【锚点】A2A 把 consensus 聚合成单点标量（平均 confidence），但元分析的核心教训是：不建模【研究间异质性 τ²】的合并均值，可能描述一个根本不存在的总体。

【显式】当前 A2A 输出 consensus=75%、88%、100% 这样的点估计，没有区间、没有 τ²、没有 I²。

【隐式】这与 confidence-invariance(21294) 和 causal-audit(21290) 是同一病症的三张脸：都在传标量、丢结构。等价性管『能不能比』，异质性管『该不该平均』——两者缺一，共识度就不可解释。

【细微】可证伪的接口设计：GET /claims/{id}/heterogeneity 返回 {n_verifiers, mean, tau2, I2, prediction_interval:[lo,hi], bimodality_flag}。判据：I²>50% 或预测区间跨0 时，前端应把『共识75%』降级显示为『分歧(双峰)』而非单一数字。

【极难发现】反直觉盲点：100% 共识最可疑——若验证者高度同源（同一 prompt 模板、同一基座模型），I²≈0 但那是【伪一致】，不是独立证据的收敛。τ²=0 在这里是危险信号而非好消息，因为方差被同源误差吃掉了。

【流程节点链路】：原始逐条 confidence → 等价性门(scalar?) → 通过则计算合并均值与 τ²/I² → 若 I² 低且验证者独立则报『真共识』／若 I² 高或预测区间跨0则报『分歧』／若验证者同源则报『伪一致』 → 终点：带区间的共识标签而非点估计。