Patent Strategy Report Skill

Generates a patent strategy report (Obsidian MD) from an RFP markdown file and user-provided CSV (downloaded from Google Patents). Main workflow: relevance-based pipeline — title–RFP 상관성 점수(반드시 포함 단어 가산, 반드시 제외 단어 감점)로 상위 1만 건 저장 → 통계용 집계·보고서 작성; 상위 100건에 초록 수집 → 초록 기준 상관성 점수 → 상위 10건 핵심 특허 저장 → 핵심 특허 분석을 보고서에 반영. Applicable to any research or technology domain.

When to Use

• User has an RFP in markdown and wants a patent strategy or landscape report.
• User has (or will obtain) a CSV export from Google Patents for the same topic and wants structured analysis.
• User mentions "특허 전략 보고서", "RFP 특허 검색", "Google Patents 분석", "특허 CSV 분석" in Claude Code.
• 세부기술 분해·공백기술·OS 매트릭스·IP 창출 전략까지 포함한 심층 보고서가 필요하면 patent-strategy-pro 스킬(plugins/patent-tools)을 사용한다 — 본 스킬은 CSV 기반 landscape 통계·핵심특허 분석에 특화.

Inputs

• Required: (1) Path to RFP markdown file (.md). (2) Path to CSV file from Google Patents (user downloads manually and provides).
• Optional: Technology domain (e.g. 디스플레이, 반도체) for query vocabulary; current-folder RFP: run generate_query.py with first argument . to auto-detect *RFP*.md in the current directory.

Workflow: Relevance-based pipeline (상관성 점수 알고리즘)

1. Generate query from RFP (generate_query.py). Optionally --exclude-terms, --required-terms. User downloads CSV (v1).
2. Title relevance score (score_title_relevance.py): RFP 부합성(TF-IDF 코사인) + 반드시 포함 단어는 높은 양의 가중치, 반드시 제외 단어는 높은 음의 가중치로 계량화. 상위 10,000건을 별도 파일로 저장 → 이 파일을 기준으로 특허 전략 보고서의 통계적 부분 작성.
3. Top 100 by title score → 초록 수집 (fetch_abstracts.py) → 초록 컬럼 추가.
4. Abstract relevance score (score_abstract_relevance.py): 동일한 포함/제외 가중치로 초록–RFP 상관성 점수 산출 → 상위 10건을 핵심 특허로 저장 (핵심특허_상위10건_목록.csv).
5. 핵심 특허 분석 진행 후 특허 전략 보고서에 추가(관련 문서 링크 등).
6. Aggregate 10k CSV (연도별·출원인·국가별) → Fill report (fill_report.py) → LLM narrative.

일괄 실행: run_relevance_pipeline.py <v1_csv> <rfp_path> -o output [--include-terms "A,B"] [--exclude-terms "C,D"]. 상세는 output/실행가이드_상관성_파이프라인.md 참고.

보고서 작성 규칙 (사용자 요구사항 반영, 모든 분야 공통)

다양한 연구·기술 분야의 RFP에 공통 적용되는 최종 보고서 규칙이다. 도메인별로 RFP 키워드·기술 목표만 치환하면 된다.

• §3.3 주요 출원인 전략 특성: 반드시 표(table) 형태로만 제시한다. 불릿 목록이나 장문 서술로 중복 기술하지 않는다.
  • 표 헤더: 출원인 | 강점·주요 포트폴리오 | RFP 연관성 | 차별화·선행 회피 포인트
  • 상위 10개 출원인당 한 행씩 채운다. 표 하단에 요약 문단 1개만 둔다.
  • 집계만으로 채우기 어려우면 LLM/에이전트가 초록·대표청구항 기반으로 표 행을 작성한다. (reference.md Report section template 참고)
• 출원인 표시명(영문): compact 형태로 통일한다. LLC, Inc., Ltd., Co., Ltd., Gmbh, Corporation, Corp. 등 일반적 법인 접미사는 삭제하여 간결하게 표기한다.
  • 예: Apple Inc. → Apple, Intel Corporation → Intel, Google LLC → Google, Semiconductor Energy Laboratory Co., Ltd. → Semiconductor Energy Laboratory, Cilag Gmbh International → Cilag International
  • 집계 스크립트 aggregate_csv_report.py의 compact_applicant_display() 및 _canonical_assignee_english() 반환값에 이미 적용되어, JSON·표·ASCII 차트에 compact 명이 나온다.
• 출원인 통일: 한·중·일·영문 변형은 하나의 영어 통일명으로 매핑 후 건수 합산. 통일명도 위 compact 규칙을 적용해 표시한다.
• 핵심 특허(§6): 상위 10건 선정 후 개요 표, 대표청구항 요지, 공백 기술, OS 매트릭스, 특허 창출 전략 요약을 보고서 본문에 포함하고, 상세 문서는 링크로 참조한다.

Common: Aggregate and report

• Aggregate (aggregate_csv_report.py): 연도별·출원인·국가별 집계. 출원인은 영어 통일 및 동일 회사 합산 (한·중·일·영문 변형 → 하나의 영어 통일명, 건수 합산). 표시 시 compact 적용(LLC, Inc., Ltd., Co., Ltd., Gmbh, Corporation, Corp. 제거). 국가별 보고서용 집계는 유럽 국가 통합(EP·ES·DE·GB·FR·NL·DK·BE → "유럽") 및 한글 명칭(name_ko) 사용(aggregate_countries_for_report); 표·차트는 한글만 표기.
• Fill report (fill_report.py): templates/report-template.md 기반으로 표·차트 채움. 국가 표는 name_ko가 있으면 한글만 사용.
• Narrative: 개요, 연도별 해석, 기술 단계(도입기/성장기/성숙기)는 RFP·도메인에 맞게 해석. 우선일 기준 최근년도 감소가 공개 지연·표본 한계 때문인지, 기술 성숙인지 구분하여 서술 (도입기 기술이면 “도입기”로 명시).

Outputs

• Search query string and URL (for user to download CSV).
• Filtered or top-N CSV path (path-dependent).
• One Obsidian-format report: {topic}_세계특허현황_분석보고서.md (또는 날짜 접두사 포함). 분야 무관: RFP 제목·키워드만 해당 도메인에 맞게 치환하면 동일 템플릿·규칙으로 반도체, 배터리, 바이오, AI 등 어떤 기술 분야에도 적용 가능하다.

Files in This Skill

• reference.md – Query syntax, 상관성 점수 알고리즘(포함/제외 가중치), 제외 키워드, 기술 용어, 국가별 집계(유럽 통합·name_ko), 출원인 통일·compact 표시·§3.3 표 형태, 보고서 템플릿 요약.
• templates/report-template.md – Report structure and placeholders. §3.3은 표(table) 전용, 출원인명은 compact 규칙 적용.
• scripts/ – Core: generate_query.py, score_relevance_weighted.py, score_title_relevance.py, score_abstract_relevance.py, fetch_abstracts.py, aggregate_csv_report.py, fill_report.py. Pipeline: run_relevance_pipeline.py (10k by title → top 100 → abstracts → abstract score → top 10 core → aggregate & report). Legacy: filter_noise.py, filter_title_top_n.py, filter_abstract_top_n.py, run_v1_to_v2_pipeline.py, run_10k_500_core_pipeline.py.
• output/ – 실행가이드: 실행가이드_상관성_파이프라인.md, 실행가이드_v1_to_v2_파이프라인.md, 워크플로_요약.md.

Dependencies

• Python 3.9+.
• pandas (aggregation). scikit-learn (filter_title_top_n, filter_abstract_top_n, score_relevance). requests, beautifulsoup4 (fetch_abstracts). See scripts/requirements.txt.