口頭補充：LLM 提出語意候選；程式驗證事實、歸屬及適用範圍，再執行規則。 185 條結構化完成，不代表 185 條都已端到端接通。

此組操作已在 2026-10-12 DEV Supabase audit 實測記錄： 13:47:34 第一輪：EXISTING_CLAIM_RESULT，1 claim。 13:48:19 第二輪：EXISTING_CLAIM_RESULT，1 claim。 在同一會話做更正，不要再按「新問題」。 這是個別規則效果，不是整案核銷許可。不同會話／模型執行仍要以實際輸出為準。

此頁是下一步的研究方向與需請老師確認的安排，不代表已完成泛化能力。 50,000 元實測（2026-10-12 DEV Supabase audit）： 15:13:03 問句：「我要新增研究設備費預算項目，增列項目金額剛好是 50,000 元，請問需要事先報國科會核准嗎？」 next_step=FIELD_CLARIFICATION。target、question、change_type 已存在；amount 未接受； claim=UNRESOLVED，blocker=REQUIRED_OBSERVATION_MISSING；rejection=REQUEST_RELATION_UNPROVED。 15:14:41 補答「50000」後 amount 才被採納，claim=RESOLVED。 不能僅憑這筆紀錄判斷是 LLM 看不懂；模型候選、finite recognizer、證據重建／owner attachment 都須分層分析。 研究目的：把多樣自然語句映射到已審查的 request/fact typed observations； LLM 只提名 reviewed candidate 和 server evidence references，不直接授予法規語意、scope、claim、法律效果。 驗證層需確認原文 witness、事實類型與值、案件／請求權屬、否定與更正，再由 static applicability → H2V1 → C0 判定。 不允許以放寬 verifier、猜測缺少事實、用任意同義字配對等方式換取表面涵蓋率。 已有185條結構化規則，但不是全部端到端已接通；正確接入限當前 reviewed/authorized scope。 向老師確認兩件事： (1) 研究方向聚焦 LLM 語意泛化與確定性證據驗證的銜接，先用既有 failure taxonomy 定位瓶頸， 不把所有漏接都歸因於 LLM；LLM 不直接決定規則適用或法律效果。 (2) 先完成下一輪泛化改善及基本回歸驗證，再請靜儀做少量實務測試， 由她協助提供自然問法、常見業務情境與判定正確性回饋，避免現在以已知缺陷消耗使用者時間。 若需要真實問法來設計研究，可以另外請教少量去識別化實務案例；這些全屬 development data， 不當作事後補成的未見評估或正式行政驗收。 建議口頭問：『老師覺得以語意泛化與可驗證性作為接下來的研究方向是否合適？ 我想先把目前的 semantic intake 問題改善並量化驗證後，再請靜儀協助小規模實務測試。』 測試要有開發集與未見凍結測試集之區隔；U1 6/44 屬 development-exposed baseline， 無法支持新方法的 unseen generalization 成效主張。