核心：跨 reviewer 收斂的 finding 信號強

當跑 multi-reviewer parallel audit（4-reviewer / N-reviewer）、最 high-priority 不是 單一 reviewer flag 的 most severe finding、是 多個 reviewer 從不同軸獨立 flag 的同一 finding。

直覺：

• 單 reviewer flag P0 finding 是 該軸的判斷
• 跨 reviewer convergence flag 是 多軸共同 hit 同一點、信號收斂

機制：N 個獨立 axis 隨機 hit 同一 finding 的機率隨 N 指數下降 — 兩個 axis 偶然 hit 同點機率低、三個 axis hit 同點機率更低。所以 convergence 排除 單 reviewer 主觀 / 偏好 bias、留 系統性 issue。

Case：MySQL 4-reviewer audit

跑 4-reviewer audit（A 寫作規範 / B 跨檔一致性 / C 技術準確性 / D 結構性質疑）對 MySQL 17 篇：

2 軸 convergence 的 finding（缺 weight + frame uniformity）信號特別強 — 兩個 reviewer 從不同 audit 維度（寫作規範軸 vs 跨檔一致性軸）獨立判斷出同一 issue。

對比：PlanetScale FK 是 單 reviewer 找到的 highest-severity finding（invalidates 整段 Phase 1 audit premise）、但是 單軸 flag。

兩種都 P0、但 priority weighting 應該不同：

• 2 軸 convergence finding：structurally important、是 batch level pattern
• 單軸 high-severity finding：technically critical、specific issue

機制：為什麼 convergence 比 severity 重要

1. 單 reviewer flag 有 axis-specific bias

每個 reviewer 用特定 audit 軸（寫作規範 / 一致性 / 技術 / 結構）。單軸 flag 帶該軸的 judgment preference：

• Reviewer A 偏好 寫作風格規範、可能 flag 過嚴
• Reviewer C 偏好 technical correctness、可能 flag 一些 正確但 niche 議題

單軸 flag finding 可能是 該軸 perspective 的 P0、其他軸 perspective 不重要。

2. 跨 axis convergence 排除 axis-specific bias

當兩個 reviewer 從 不同 axis 獨立 flag 同 finding、表示這個 issue 對 多種 judgment perspective 都 reachable — 是 系統性 pattern、不是單一 perspective 的偏好。

舉例：「4 篇 migration playbook 缺 weight」

• Reviewer A 從 寫作規範 角度 flag：missing frontmatter required field
• Reviewer B 從 跨檔一致性 角度 flag：13 篇 deep article 有 weight、4 篇 migration 沒有、不對齊

兩個獨立 reasoning path 到同一 finding、信號收斂、是 結構性問題。

3. Convergence finding 修一次解決多 reviewer flag

實作層：

• 單軸 P0：修 → 解決 1 個 reviewer 的 flag
• 雙軸 convergence：修 → 解決 2 個 reviewer 的 flag

ROI 上 convergence finding 修法效率 2x。

4. Convergence 揭露 audit framework blindspot 的補集

如果某 finding 所有 reviewer 都沒 flag、可能：

• 沒問題（true negative）
• 所有 axis 都看不到（structural blindspot）

如果某 finding 只一 reviewer flag、可能：

• Niche but real（axis-specific catch）
• Axis-specific bias

如果某 finding 多 reviewer flag、強：

• 多 axis 收斂 → 高度 likely true positive
• 排除 axis-specific bias

修法：Cross-reviewer convergence matrix

1. Multi-reviewer audit 後做 convergence matrix

收齊 N 個 reviewer report 後、不是 merge findings list、是建 matrix：

1Finding          | Reviewer A | Reviewer B | Reviewer C | Reviewer D | Convergence
2─────────────────┼────────────┼────────────┼────────────┼────────────┼────────────
3Missing weight   |     P0     |     P0     |            |            |    **2**
4Frame uniformity |     P1     |            |            |     -      |    **2**
5FK claim 過時    |            |            |     P0     |            |    1
6CTE version 錯   |            |            |     P0     |            |    1
7Conn memory 衝突 |            |     P0     |            |            |    1

Convergence column 自動標 priority bump — 2+ 列為 首要 fix、1 列為 依 severity 處理。

2. Priority list 按 convergence 排序、不是純按 severity

修法 priority：

1. 2+ convergence finding（系統性 pattern）— 必修、高 ROI
2. 單軸 + 高 severity finding（如 FK claim 過時 invalidates premise）— 必修、specific
3. 單軸 + 中 severity finding（如 CTE version 錯）— 修、ROI 中等
4. 單軸 + 低 severity finding — 可選

3. Convergence 揭露的 pattern 寫進 retro

2+ convergence finding 通常是 寫作流程 / 模板 級議題、修了該 case 還要回頭看 為什麼會系統性發生：

• Missing weight：寫 migration playbook 模板沒有 weight、是 template gap
• Frame uniformity：「5 個踩雷」frame 在所有 article 重複、是 frame template too rigid

把這些 pattern 寫進 retro / report card、未來不再踩。

跟既有原則的關係

• Sibling Coverage Asymmetry Blindspot in Priority：本卡是 audit finding 的 priority weighting、那卡是 batch coverage 的 priority weighting、不同 layer
• Multi-Pass Review Frame Granularity Blindspot：multi-pass 是 同 reviewer 多輪、本卡是 多 reviewer 平行、不同模式

反向驗證

不該誤用：

• Convergence > severity 不是絕對 — 單軸高 severity finding（如 invalidates premise）仍是必修、不該因為「只一軸 flag」延後
• N=1 reviewer audit 不適用本卡 — 至少 2 個 reviewer 才有 convergence 概念
• 2 個 reviewer 用 同樣 axis 都 flag 不算 convergence — 必須 不同 axis 才是真正收斂
• Reviewer 之間 互相看過彼此 report 後再 flag 不算 convergence — 必須 獨立 parallel 跑

觸發再評估

• N-reviewer audit 跑超過 5 輪後、check convergence finding 的 follow-up rate 是否真比單軸 finding 高
• 出現 3 軸以上 convergence 的 finding 時、是否 trigger framework-level review（不只是 content fix）
• 累積足夠 reviewer convergence case 後、考慮抽出 axis design 原則：哪些 axis 組合的 convergence 最 informative