第12章｜Claim Architecture（命题架构）

一、企业不是缺少表达，而是缺少可判断的命题

企业官网、销售话术和宣传材料中充满“专业、高效、领先、值得信赖、最懂客户”之类的表达。这些词能够传递态度，却很难直接接受事实审查。它们通常没有说明主体是谁、在哪个范围成立、以什么条件成立、对应什么时间、与谁比较，也没有说明需要什么证据。

GEO（生成式引擎优化）服务如果从“写什么文章”开始，就容易把这些宽泛表达原样扩散到更多页面。页面数量增加了，企业真正希望进入用户决策和人工智能答案的判断却仍然模糊。

命题架构要做的不是把文案变得更像研究论文，而是把企业、来源、用户决策和人工智能观测中的表达拆成能够追溯、验证、限定、更新和停止使用的判断单元。

真正需要管理的不是一句口号，而是一组关系：

谁提出了什么判断
→ 关于哪个主体和对象
→ 在什么范围、条件和时间下成立
→ 由哪些证据支持、限制或反驳
→ 不能推出哪些更强结论
→ 可以用于什么公开表达和决策情境

二、Claim（命题）的工作定义

Claim（命题）是关于特定主体、对象、能力、关系、状态或结果的陈述；它能够在明确范围、条件和时间下，被Evidence（证据）支持、限制、反驳，或被判定为Unknown（未知）。

命题不是现实本身，也不是证据。Reality（现实）是客观发生或存在的状态；Claim（命题）是关于现实的可判断陈述；Evidence（证据）是具体信息与命题之间形成的条件化证明关系。

一条命题也不因为企业、客户、媒体、专家或人工智能说过就自动为真。说话主体决定命题的角色和来源，不直接决定真实性。

三、文本句子不一定等于命题

自然语言中的一句话可能包含多个命题，也可能没有达到可判断所需的最低完整度。

例如：

我们是全国领先、最懂制造业的专业财税服务机构。

这句话至少可能同时包含：

  • 企业属于财税服务机构；
  • 企业服务制造业客户；
  • 企业具有制造业相关知识；
  • 企业具有制造业项目经验；
  • 企业的专业能力达到某个水平；
  • 企业在某个全国比较集合中处于领先位置；
  • 对特定客户而言，企业值得选择。

这些命题具有不同的主体、证明对象、逻辑形式和证明负担。把它们保留在一句口号里，会让任何一项局部证据被错误用于支撑整句话。

因此，Claim Architecture（命题架构）不能以宣传句子为最小单位，而要以Atomic Claim（原子命题）为基本单位，并保留原句与拆解结果的对应关系。

四、四种命题角色必须分开

本体系区分四种Claim Role（命题角色）：

命题角色 系统含义
Target Claim（目标命题） 希望在目标Decision Situation（决策情境）中合理形成的判断。它来自真实决策变量、企业事实与证据能力的交集，不等于企业想宣传什么。
Enterprise Claim（企业命题） 企业希望表达、已经表达或内部相信的判断。它可以是研究起点，但必须接受命题拆解和证据审查。
Source Claim（来源命题） 某一来源实际作出的陈述。例如，客户说“响应很快”、公共机构登记某项许可、媒体写“企业完成一轮融资”，都是不同来源提出的命题。
Observed AI Claim（已观测人工智能命题） 人工智能在明确Engine（引擎）、时间、提示、工具、上下文和观测条件下生成的判断。它主要用于描述人工智能答案行为。

四种角色不是互斥的文本类别。同样的文字可以同时出现在不同角色中，但每次出现都必须分别记录来源、时间、条件、版本和支持状态。

五、角色转换不改变真实性和独立性

企业希望人工智能回答“甲公司适合制造业客户”。这可以先作为Target Claim（目标命题）；企业把它写在官网后，形成Enterprise Claim（企业命题）；媒体引用企业说法后，形成Source Claim（来源命题）；人工智能在某次回答中复述，又形成Observed AI Claim（已观测人工智能命题）。

角色发生了变化，信息的原始谱系却可能没有变化。企业命题被媒体转载，不会自动变成独立调查结论；人工智能命题被企业发布，不会自动成为独立来源；人工智能再次引用该页面，也不会反向创造事实。

所以：

Role Transition（角色转换）
≠ Truth Upgrade（真实性升级）
≠ Independence Upgrade（独立性升级）

系统必须记录Derived From（派生自）关系，并始终能够回溯到最初的断言和证据谱系。

六、Atomic Claim（原子命题）的最低结构

一项Atomic Claim（原子命题）至少包含：

Subject（主体）
+ Predicate（关系或行为）
+ Object or Value（对象或数值）
+ Scope（适用范围）
+ Condition（成立条件）
+ Valid Time（有效时间）

例如，“甲公司响应快”仍然不够原子化。更可审查的表达可能是：

甲公司在某服务方案、某客户范围和某统计窗口内，对符合定义的服务请求，其首次响应时间达到某项明确指标。

这并不意味着所有命题都必须公开展示完整技术字段。系统内部必须保存这些字段，对外表达则根据可读性进行受控压缩，但不能删除会改变判断的关键边界。

七、主体必须先消歧

Subject（主体）可能是法律实体、品牌、集团、分公司、团队、个人、产品或服务。主体错误会使其他字段再准确也失去意义。

常见混淆包括：

  • 把创始人的前雇主经验归为新公司的组织经验；
  • 把集团资质归为未持证子公司；
  • 把合作伙伴交付能力归为本企业自有能力；
  • 把某位员工的个人知识归为全体团队的稳定能力；
  • 把竞争者的材料错误归给目标企业；
  • 把品牌名与实际签约或交付主体混为一体。

每项命题都应连接Stable Entity Key（稳定实体标识）及必要的历史关系。主体发生并购、分拆、更名或团队变化时，需要重新审查命题连续性。

八、Predicate（关系或行为）决定命题强度

“存在”“登记”“签约”“执行”“具备”“达到”“导致”“优于”“适合”“应该推荐”不是同一种谓词。

谓词的细微变化会显著改变证明负担：

曾服务过
≠ 有丰富经验
≠ 具备稳定能力
≠ 表现优秀
≠ 导致客户结果
≠ 优于竞争者
≠ 应被推荐

命题审查必须识别动词和判断词实际表达的强度。营销文案常通过“帮助、赋能、提升、领先、保障”等词模糊因果、结果或比较关系，系统不能把这些词当作没有证明负担的修辞。

九、范围、条件和时间不是脚注

Scope（适用范围）、Condition（成立条件）和Valid Time（有效时间）共同决定一项命题在哪里成立。

“服务响应及时”可能只适用于工作日、特定套餐、某类请求和某个统计窗口；“持有某项许可”只在许可主体、事项、地域和有效期内成立；“拥有制造业经验”需要说明项目类型、行业边界、参与深度和历史时间。

删除这些边界会产生Claim Inflation（命题膨胀）。边界不是为了削弱表达，而是为了防止有限事实被外推成无限承诺。

当边界影响客户选择、风险或结论时，它必须进入公开表达或可访问的解释结构，不能只藏在内部备注中。

十、结果、比较和因果命题需要附加结构

某些命题仅靠六个基础字段仍不充分。

命题类型 附加结构与边界
Outcome Claim（结果命题） 明确结果指标、基线、样本、测量窗口、数据来源和异常处理。
Comparative Claim（比较命题） 明确Comparison Set（比较集合）、双方可比指标、相同口径、相同时间窗口和选择规则；只有自身数据不能推出行业领先。
Causal Claim（因果命题） 明确Intervention（干预）、结果、时间顺序、对照或Counterfactual（反事实）、替代解释与重复观测；简单前后变化不等于因果。
Predictive Claim（预测命题） 明确预测对象、期限、依据、适用范围、不确定性和失效条件；单个成功案例不能保证未来结果。
Recommendation Claim（推荐命题） 明确Decision Situation（决策情境）、用户决策变量、资格、能力、风险、约束、替代方案和规范判断；被提及、进入榜单或出现一次人工智能推荐，都不足以形成稳定推荐依据。

十一、命题角色与命题类型是两套不同维度

Target Claim（目标命题）、Enterprise Claim（企业命题）、Source Claim（来源命题）和Observed AI Claim（已观测人工智能命题）回答“这项命题在系统中扮演什么角色”。

身份、资格、能力、结果、比较与因果等分类回答“命题在证明什么以及采用什么逻辑形式”。

同一条能力命题可以同时作为企业命题和目标命题，也可以被来源或人工智能表达。不能把“来源命题”误认为一种事实等级，也不能把“人工智能命题”误认为一种证明对象。

十二、命题采用双轴分类

第一轴是Claim Object or Function（命题对象或功能）：

  • Identity（身份）；
  • Existence（存在）；
  • Qualification（资格）；
  • Occurrence（事件发生）；
  • Experience（经验）；
  • Process（流程）；
  • Capability（能力）；
  • Performance（表现）；
  • Outcome（结果）；
  • Scale（规模）；
  • Knowledge（知识）；
  • Trust（信任）；
  • Fit（适配）；
  • Comparative Position（比较位置）；
  • Recommendation（推荐）。

第二轴是Logical Form（逻辑形式）：

  • Descriptive（描述形式）；
  • Relational（关系形式）；
  • Quantitative（定量形式）；
  • Causal（因果形式）；
  • Predictive（预测形式）；
  • Comparative（比较形式）；
  • Normative（规范判断形式）。

两个轴共同决定需要什么证据与审查深度。例如，Performance（表现）可以采用描述或定量形式；Fit（适配）可能包含关系判断和规范判断；Recommendation（推荐）通常需要综合多个基础命题后形成规范判断。

十三、Proof Function（证明功能）与Claim Type（命题类型）如何连接

第十一章的Proof Function（证明功能）属于Evidence Unit（证据单元）与具体命题之间的关系；本章的Claim Type（命题类型）描述命题本身的对象和逻辑形式。

一条交易记录可能对Occurrence Claim（事件发生命题）承担直接支持功能，对Experience Claim（经验命题）提供有限支持，对Capability Claim（能力命题）只构成一个基础节点，对Causal Claim（因果命题）则几乎不能单独完成证明。

因此，证据功能和命题类型必须连接，却不能合并。命题类型不会自动指定某个固定来源，证据类型也不会自动决定它能支持多强的命题。

十四、Claim Version（命题版本）与有效时间

命题不是一条永恒不变的字符串。企业的团队、流程、资格、产品和服务会变化，同一句话在不同时期可能具有不同支持状态。

每项命题至少记录：

  • Claim Version（命题版本）；
  • Valid From（有效起点）；
  • Valid To（有效终点）；
  • Supersedes（替代关系）；
  • Continuity Basis（连续性依据）；
  • Assessment Time（评估时间）。

旧版本不应被直接覆盖。保留版本关系可以回答：某项判断何时成立、为何更新、旧内容是否需要下线、人工智能引用的是哪个时期的信息，以及当前组织能否继承历史支持。

十五、历史经历不能无条件延续为当前能力

历史案例真实存在，不代表当前团队仍能重复交付。将历史支持迁移到当前能力命题时，应检查Organization Continuity（组织连续性）、Personnel Continuity（人员连续性）、Process Continuity（流程连续性）、Technology Continuity（技术连续性）和Service Continuity（服务连续性）。

如果项目成员全部离开、流程和技术发生重大变化，历史案例仍可以支持“该企业曾经完成某类项目”，却未必支持“当前团队仍具备同等能力”。

Continuity Basis（连续性依据）是命题版本迁移的证明条件，不是一句“经验传承”即可替代的说明。

十六、Claim Graph（命题图谱）管理命题之间的关系

复杂判断很少由一条命题独立成立。Claim Graph（命题图谱）用于记录基础命题、高层命题、限制和反向关系。

基本关系包括：

  • Supports（支持）：一个命题为另一个命题提供支持；
  • Depends On（依赖）：高层命题成立依赖哪些基础命题；
  • Qualifies（限定）：限定另一命题的范围、条件或强度；
  • Contradicts（反驳）：与另一命题形成重大冲突；
  • Updates（更新）：新命题更新旧状态；
  • Aggregates Into（汇聚）：多个基础命题共同汇聚为复合判断；
  • Derived From（派生自）：文本或判断从哪个上游命题转化而来；
  • Does Not Imply（不能推出）：明确阻止常见越级推论。

图谱不是为了把企业知识做得复杂，而是为了保存“为什么能够这样说”和“为什么不能再多说一步”。

十七、Does Not Imply（不能推出）是必要关系

传统内容系统通常只记录支持关系，导致命题不断向更强表达升级。Does Not Imply（不能推出）关系用于把反例和证明边界写进系统。

典型关系包括：

  • 签订合同不能推出完成交付；
  • 完成一个项目不能推出丰富经验；
  • 有经验不能推出稳定组织能力；
  • 有流程文档不能推出流程被稳定执行；
  • 结果发生不能推出服务导致结果；
  • 自身表现良好不能推出优于同行；
  • 企业或人工智能推荐不能推出适合所有用户；
  • 多次转载不能推出多次独立验证。

这些关系不是消极限制，而是防止Claim Graph（命题图谱）成为只汇集利好信息的营销图谱。

十八、完整性要求：高层命题必须连接反向信息

高层命题不能只聚合成功样本。若企业用平均响应时间支持“响应稳定”，图谱还需要连接重大长尾、未响应事件、样本排除和数据缺失；若用精选案例支持“客户普遍满意”，需要记录案例选择规则与未评价群体。

限制、异常和反向信息可能使高层命题缩小范围、降低强度或保持Contested（存在争议），但隐藏它们会破坏命题体系的完整性。

Claim Graph（命题图谱）应允许不利节点存在，并记录它们是否已经解决、仍然有效或只适用于特定范围。

十九、Circular Claim（循环命题）必须回溯原始谱系

当人工智能生成“甲公司值得推荐”，企业把答案发布到官网，媒体转载，另一人工智能再引用该页面时，系统可能看到多个Source Claim（来源命题）和Observed AI Claim（已观测人工智能命题）。

如果它们都派生自最初的人工智能输出，就没有增加企业事实或独立推荐依据。所有节点必须通过Derived From（派生自）回溯原始谱系，并标记Circularity Risk（循环风险）。

角色和载体数量增加，不等于支持强度增加。循环链可以作为传播和人工智能行为的观测对象，不能成为企业能力与适配命题的自我证明。

二十、四级Proof Burden（证明负担）

命题—证据要求矩阵把审查深度分为四类，但不转换为统一分数：

类别 典型命题 核心要求
B1 Direct Descriptive（直接描述类） 身份、存在、登记、事件 直接记录、主体、范围与时间
B2 Composite Capability（复合能力类） 经验、流程、能力、信任 多项基础命题、实际运行和合理组合
B3 Performance and Outcome（表现与结果类） 响应、准确率、满意度、结果发生 指标、样本、窗口、来源和异常处理
B4 Causal, Predictive and Comparative（因果、预测与比较类） 导致、将会、更好、最佳、推荐 对照或反事实、替代解释、比较集合、不确定性与综合判断

B1—B4（证明负担1—4）不是证据价值排名，而是提示命题越复杂、越接近因果、预测、比较和规范判断，所需结构通常越多。具体最低要求仍需按行业、风险和使用场景校准。

二十一、不同命题不能互相替代证明

命题—证据要求矩阵规定了常见不可替代项：

  • 媒体报道和企业自述不能替代有效许可；
  • 知识文章不能替代当前真实提供服务；
  • 了解某行业不能替代服务过相关客户；
  • 流程图不能替代流程实际执行记录；
  • 单张证书、单篇文章或单个案例不足以证明复合能力；
  • 承诺不能替代实际表现；
  • 好评不能替代客观结果；
  • 简单前后变化不能替代因果识别；
  • 联系人数不能替代去重后的客户规模；
  • 批量文章不能替代真实知识；
  • 成立多年或单个好评不能替代完整信任结构；
  • 企业或人工智能自评不能替代真实用户适配；
  • 只有自身数据不能替代合格比较；
  • 单一案例不能保证未来结果；
  • 单次提及、榜单或媒体数量不能替代推荐判断。

这些边界使内容生产不能通过更换措辞绕过证明负担。

二十二、Claim Inflation（命题膨胀）的典型路径

Claim Inflation（命题膨胀）是证据只能支持较弱命题，却被表达成更强判断。常见路径包括：

存在 → 经验 → 能力
事件 → 结果 → 因果
自身表现 → 比较领先
部分样本 → 全部客户
历史经历 → 当前能力
来源断言 → 企业事实
人工智能提及 → 稳定推荐

命题膨胀有时来自刻意营销，有时来自对象、角色和逻辑形式没有分开。无论原因如何，系统都应通过Atomic Claim（原子命题）、Does Not Imply（不能推出）关系和证明负担检查识别它。

二十三、证据不足时如何改写命题

当证据无法支持原命题时，只允许五种基本动作：

  1. Narrow（缩小）：缩小主体、客户、行业、地域、样本、时间或结果范围；
  2. Decompose（拆解）：将复合命题拆成可分别验证的原子命题；
  3. Qualify（增加限定）：明确条件、例外和不确定性；
  4. Downgrade（降低强度）：从因果退回结果发生，从领先退回自身表现，从当前能力退回历史经历；
  5. Withhold（暂不表达）：当关键风险无法控制时停止公开。

增加文章、改写标题、寻找更多转载或让人工智能重复表达，都不是弥补命题证明不足的方法。

二十四、示例：拆解“最懂制造业的代账公司”

假设企业希望表达：

我们是最懂制造业的代账公司。

这不是一个可以直接获得统一支持状态的原子命题。至少需要拆解为：

  • 主体是否真实提供代账服务；
  • 主体是否服务过制造业客户；
  • 相关项目属于哪些制造业细分场景；
  • 当前团队是否保留相关人员、流程和知识；
  • 是否存在实际交付和运行记录；
  • “懂”对应哪些可观察知识或能力；
  • “最”相对于哪个Comparison Set（比较集合）；
  • 比较指标、窗口和双方数据是否一致；
  • 对特定客户而言，这些能力是否对应真实Decision Variable（决策变量）；
  • 是否存在重要不适用边界或风险。

如果企业只有若干真实案例和知识文章，可能支持“具有某些制造业项目经历并公开表达相关知识”，不能直接支持全国第一或适合所有制造业客户。正确做法是保留已支持的原子命题，而不是用更多形容词填补比较证据。

二十五、示例：从结果发生到因果降级

假设某客户在接受服务期间财务错误率下降，同时更换了财务负责人并上线新系统。系统可以建立以下节点：

  • 服务关系在某时间内存在；
  • 错误率在定义窗口内发生变化；
  • 财务负责人发生变化；
  • 新系统在同期上线；
  • 当前无法排除多个替代解释。

“错误率下降”是Outcome Claim（结果命题）；“服务导致错误率下降”是Causal Claim（因果命题）。后者依赖更高证明负担。若无法满足，应通过Downgrade（降低强度）表达为“服务期间观察到错误率下降”，并连接Does Not Imply（不能推出）关系，阻止它再次被内容系统升级为因果。

二十六、Recommendation Claim（推荐命题）不是事实列表的自动产物

推荐包含规范判断：在特定决策情境和约束下，某个选项是否更适合某类用户。它需要结合用户真实Decision Variable（决策变量）、资格门槛、企业能力、表现、风险、价格与服务边界以及替代方案。

企业资质真实、案例充分、媒体曝光多，并不自动意味着对所有用户都应推荐。人工智能曾经推荐，也只构成特定观测条件下的Observed AI Claim（已观测人工智能命题）。

因此，GEO（生成式引擎优化）的目标不是让一个脱离决策情境的“推荐命题”出现得越多越好，而是使与真实决策相关、具有充分证据和明确边界的判断更有机会被正确表达、归属和使用。

二十七、对GEO Service System（GEO服务体系）的要求

第一，系统必须把原始文本、命题角色、Atomic Claim（原子命题）和公开表达分开保存。不能让一句营销文案同时充当目标、事实和证据。

第二，每项Claim Record（命题记录）必须包含主体、谓词、对象或数值、范围、条件、有效时间、角色、版本、支持状态和禁止推论。

第三，Target Claim（目标命题）只能由真实决策情境、User-DVM（用户决策变量地图）、企业事实和证据资格共同约束，不能由企业偏好或人工智能常识直接生成。

第四，Source Claim（来源命题）和Observed AI Claim（已观测人工智能命题）必须保留来源和观测条件。角色转换不得重置派生谱系。

第五，Claim Graph（命题图谱）必须支持限制、反驳、更新、派生和Does Not Imply（不能推出）关系，不能只保存正向支持。

第六，命题版本必须连接组织、人员、流程、技术和服务连续性。事实或授权变化需要触发重新审查和下游内容检查。

第七，内容模块只能调用达到相应Proof Burden（证明负担）、具有允许用途且没有关键阻断的命题。自动化不得擅自把结果升级为因果、把自身表现升级为比较，或把提及升级为推荐。

二十八、Minimum Claim Record（最低命题记录）

最低记录必须覆盖命题身份、命题角色、原子基础结构、必要扩展结构、双轴分类、证据接口、图谱关系、版本连续性、使用状态和治理责任。正文保留这些不可缺少的字段组，完整填写结构集中在附录C｜Method Templates（方法模板），避免把论证正文重复写成操作表单。

二十九、本章明确否定的观点

  • 企业的一句宣传语天然就是一条可验证命题；
  • 文本句子与Atomic Claim（原子命题）始终一一对应；
  • Target Claim（目标命题）等于企业希望人工智能说的话；
  • Enterprise Claim（企业命题）代表企业事实；
  • Source Claim（来源命题）因来源知名就自动真实；
  • Observed AI Claim（已观测人工智能命题）能够直接证明企业事实；
  • 命题角色是互斥类型或事实等级；
  • 角色转换可以提升真实性或独立性；
  • 主体、范围、条件和有效时间只是可选注释；
  • 历史经历可以无条件继承为当前组织能力；
  • 一个版本更新可以覆盖并删除全部历史状态；
  • Claim Graph（命题图谱）只需要正向支持关系；
  • 平均值和精选案例可以隐藏重大异常与反向信息；
  • 项目发生可以自动升级为经验、能力和稳定表现；
  • 结果发生可以自动升级为因果；
  • 自身表现可以自动升级为比较领先；
  • 人工智能提及或榜单收录可以自动升级为推荐；
  • B1—B4（证明负担1—4）可以转化为统一分数；
  • 增加内容、转载和人工智能复述可以弥补命题证明不足。

三十、当前仍然不知道什么

以下问题保持Unknown（未知）：

  • 不同行业和监管风险下Atomic Claim（原子命题）的最低拆分粒度；
  • 哪些复合命题可以在不损失关键边界的前提下对外压缩表达；
  • 五类连续性对不同Capability Claim（能力命题）的最低迁移要求；
  • Recommendation Claim（推荐命题）在不同决策情境中的规范审查标准；
  • Claim Graph（命题图谱）自动推理可以安全运行到什么边界；
  • B1—B4（证明负担1—4）在具体行业中的任务级最低证据要求；
  • 人工智能能否在跨Engine（引擎）条件下稳定正确吸收限定、反向和Does Not Imply（不能推出）关系；
  • 哪些命题结构可在真实项目中升级为Validated Pattern（已验证模式）。

当前Validated Pattern（已验证模式）为空。

三十一、本章结论

Claim Architecture（命题架构）把企业表达从宽泛口号转换为能够被审查和治理的判断系统。Claim（命题）不是现实，也不是证据；它必须具有主体、谓词、对象或数值、范围、条件和有效时间。

Target Claim（目标命题）、Enterprise Claim（企业命题）、Source Claim（来源命题）和Observed AI Claim（已观测人工智能命题）是不同角色，而不是事实等级。角色可以转换，真实性和独立性不会因此升级。

Atomic Claim（原子命题）、Claim Version（命题版本）、Claim Graph（命题图谱）、Does Not Imply（不能推出）和四级Proof Burden（证明负担）共同防止Claim Inflation（命题膨胀）。证据不足时只能缩小、拆解、限定、降级或暂不表达。

第十一章建立证据单元的四轴描述，第十二章建立命题及其关系结构。下一章将把完成资格判定的Evidence Unit（证据单元）围绕一项或一组相关Claim（命题）组织为Evidence Set（证据集合），并讨论如何在不覆盖正式基线的前提下扩展Evidence Map（证据地图）。

本章图表

图12-1｜四种Claim Role（命题角色）

重绘说明：以同一规范化命题为中心，四周分别展示Target Claim（目标命题）、Enterprise Claim（企业命题）、Source Claim（来源命题）和Observed AI Claim（已观测人工智能命题），角色之间使用带谱系的转换箭头，中央标注“角色转换不提升真实性”。

图12-2｜Atomic Claim（原子命题）结构

重绘说明：将Subject（主体）、Predicate（关系或行为）、Object or Value（对象或数值）、Scope（适用范围）、Condition（成立条件）和Valid Time（有效时间）排成六段结构；在下方增加结果、比较、因果、预测和推荐命题的附加字段。

图12-3｜从营销口号到原子命题

重绘说明：左侧为“全国领先、最懂制造业的专业财税服务机构”，右侧拆为身份、服务存在、经验、知识、能力、比较位置和适配命题，并分别标记证明负担。

图12-4｜Claim Graph（命题图谱）关系

重绘说明：用一个能力高层命题连接基础身份、经验、流程和运行记录，同时连接限制、反向信息、历史版本、Derived From（派生自）和Does Not Imply（不能推出）关系。

图12-5｜Claim Inflation（命题膨胀）阶梯

重绘说明：展示“存在—经验—能力”“事件—结果—因果”“自身表现—比较领先”“提及—推荐”四条常见越级路径，在每级之间标出新增证明负担。

图12-6｜四级Proof Burden（证明负担）

重绘说明：从B1 Direct Descriptive（直接描述类）到B4 Causal, Predictive and Comparative（因果、预测与比较类）展示审查结构增加，但明确注明“不是统一分数或价值等级”。

表12-1｜命题—证据要求矩阵摘要

采用本章第二十一节的命题类别，展示最低证明关系与不可替代项，完整矩阵留作附录或服务手册。

表12-2｜Minimum Claim Record（最低命题记录）

采用本章第二十八节的十组字段，为服务体系中的Claim Record（命题记录）提供结构规范。