HaluCatch（捕幻）是一款专为 AI Skill 执行可靠性设计的审查工具，核心解决「AI 执行 Skill 时会不会出错」这一关键问题。它采用独特的四维评估框架：地基（数据管道完整性）、代码（执行脚本风险）、规则（业务口径清晰度）、护栏（结果解读约束），系统化识别 Skill 在生产环境中的潜在失效点。
核心优势：一是评估框架全面，覆盖从数据输入到结果解读的全链路风险；二是高度工程化，通过 halucatch_core.py 脚本实现 L1-L3 全流程自动化，AI 仅需读取报告并做语义补充，显著降低幻觉风险；三是输出体系完善，同时生成专业版（给工程师）、标准版（给业务方）、行动版（给修复 AI）三份报告，满足不同角色需求；四是安全边界清晰，100% 离线运行，不修改目标 Skill，权限最小化。
显著局限：明确声明不擅长网络安全审查（SQL 注入、XSS）、合规性审查（GDPR）、代码性能优化及替代人工业务决策。对于纯方法论型 Skill（无数据处理），评估维度会收缩，无法提供代码相关检查。此外，依赖脚本生成的报告质量，极端场景（>200 文件、单文件>1MB）会自动降级处理。
适合人群：AI Skill 开发者、数据工程师、需要对外分享或部署 Skill 的团队，以及希望建立 Skill 质量门禁的组织。特别适合数据驱动型 Skill（含 Python 脚本、Excel 处理）的发布前审计。
常规风险：审查本身不修改源文件，但「AI 行动版」修复方案若未经确认直接执行，可能导致 Skill 被意外改动。建议严格遵循「评估→确认→修复→再验证」的闭环流程。