---
title: 【专利代理人深度解析】解读Anthropic的“数据流”专利申请 US 2025/0299074 A1｜学习↔推理管道与数据壕沟
description: 专利代理人对Anthropic的公开申请US 2025/0299074 A1进行深入解析。涵盖训练服务器与生产服务器的分离（train↔inference）、数据流逻辑、带注释的智能体轨迹这一“数据护城河”、权利要求1的原文引用、计算机使用专利的四层架构全景、整体系统权利要求的战略，乃至日美欧三地的审查评价。这是一本有助于AI代理获得专利的实务指南。
---

[EVORIX 知识产权博客](https://www.evorix.jp/zh/blog)

# [【专利代理人深度解析】解读Anthropic的“数据流”专利申请 US 2025/0299074 A1｜学习↔推理管道与数据壕沟](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074)

 Written by 弁理士 杉浦健文 | 2026/07/18

AI代理的强大程度不仅取决于模型本身，还取决于**“使用何种数据、如何进行学习以及如何运行”**这一整体基础架构。在支撑Anthropic“Computer Use”的一系列专利中，本文将深入探讨的正是保护这一**数据流（管道）**的专利申请 **US 2025/0299074 A1**。

在本系列文章中，我们此前已讲解了[构建（US 2025/0299023）](https://www.evorix.jp/blog/anthropic-agent-configuration-patent-us20250299023)、[执行基础架构（US 12,430,150）](https://www.evorix.jp/blog/anthropic-computer-use-patent-us12430150)[以及智能体本体（US 12,566,913）](https://www.evorix.jp/blog/anthropic-ai-agent-patent-us12566913)。本专利则保护了**第四层——从学习到推理的“数据流”（MLOps基础架构）**。精通AI知识产权的专利代理人将结合具体的权利要求进行讲解。

**💡 要点：**本文是Anthropic专利系列的具体解析（第4篇）。结合[《战略分析篇》](https://www.evorix.jp/blog/anthropic-patent-strategy)一并阅读，可立体地理解Anthropic围绕“计算机使用”构建的专利网络全貌。

目录

1. [30秒摘要｜AI代理的“数据护城河”](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#summary)
2. [专利申请的基本信息](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#basic)
3. [4个层次｜Anthropic“计算机使用”专利的全貌](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#layers)
4. [技术①｜训练服务器与生产服务器的分离（train↔inference）](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#split)
5. [技术②｜数据流与逻辑＝整体的交通疏导](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#dataflow)
6. [技术③｜名为“带注释的智能体轨迹”的数据护城河](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#moat)
7. [逐条解读权利要求1](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#claim1)
8. [专利代理人的视角｜为何要主张“整个系统”](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#why)
9. [在日、美、欧的审查中将如何评价](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#exam)
10. [对本公司申请的启示｜保护“数据”与“管道”](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#lessons)
11. [常见问题（FAQ）](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074?hs_amp=true#faq)

## 30秒摘要｜AI代理的“数据护城河”

**● 申请内容：**统筹AI**代理从学习到推理的数据流（数据流逻辑）**的系统。  
**● 核心技术：**①学习服务器与生产服务器的分离；②连接两者的数据流逻辑；③名为“带注释的代理轨迹”的高质量学习数据。  
**● 状态：美国专利申请公开（A1）＝审查中**，共20项权利要求。  
**● 战略意义：**在产品的“骨架”（前3项专利）基础上，进一步旨在将AI竞争力的源泉——“数据与管道”纳入专利保护范围。

## 专利申请基本信息

| 项目 | 内容 |
| --- | --- |
| 公开号 | US 2025/0299074 A1 |
| 发明名称 | 用于提供能够自动化多模态软件使用的人工智能代理的数据流逻辑 |
| 公开日 | 2025年9月25日 |
| 申请日 | 2024年10月8日 |
| 优先权日 | 2024年3月20日 |
| 申请人 | Anthropic PBC（2025年4月17日更正） |
| 权利要求数 | 20 |
| 状态 | 公开申请（正在审查中） |

## 四层架构｜Anthropic“Computer Use”专利的全貌

Anthropic通过**4个不同的**层级，对名为“Computer Use”的单一产品进行了多层次的保护。让我们梳理一下包含本案在内的整体情况。

| 层级 | 专利/申请 | 保护对象 | 示例 |
| --- | --- | --- | --- |
| ① 构建 | US 2025/0299023 A1 | 构建代理的机制·专用语言 | 脚本 |
| ② 运行平台 | US 12,430,150 B1 | 运行时（客户端/服务器） | 舞台 |
| ③ 代理程序本体 | US 12,566,913 B2 | 代理的智能与动作 | 角色 |
| ④ 数据流 | **US 2025/0299074 A1（本文）** | 从学习到推理的管道·学习数据 | 血流·营养 |

**💡 要点：**除了“剧本·舞台·演员”这些“可见部分”外，本案还涵盖了**“血流”＝数据及管道**。由于AI的竞争力取决于数据基础，因此对这一第四层的权利化，是增强专利网络深度的关键一招。

## 技术①｜训练服务器与生产服务器的分离（train↔inference）

权利要求1的核心在于**明确区分了两种服务器**。

【训练（training）↔ 推理（inference）的分离】 \[训练阶段\] 训练服务器（training servers） ・接收智能体＋训练数据集 ・对智能体进行训练 → 生成已训练的智能体 │ ▼ 配置（configure） \[推理阶段\] 生产服务器（production servers） ・执行已训练的智能体 ・接收客户端的提示 ・将提示转换为智能体调用指令 ・生成输出并返回给客户端

在机器学习系统中，通常会将“训练模型的环境（training）”与“实际向用户提供服务的环境（inference／生产环境）”区分开来。本**案正是将这一MLOps（机器学习运维）的基本结构本身**，在AI智能体（agent）的语境下作为权利要求进行了界定。

## 技术②｜数据流逻辑＝整体的交通疏导

连接这两组服务器并统筹数据流的**便是“数据流逻辑（data flow logic）”**。根据权利要求1，该逻辑执行以下四项功能：

| 阶段 | 数据流逻辑的运行机制 |
| --- | --- |
| 训练时 | 向学习服务器提供智能体和学习数据集，进行训练 |
| 部署 | 使用已训练好的代理构建生产服务器 |
| 推理阶段 | 将客户端的提示词提供给生产服务器，由其转换为对智能体的调用 |
| 返回 | 将生成的输出提供给客户端使用 |

**💡 要点：**通过构建名为“数据流逻辑”的**统合组件**，将从学习到部署、推断再到返回的**整个生命周期作为一个系统进行管理**。这种不关注单个部件而是把握“流程”的架构，正是系统专利的典型特征。

## 技术③｜“带注释的代理轨迹”这一数据挖掘

本案中最具战略意义的是权利要求1中明确记载的学习数据内容。权利要求规定，学习数据集包含**“用于多模态界面自动化任务的预定义代理轨迹（agentic trajectories）图像”，**且**“每个轨迹都附有描述操作及代理判断的详细多模态注释”**。

也就是说，这是**记录了AI智能体“如何观察屏幕、如何思考、如何操作”这一系列行为并附有注释的高质量学习数据**。此类数据绝非一朝一夕就能构建而成。**独有的学习数据正是竞争对手难以复制的“护城河（moat）”，**而将其纳入权利要求要素这一点，恰恰体现了Anthropic的战略。

说明书中列举了多种作为学习数据的形式，包括软件操作录像、网页图像、文档以及附有注释的智能体行为序列等。**通过将“数据的制作方法和内容”纳入权利范围**，旨在保护智能体的“思维源泉”。

## 逐条解读权利要求1

US 2025/0299074 A1｜权利要求1（原文／英语）

一种用于提供能够自动化软件使用的人工智能代理的系统，包括：多个训练服务器，其配置为在训练期间对代理进行训练； 多个生产服务器，其配置用于在推理期间执行经过训练的智能体；多个训练数据集，其中所述多个数据集包括用于多模态界面自动化任务工作流的已定义智能体轨迹图像，每个轨迹均附有描述动作和智能体决策的详细多模态注释； 以及数据流逻辑，其配置为：在训练期间，将智能体和多个训练数据集提供给训练服务器，以促使训练服务器基于多个训练数据集对智能体进行训练，从而生成训练好的智能体；将训练好的智能体配置到生产服务器中，以便在推理期间使用；在推理期间， 将客户端发出的多模态界面自动化提示提供给生产服务器，从而促使生产服务器将提示转换为多模态界面自动化代理调用，其中每个多模态界面自动化代理调用指定界面操作，以促使经过训练的代理响应多模态提示，生成能够自动化多模态界面工作流的输出； 并将输出结果提供给客户端。

专利代理人参考译文（日语）

一种提供用于自动化软件使用的AI代理的系统，包括  
：・在学习阶段用于训练代理的多个**学习服务器**；  
・在推理阶段用于执行已训练代理的多个**生产服务器**；  
・多个**学习数据集**，其中包含**预定义代理轨迹的图像**，且每个轨迹均附有**描述操作及代理判断的详细多模态**  
**注释**，・**数据流逻辑**，该逻辑包括：  
　- 学习阶段：将智能体和学习数据集提供给学习服务器进行训练，生成已训练的智能体  
，　- 使用已训练的智能体配置生产服务器，  
　- 推理时：将客户端的提示提供给生产服务器，由其**转换为代理调用**（每次调用均指定接口操作，并  
促使已训练代理生成实现工作流自动化的输出），　- 使该输出可供客户端使用。

### 支持权利化的限制整理

| 限定 | 技术含义 | 生效理由 |
| --- | --- | --- |
| 训练服务器／生产服务器的分离 | 训练↔推理的MLOps架构 | 系统的具体硬件配置 |
| 带注释的智能体轨迹（训练数据） | 记录了行为与判断的高质量数据 | 数据矿藏。将差异化优势转化为资产 |
| 数据流与逻辑 | 全生命周期的统筹管理 | 捕捉“流程”的系统专利核心 |

## 专利代理人的视角｜为何要主张“整个系统”

本案的权利要求1所主张的并非特定的微小部件，**而是包含学习服务器、生产服务器、学习数据、数据流及逻辑的“整个系统”**。这具有战略意义。

**① 难以规避。**大规模提供AI代理的服务商，必然以某种形式拥有“训练环境”和“生产环境”，并在两者之间传输数据。通过掌控整个系统，即使更改部分构成要素，也更容易被纳入权利范围。

**② 将数据这一无形资产纳入权利范围。**通过将“带注释的轨迹”作为权利要求要素，将难以模仿的数据资产纳入了法律保护的范围。

**注意｜宽泛的权利要求也伴随着相应的风险：**对整个系统进行广泛主张的权利要求，相应地也面临因现有技术而被判定无效的风险（尤其是通用MLOps架构中，公知技术较多的领域）。本案在审查中最终将获准注册到何种范围，需要密切关注后续进展（本案**目前正在审理中**）。在权利要求中兼顾宽泛与狭窄的平衡，是实务中的常规做法。

## 在日、美、欧的审查中将如何评价

### 美国（USPTO）

由于具备“训练服务器”和“生产服务器”这一具体系统架构，以及“带注释的数据”这一技术要素，该专利在Alice/Mayo测试中较易避免被认定为“抽象概念”。不过，MLOps架构中已知案例众多，因此进步性（新颖性、非显而易见性）可能成为争议焦点。

### 日本（JPO）

由于服务器群、数据流和逻辑等信息处理是通过硬件资源具体实现的，因此该架构作为软件相关发明，较易满足专利适格性要求。进步性的关键在于“带注释的代理轨迹”这一数据设计，以及数据流统筹的技术巧思。

### 欧洲（EPO）

虽然容易主张其对“从学习到推理的管道”这一技术系统的贡献，但为了避免被评估为纯粹的“运营约定”，明确说明技术效果（效率、可靠性等）是有效的。

关于AI智能体专利在日、美、欧三国审查实务的比较，已在[《日本、美国、欧洲的专利案例与审查实务》](https://www.evorix.jp/blog/ai-agent-patent-cases-japan-us-europe)中进行了详细解说。

## 对企业自身专利申请的启示｜保护“数据”与“管道”

**① 不仅要保护产品，还要保护“基础架构”。**不仅要**保护**实施的技术，学习到推理的管道（MLOps基础架构）也是权利保护的对象。

**② 将独有的学习数据纳入专利保护范围。**像“带注释的轨迹”这样难以模仿的数据生成方法和结构，将成为强大的“护城河”。应考虑将其纳入权利要求要素中。

**③ 同时针对整个系统和组件进行申请。**兼顾宽泛的系统权利要求与狭窄而扎实的组件权利要求，在无效风险与难以规避性之间取得平衡。

**④ 将产品多层次划分后进行申请。**例如构建、执行基础架构、主体、数据基础架构等，按各层级分别申请专利，从而加固专利保护网。

何不将保护范围扩展至本公司AI、产品乃至“数据与处理流程”？

精通IT、软件及AI领域的专利代理人将为您提供全方位支持，包括免费可获权性诊断、涵盖数据及MLOps的权利要求设计、竞争专利监控，以及日本、美国和欧洲的申请策略。

[预约首次免费咨询](https://www.evorix.jp/free-consultation)[IT·AI知识产权服务](https://www.evorix.jp/it-ip-portal)

## 常见问题（FAQ）

Q. US 2025/0299074 A1是一项什么样的专利？

A. 这是Anthropic公司的一项美国专利申请公开，其保护对象是提供可自动化软件使用的AI代理的“数据流逻辑”。其特点在于将学习服务器（用于训练智能代理）与生产服务器（用于执行已训练智能代理的推理）分离，并统筹管理两者之间的数据流（学习数据的供应、已训练模型的部署、客户端提示词的处理、输出结果的返回）。2025年9月25日公开，正在审查中，共计20项权利要求。

问：“数据流逻辑”是什么？

A. 这是统筹系统内数据流动的机制。本申请负责一系列“数据流管理”工作，包括：①在学习阶段向服务器提供学习数据；②将训练好的智能体部署到生产服务器；③在推理阶段将客户端的提示流向生产服务器；④将输出结果返回给客户端。

Q. 该专利与前3项专利有何不同？

A. Anthropic的“计算机使用”通过四个层次实现了多层保护：①构建（US 2025/0299023）、②执行基础（US 12,430,150）、③智能体本体（US 12,566,913），以及④本项专利所涉及的“数据流＝从学习到推理的管道（MLOps基础架构）”。这种结构不仅涵盖了产品的“骨架”，更掌控了其“血流”。

Q. 什么是“带注释的智能体轨迹”？

A. 这是权利要求1中提及的学习数据的核心，即在多模态接口自动化任务中，对“智能体行为轨迹（agentic trajectories）的图像”添加了“描述动作及智能体判断的详细标注”。这是记录了AI代理“如何思考、如何行动”的高质量学习数据，将成为竞争力的源泉（数据护城河）。

Q. 这对我们公司的AI开发有什么参考价值吗？

A. 不仅“产品本身”，就连“从学习到推理的数据管道”以及“自主学习数据的制作方法”也可能成为专利的对象。特别是生成自主学习数据（如带注释的轨迹等）的机制，由于是竞争对手难以轻易复制的“护城河”，因此是极具专利申请价值的领域。

**本文注意事项：**本文基于已公开的专利申请公报，对技术和制度进行一般性解读。US 2025/0299074 A1是一项**正在审查中的公开申请**，尚未注册。由于权利要求可能因修正而发生变更，因此最终的权利范围尚未确定。文中引用的权利要求、摘要及说明书内容虽基于公开公报数据（Google Patents／FreePatentsOnline等），但在涉及法律重要用途（自由实施分析、侵权分析、专利申请等）时，请务必查阅美国专利商标局（USPTO）的正本及最新审查进展信息，并咨询专家进行个别评估。日语译文仅供理解参考，正文以英文原文为准。

**推荐阅读（Anthropic专利系列）：**  
・  
[解读](https://www.evorix.jp/blog/anthropic-agent-configuration-patent-us20250299023)[Anthropic](https://www.evorix.jp/blog/anthropic-patent-strategy)的专利战略[｜为何专利](https://www.evorix.jp/blog/anthropic-patent-strategy)[申请量较少・“代理构建”专利 US 2025/0299023 A1（构建层）](https://www.evorix.jp/blog/anthropic-agent-configuration-patent-us20250299023)  
[・“计算机使用”核心专利 US 12,430,150 B1（执行基础）](https://www.evorix.jp/blog/anthropic-computer-use-patent-us12430150)  
・[「AI代理」专利 US 12,566,913 B2（代理本体）](https://www.evorix.jp/blog/anthropic-ai-agent-patent-us12566913)

## 来源

- US 2025/0299074 A1（Google Patents）：[https://patents.google.com/patent/US20250299074A1/en](https://patents.google.com/patent/US20250299074A1/en)
- 权利要求书·说明书（FreePatentsOnline）：[https://www.freepatentsonline.com/y2025/0299074.html](https://www.freepatentsonline.com/y2025/0299074.html)

[View full post](https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "弁理士 杉浦健文"
  },
  "dateModified" : "2026-07-18T10:47:26.552Z",
  "datePublished" : "2026-07-18T10:47:26Z",
  "headline" : "【专利代理人深度解析】解读Anthropic的“数据流”专利申请 US 2025/0299074 A1｜学习↔推理管道与数据壕沟",
  "image" : {
    "@type" : "ImageObject",
    "height" : 768,
    "url" : "https://www.evorix.jp/hubfs/Gemini_Generated_Image_2hdm4x2hdm4x2hdm.jpg",
    "width" : 1376
  },
  "mainEntityOfPage" : "https://www.evorix.jp/zh/blog/anthropic-data-flow-patent-us20250299074",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60.0,
      "url" : "https://20920988.fs1.hubspotusercontent-na1.net/hubfs/20920988/cropped-EVORIX%E3%83%AD%E3%82%B4-e1547405364171-768x181.png",
      "width" : 254.58563
    },
    "name" : "evorix blog"
  }
}
```