核心功能
HaluCatch（捕幻）是一款面向 AI Skill 的可靠性审查工具，通过四维评估框架系统检测 Skill 在 AI 执行过程中的潜在失效点：
- 地基：数据管线稳固性（路径参数化、输入验证、依赖声明）
- 代码：AI 复现代码时的篡改风险（统计函数、条件逻辑、异常处理等高危模式）
- 规则：业务口径清晰度（渠道定义、边界条件、代际映射等）
- 护栏：结果解读约束（因果禁令、自检机制、限制性声明等）
显著优点
1. 自动化流程：halucatch_core.py 一次性完成 L1 扫描→L2 评估→L3 报告生成，AI 仅需读取展示
2. 三版输出：专业版（技术细节）、标准版（白话摘要）、AI 行动版（修复指令），适配不同受众
3. 智能分类：自动识别「代码工程型」vs「纯方法论型」，动态调整评估维度
4. 闭环修复：评估→确认→修复→验证的完整工作流，降低 Skill 上线风险
5. 稳定防护：大文件截断、编码容错、超时保护，极端场景自动降级不崩溃
潜在局限
- 不覆盖网络安全审查（SQL 注入、XSS）
- 不替代业务正确性验证（仅检查规则是否明确，不判断规则本身对错）
- 依赖脚本执行环境，需 Python3 及相应依赖
- 离线运行，不验证外部 API 可用性
适合人群
| 角色 | 使用场景 |
|------|---------|
| Skill 开发者 | 发布前自检、迭代回归测试 |
| 数据工程师 | 评估数据管线型 Skill 的可靠性 |
| 业务负责人 | 快速理解第三方 Skill 的风险等级 |
| AI 平台运营 | 建立 Skill 准入审查机制 |
常规风险
- 过度依赖分数：低分≠不可用，需结合 Skill 类型和业务场景解读
- 修复方案误执行：AI 行动版需用户确认后再应用，防止误改生产 Skill
- 版本漂移：Skill 修改后未重新审查，历史报告失效
- 路径/编码问题：Windows/Linux 路径差异、非 UTF-8 编码导致文件跳过
> 建议将 HaluCatch 纳入 CI/CD 流程，每次 Skill 变更后自动触发审查。