核心功能
HaluCatch（捕幻）是专为AI Skill设计的执行可靠性审查工具，解决AI代理执行Skill时常见的幻觉、不可复现、业务逻辑歧义等问题。它通过系统性四维评估，在Skill部署前发现潜在风险。
显著优点
评估维度全面：覆盖地基（数据管道完整性）、代码（执行风险）、规则（业务口径清晰度）、护栏（解读约束）四大维度，针对AI执行特性设计检查项，如统计函数篡改风险、裸except处理、因果语言禁令等。
输出体系完善：自动生成标准版（业务友好）、专业版（技术细节）、行动版（修复指令）三份报告，满足不同受众需求，避免信息过载。
执行模式高效：完全离线运行，无需API调用；单次命令完成全流程（L1扫描+L2评估+L3报告），通常几秒到几十秒完成；脚本承担确定性任务，AI专注语义补充，分工明确。
安全边界清晰：明确声明不擅长网络安全、合规审查、性能优化；写入操作仅限于报告目录，修复需用户确认；单文件10MB上限、不支持二进制文件等硬性约束防止滥用。
潜在局限
适用范围受限：仅限Skill审计场景，不替代通用代码审查工具；对纯方法论型Skill评估深度较浅；无法判断业务逻辑本身是否正确（只检查描述是否清晰）。
技术依赖明显：需Python 3.8+环境；对非UTF-8编码、超大目录等边缘情况需手动处理；部分检查项依赖启发式规则，存在误报可能。
修复环节半自动：行动版报告提供修复方案，但执行仍需用户确认并另启AI会话应用，未实现闭环自动化。
适合人群
- Skill开发者：部署前自检、版本迭代验证
- AI平台运营者：入库审核、质量分级
- 业务负责人：评估外部引入Skill的可靠性
- 数据/工程团队：协同审查含数据处理逻辑的Skill
常规风险
- 配置风险：
skills_is_external标记若配置错误，可能误审外部依赖 - 误报风险：正则匹配类检查可能将合理代码标记为风险
- 修复风险：自动生成的修复方案可能改变原Skill语义，必须人工确认
- 时效风险：基于快照审查，不追溯历史版本，修改后需重新运行