iterative-quality-convergence

name	iterative-quality-convergence
description	仅当用户明确要求 AI 对已有或正在形成的产物持续自评和改进、避免首次可用即交付，直到达到明确高标准、边际收益不足或真实阻塞时使用；负责观察真实结果并围绕最大质量差距迭代，不替代既有验证、Review 或交付合同。

迭代质量收敛

定位

探索“AI 能否像高标准的人类开发者一样，看到结果仍不够好时主动继续改进”。这是独立的探索性工作模式，不是新的生命周期阶段，也不以增加修改轮数为目标。

高质量不能由 AI 的主观满意证明。必须先建立任务特定标准，再观察真实产物、识别差距、执行最小改进并重新观察。

进入条件

开始前确认：

• 目标、目标用户、成功条件、非目标和禁止边界；
• 当前可运行、可渲染、可读取或可比较的真实产物；
• 能证明质量变化的观察入口、参考标准或指标；
• 时间、风险或迭代预算，以及必须交给用户判断的偏好。

无法观察真实结果时不得假装收敛；先补观察条件，或明确停止。

建立质量模型

只选择当前任务最重要的三至五个维度，并为每个维度写出可观察标准。候选维度包括：

• 功能与状态行为是否正确；
• 用户任务是否顺畅、清晰且完整；
• 真实数据、边界状态和不同环境下是否仍成立；
• 信息、视觉、交互或内容是否一致并达到参考水平；
• 实现是否保持单一路径、清晰 owner 和必要复杂度；
• 结果是否真正增强预期用户价值。

不要用一个伪精确总分覆盖不同性质的差距。审美偏好、产品选择和技术正确性分别判断。

收敛循环

1. 从用户或调用方视角运行、渲染或使用真实产物，记录可复查证据。
2. 对照目标、质量模型、产品愿景和适用参考，列出具体差距。
3. 区分缺陷、范围内质量改进、主观偏好和新需求；新需求不得借优化循环扩张进入当前任务。
4. 选择当前影响最大、证据最强且能独立验证的一项差距。
5. 执行最小改进，遵守项目已有的实现、验证和 Review 合同。
6. 用同一观察入口重新评估，确认差距真实缩小且没有引入更大回归。
7. 更新剩余差距并继续；没有显著改进价值时停止，不为证明“有循环”制造无意义修改。

每轮只追一个最大差距。若结果暴露目标或方案错误，回到正确的任务判断，而不是用局部润色掩盖。

停止条件

满足任一条件时停止：

• 所有必需维度达到明确标准，且没有仍值得处理的高价值差距；
• 下一轮预期收益低于实现、验证或回归成本；
• 需要用户偏好、产品方向、范围扩张或高风险授权；
• 达到约定预算，或真实环境无法继续观察。

最终输出质量标准、各轮最大差距与改进证据、停止原因、仍需用户判断的偏好和残余风险。不得只用“看起来不错”“测试通过”或“没有 finding”宣称达到高标准。