核心用法
HaluCatch（捕幻）是一款面向 AI Skill 执行可靠性的离线审查工具。用户只需提供目标 Skill 目录路径，工具即自动完成四维评估：地基（数据管线完整性）、代码（执行风险点）、规则（业务口径歧义）、护栏（解读约束机制）。支持 Python 3.8+，完全离线运行，不依赖外部 API。
执行流程采用三层分工模型：L1 文件扫描与 L2 结构化评估由 halucatch_core.py 一次性完成，L3 报告生成由 reporter.py 自动落盘三版报告（标准版/专业版/AI 行动版），AI 仅负责读取报告并做语义补充，不独立撰写正文。
显著优点
1. 评估维度全面：覆盖 Skill 执行失败的四大根因——数据管道不稳、代码易被 AI 误改、业务规则歧义、解读缺乏约束。
2. 输出分层清晰：标准版面向业务方（零术语白话）、专业版面向工程师（技术细节）、行动版面向修复阶段（可执行指令）。
3. 完全离线安全：不发起网络请求，单文件上限 10MB 自动截断，支持编码降级与超时保护。
4. 自动化程度高：单次命令完成扫描→评估→报告全流程，人工仅需确认路径与修复决策。
5. 类型自适应：自动区分「代码工程型」（含 .py/数据文件）与「纯方法论型」（文档/指令类），动态调整评估重点。
潜在局限
1. 非安全审计工具：明确不覆盖网络安全（SQL 注入/XSS）与合规性审查（GDPR/隐私法规）。
2. 业务正确性边界：仅检查规则「是否明确」，不验证业务逻辑本身是否正确。
3. 单次快照限制：基于目录即时状态，不追溯历史版本，不爬取外部依赖。
4. 中文生态依赖：多语言参数需显式配置，自动检测依赖系统 locale 可能不准。
5. 修复需人工确认：行动版报告虽生成修复方案，但执行前必须用户确认，无法一键自动修复。
适合人群
- AI Skill 开发者：部署前自检，降低生产环境执行失败风险。
- 数据工程师：审查含 Python 脚本的数据处理 Skill，防范 AI 误改代码。
- 业务分析师：验证方法论型 Skill 的指令完备性与可复现性。
- AI 平台运营方：建立 Skill 上架前的标准化质量门禁。
常规风险
- 误报风险：依赖正则与启发式规则，可能将合理代码标记为风险（如浮点比较
== 0在特定场景下是可接受的）。 - 漏报风险：新型篡改模式或业务特定歧义可能未被规则库覆盖。
- 路径与权限风险：需显式指定目标路径，误操作可能审查非预期目录；报告写入需
Write权限。 - 外部 Skill 误判：
skills/目录可能含外部安装的 Skill，需用户手动标记skills_is_external避免误审。