HaluCatch / 捕幻
评估AI技能执行结果的可靠性与可信度
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：HaluCatch / 捕幻。 它的用途是：评估AI技能执行结果的可靠性与可信度 完整的 Skill 内容见：https://321skill.com/skills/halucatch-捕幻-x-5/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
‘请使用捕幻技能评估一下刚才生成的商品推荐算法的输出结果。’ 它会分析该算法输出的推荐列表，判断其推荐理由是否可信、在不同数据集上是否可复现，以及是否符合当前促销活动的业务目标，并给出可靠性评分和改进建议。
介绍
捕幻（HaluCatch）是一个专注于评估AI技能执行可靠性的工具。它旨在解决AI技能在实际应用中可能出现的输出不可信、结果不一致或无法满足业务要求等问题。
该技能通过一系列评估标准，对AI技能的执行结果进行审查，判断其是否具备可信度、可复现性，以及能否经受住业务场景的严格审视。这有助于用户在将AI技能集成到生产流程前，对其输出质量进行把关。
它非常适合智能体开发者、测试工程师和项目经理等角色。这些用户需要在开发、测试或部署AI驱动的功能时，确保其输出结果的稳定性和业务价值，避免因AI的“幻觉”或不可靠输出导致决策失误或流程中断。
使用建议：建议在关键业务流程或需要高可靠性的AI技能上线前，使用此技能进行输出验证。注意，它评估的是“技能执行结果”的可靠性，而非技能本身的代码质量或设计，因此更适合在技能开发完成后的测试和验收阶段使用。
核心特点
与多数专注于代码质量或性能测试的技能不同，捕幻专门针对AI技能输出的“可信度”和“业务适用性”进行评估，填补了从技术实现到业务价值验证之间的空白。它提供了针对AI输出幻觉和不确定性的具体评估框架，而非通用的测试方法。
注意事项
不适合评估非AI技能或传统软件的代码逻辑正确性，也不直接修复技能本身的缺陷。
常见问题
捕幻能检测AI生成代码的bug吗？
不直接检测代码bug，而是评估代码生成结果的可信度和是否符合业务需求，是更高层次的可靠性审查。
这个技能能提高我的AI技能运行速度吗？
不能。它的核心目标是评估输出质量与可靠性，而非优化性能或减少Token消耗。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/halucatch-捕幻-x-5/raw/index.md 读取 HaluCatch / 捕幻 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/halucatch-捕幻-x-5/raw/index.md（查看排版版本）