Communitygithub.com

USPTO-Datenbank

Workflow für USPTO-Patent- und Markendaten zur offiziellen Aktenrecherche, PatentSearch-Abfragen, TSDR-Prüfungen, Zuordnungsdaten und reproduzierbaren IP-Forschungsprotokollen. Verwenden Sie diesen Skill, wenn eine Aufgabe offizielle US-Patent- oder Markenaufzeichnungen aus USPTO-Systemen benötigt.

Was ist USPTO-Datenbank?

Dieser Skill bietet einen strukturierten Workflow für den Zugriff auf die offiziellen Systeme des US-amerikanischen Patent- und Markenamts (USPTO), einschließlich Patentdaten, Markeninformationen, Aktenverfolgung und Eigentumsübertragungen. Er unterstützt Entwickler und Forscher bei der Erstellung reproduzierbarer Rechercheprotokolle für Stand-der-Technik-Recherchen, Portfolioprüfungen und IP-Landschaftsanalysen. Der Skill priorisiert offizielle USPTO-Quellen wie das Open Data Portal, die PatentSearch-API und die TSDR-API und betont dabei die korrekte Authentifizierung über API-Schlüssel, die Einhaltung von Rate Limits und die saubere Dokumentation aller Anfragen. Die Ausgabe umfasst strukturierte Protokolle mit Metadaten zu den abgefragten Quellen, Filtern und Ergebnissen, um Wiederholbarkeit und rechtliche Überprüfbarkeit zu gewährleisten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/scientific-db-uspto-database

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht USPTO-Datenbank?

Verwenden Sie diesen Skill, wenn eine Aufgabe offizielle US-Patent- oder Markenaufzeichnungen aus den USPTO-Systemen benötigt.

Verwendung

  • Suchen nach erteilten Patenten oder Vorveröffentlichungen.
  • Überprüfung des Patentanmeldestatus, der Akteninhalte (File Wrapper), Zuordnungen oder des öffentlichen Prüfungsverlaufs.
  • Abfrage des Markenstatus, von Dokumenten oder des Zuordnungshistoriums.
  • Erstellung reproduzierbarer Forschungsprotokolle für Stand der Technik, Portfolios oder IP-Landschaften.
  • Vergleich von USPTO-Aufzeichnungen mit sekundären Tools wie Google Patents, Lens.org, Semantic Scholar oder unternehmenseigenen Patentsammlungen.

Verwenden Sie diesen Skill nicht zur Rechtsberatung. Betrachten Sie ihn als Workflow zur Datensammlung und Aktenüberprüfung.

Quellenauswahl

Bevorzugen Sie zuerst offizielle oder von USPTO unterstützte Oberflächen:

  • Open Data Portal (ODP): aktuelle Plattform für migrierte USPTO-Datensätze und APIs.
  • Patent File Wrapper: bibliografische Daten und Aktenunterlagen öffentlicher Patentanmeldungen.
  • PatentSearch API: PatentsView-Such-API für erteilte Patente und Vorveröffentlichungsdatensätze.
  • TSDR Data API: Markenstatus und Dokumentenabruf.
  • Patent- und Marken-Zuordnungssuche: Eigentumsübertragungsaufzeichnungen.
  • PTAB-Daten im ODP: Verfahren des Patent Trial and Appeal Board.

Verwenden Sie sekundäre Quellen nur als bequeme Suchhilfen. Wenn die Antwort entscheidend ist, prüfen Sie den offiziellen Datensatz.

Authentifizierung und Geheimnisse

Viele USPTO-API-Workflows erfordern einen API-Schlüssel. Speichern Sie Schlüssel in Umgebungsvariablen oder einem Secret-Manager, niemals in eingecheckten Dateien oder übermittelten Transkripten.

Gängige Umgebungsnamen:

export USPTO_API_KEY="..."
export PATENTSVIEW_API_KEY="..."

Für PatentSearch senden Sie den Schlüssel mit dem Header X-Api-Key. Für TSDR befolgen Sie die aktuellen Anweisungen des USPTO API Managers und die Hinweise zu Ratenbegrenzungen.

PatentSearch-Workflow

Verwenden Sie PatentSearch für breite Patent- und Vorveröffentlichungssuchen, wenn es um Trends, Erfinder, Anmelder, Klassifikationen, Daten oder Portfolioausschnitte geht.

Workflow:

  1. Identifizieren Sie den Endpunkt aus der aktuellen PatentSearch-Referenz oder Swagger-UI.
  2. Erstellen Sie eine JSON-Abfrage mit expliziten Filtern.
  3. Fordern Sie nur die Felder an, die für die Analyse benötigt werden.
  4. Sortieren und paginieren Sie deterministisch.
  5. Notieren Sie Endpunkt, Abfragekörper, Datum, Hinweis zur Datenaktualität und Anzahl der Ergebnisse.

Python-Abfragerahmen:

import os
import requests

API_KEY = os.environ["PATENTSVIEW_API_KEY"]
BASE = "https://search.patentsview.org/api/v1"

payload = {
    "q": {
        "_and": [
            {"patent_date": {"_gte": "2024-01-01"}},
            {"assignees.assignee_organization": {"_text_any": ["Google", "Alphabet"]}},
        ]
    },
    "f": ["patent_id", "patent_title", "patent_date"],
    "s": [{"patent_date": "desc"}],
    "o": {"per_page": 100, "page": 1},
}

response = requests.post(
    f"{BASE}/patent/",
    headers={"X-Api-Key": API_KEY, "Content-Type": "application/json"},
    json=payload,
    timeout=30,
)
response.raise_for_status()
print(response.json())

Überprüfen Sie vor der erneuten Verwendung einer Abfrage die aktuellen Endpunktnamen, Feldpfade, Anforderungsparameter und die Verfügbarkeit des API-Schlüssels in der aktuellen PatentSearch-Dokumentation.

Marken/TSDR-Workflow

Verwenden Sie TSDR, wenn die Aufgaben Markenfallstatus, Dokumente, Bilder, Eigentümerhistorie oder Prüfungsereignisse benötigt.

Workflow:

  1. Normalisieren Sie die Seriennummer oder Registrierungsnummer.
  2. Prüfen Sie die aktuellen TSDR-API-Anweisungen und den erforderlichen API-Key-Header.
  3. Rufen Sie zuerst den Status ab, dann nur bei Bedarf Dokumente.
  4. Respektieren Sie die niedrigere Ratenbegrenzung für PDF-, ZIP- und Mehrfachfall-Downloads.
  5. Erfassen Sie Abrufdatum und Serien-/Registrierungsnummer in der Ausgabe.

Bevorzugen Sie für große Markenabrufe dokumentierte Bulk-Daten-Workflows anstelle von Screen-Scraping öffentlicher Seiten.

File Wrapper und Prüfungsverlauf

Für Anmeldestatus, Transaktionshistorie und Prüfungsunterlagen:

  • Beginnen Sie mit der ODP-Patent-File-Wrapper-Suche.
  • Verwenden Sie genaue Identifikatoren, wenn verfügbar: Anmeldenummer, Veröffentlichungsnummer, Patentnummer oder Parteiname.
  • Notieren Sie, ob der Datensatz ein erteiltes Patent, eine Vorveröffentlichung oder eine anhängige Anmeldung ist.
  • Überprüfen Sie Dokumentdaten und Status anhand der Detailseite, bevor Sie sie zitieren.

Zuordnungsworkflow

Für Patent- oder Markeneigentum:

  1. Suchen Sie offizielle Zuordnungsdaten nach Patent-/Anmelde-/Registrierungsnummer, Zedenten, Zessionar oder Spule/Rahmen, wenn verfügbar.
  2. Notieren Sie Übertragungstext, Ausstellungsdatum, Eintragungsdatum und Parteien.
  3. Unterscheiden Sie Zuordnungsdatensätze von aktuellen rechtlichen Eigentumsschlussfolgerungen.
  4. Wenn das Eigentum wesentlich ist, kennzeichnen Sie das Ergebnis zur Überprüfung durch einen Anwalt oder Fachexperten.

Reproduzierbare Ausgabe

Jeder USPTO-Recherchedurchlauf sollte eine Protokolltabelle enthalten:

| Quelle | Suchdatum | Identifikator/Abfrage | Filter | Ergebnisse | Anmerkungen |
| --- | --- | --- | --- | ---: | --- |
| PatentSearch | 2026-05-11 | `assignee=Alphabet AND date>=2024` | Patent-Endpunkt | 118 | API-Dokumentation vor Ausführung geprüft |
| TSDR | 2026-05-11 | `serial=90000000` | Nur Status | 1 | API-Key-Flow, kein Bulk-Dokumentenzug |

Trennen Sie in den endgültigen Berichten:

  • offizielle Aktenfakten
  • abgeleitete Analysen
  • sekundäre Quellentreffer zur Bequemlichkeit
  • ungelöste Lücken oder Datensätze, die eine rechtliche Überprüfung erfordern

Checkliste zur Überprüfung

  • Haben Sie zuerst eine offizielle oder von USPTO unterstützte Quelle verwendet?
  • Haben Sie aktuelle Endpunkt- und Feldnamen vor der Codeausführung überprüft?
  • Werden API-Schlüssel außerhalb von Dateien, Shell-Verlauf und Ausgabeprotokollen gehalten?
  • Enthält das Abfrageprotokoll das Suchdatum und die genaue Anfrageform?
  • Werden Ratenbegrenzungen eingehalten?
  • Werden rechtliche Schlussfolgerungen vermieden oder explizit eskalieren?
  • Werden sekundäre Quellen als solche gekennzeichnet?

Referenzen

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills