume 1: Long Papers). Vienna, Austria: Association for Computational Linguistics; 2025. P. 29297–329. https://doi.org/10.48550/arXiv.2410.13394

19. Джермакян В.Ю. Патентное право по Гражданскому кодексу Российской Федерации: постатейный комментарий, практика применения, размышления. 3-е изд., перераб. и доп. М.: 2014.

20. Панда П, Сычева А. ChatGPT. Мастер подсказок, или как создавать сильные прмпты для нейросети. СПб: Питер; 2024. 224 с.