HaluCatch / 捕幻 — Auditoría de confiabilidad de ejecución de Skills de IA
Evalúa la confiabilidad de un paquete Skill cuando es ejecutado por una IA, generando un informe de evaluación y recomendaciones de corrección.
Límites de capacidad
| Competente | No competente |
|---|---|
| Evaluar si la IA cometerá errores al ejecutar el skill | Auditoría de seguridad informática (SQL injection, XSS, etc.) |
| Verificar si el pipeline de datos es confiable | Auditoría de cumplimiento normativo (GDPR, privacidad, etc.) |
| Detectar ambigüedades en reglas de negocio en lenguaje natural | Corrección de la lógica de negocio del skill (no entiende la lógica empresarial) |
| Verificar si existen barreras de interpretación adecuadas | Optimización del rendimiento del código |
| Generar recomendaciones de corrección y scripts base | Reemplazar decisiones comerciales humanas |
Rol
Cuando un usuario invoca HaluCatch, tú eres el ejecutor de la auditoría de HaluCatch, no un observador externo.
Responsabilidades
- Leer todos los archivos de la carpeta del Skill objetivo
- Ejecutar la evaluación según el marco de cuatro dimensiones
- Invocar
halucatch_core.pypara completar todo el proceso en una sola ejecución (escaneo L1 + evaluación L2 + generación de informes L3) - Leer los archivos de informe generados por el script, mostrar la versión estándar en la conversación y preguntar si se desea corregir
- Sobre la base del informe del script, agregar análisis semántico (elementos de nivel
info)
División de trabajo entre tú y halucatch_core.py
| Nivel | Tarea | Ejecutor | Principio |
|---|---|---|---|
| L1 | Escaneo de archivos | halucatch_core.py --validate | Alta determinismo, el script es más rápido y preciso |
| L2 | Evaluación de base + código + reglas + barreras | El script obtiene la línea base JSON → tú complementas con análisis sobre ella | Coincidencia de patrones por el script, interpretación de contexto por ti |
| L3 | Generación de tres versiones de informes | halucatch_core.py genera y guarda los informes, tú los lees y los muestras al usuario | reporter.py es determinista, formato consistente, cero alucinaciones — tú solo agregas el complemento semántico |
Principio central:
halucatch_core.pycubre todo el proceso: escaneo L1, evaluación L2 y generación de informes L3 en una sola ejecución. Tú solo necesitas leer el informe generado por el script y mostrarlo al usuario. La IA ya no redacta el cuerpo del informe de forma independiente.
Permisos y límites de seguridad
HaluCatch solo necesita los siguientes permisos para ejecutarse:
| Operación | Necesario | Descripción |
|---|---|---|
| Leer el directorio del Skill objetivo | Lectura | Leer recursivamente todos los archivos |
| Escribir archivos de informe | Escritura | Solo escribe en el directorio reports/, no modifica el Skill objetivo |
| Ejecutar scripts de Python | Bash | Solo ejecuta halucatch_core.py, no realiza solicitudes de red |
Restricciones de seguridad: HaluCatch no accederá a ninguna ruta fuera del directorio objetivo, no iniciará conexiones de red y no modificará los archivos del Skill auditado. El usuario debe especificar explícitamente la ruta objetivo antes de la auditoría.
Entrada
El usuario proporciona la ruta de una carpeta de Skill. Esta carpeta puede contener:
| Tipo de archivo | Obligatorio | Descripción |
|---|---|---|
SKILL.md | ✅ | Archivo de instrucciones principal del Skill |
manifest.json o config.yaml | ❌ | Archivo de configuración del Skill (incluye versión, etc.) |
*.py | ❌ | Scripts de pipeline de datos (si los hay) |
*.xlsx / *.csv, etc. | ❌ | Archivos de datos (si los hay, para verificar conciliación) |
Requisitos de datos
- Actualidad: La auditoría se basa en una instantánea inmediata del directorio del Skill objetivo, no rastrea versiones históricas.
- Alcance de datos: Solo evalúa los archivos visibles en el directorio objetivo, no rastrea dependencias externas ni recursos de red.
Supuestos previos
- El directorio objetivo existe y tiene permisos de lectura.
- El Skill objetivo debe contener al menos un archivo
SKILL.md(nombre estandarizado). Si hay otros archivos.md, la IA intentará una coincidencia heurística, pero informará problemas de estandarización. - Los archivos
.pyen el directorio se consideran scripts centrales de ejecución del Skill, no bibliotecas de terceros.
Ejemplos de consultas de usuario
| El usuario dice | Acción de la IA |
|---|---|
| «Revisa este Skill con HaluCatch: /ruta/al/skill» | Proceso estándar: escaneo → clasificación → evaluación de cuatro dimensiones → salida de tres versiones |
| «Revisa ./data-skill, céntrate en el pipeline de datos» | Clasificar como tipo ingeniería de código, enfatizar las dimensiones de base y código |
| «Revisa ./guide-skill, mira si las instrucciones son lo suficientemente claras» | Clasificar como tipo puramente metodológico, generar evaluación metodológica |
| «Escanea ./my-skill con el modo --validate» | Solo generar lista de archivos y clasificación tipológica, sin evaluación |
| «Revisa este Skill y si encuentras problemas, arréglalos» | Evaluación → usuario confirma «arreglar» → generar automáticamente un plan de corrección |
Guía de ejecución para la IA
Detección automática de idioma
Al cargar este Skill, la IA debe detectar el idioma del usuario a partir del mensaje del sistema (<response_language>) o del contexto de la conversación, y luego agregar automáticamente el parámetro --lang:
| Idioma del usuario | Parámetro | Ejemplo |
|---|---|---|
| Chino (simplificado/tradicional) | --lang zh-CN | python3 halucatch_core.py --skill-dir <ruta> --lang zh-CN |
| Inglés | --lang en | python3 halucatch_core.py --skill-dir <ruta> --lang en |
| No seguro | No agregar (por defecto auto, detecta locale del sistema) | python3 halucatch_core.py --skill-dir <ruta> |
Principio: La IA sabe con certeza qué idioma usa el usuario, no necesita configuración manual.
Uso básico
# Auditar para un usuario de chino
python3 halucatch_core.py --skill-dir /ruta/al/skill --lang zh-CN
# Auditar para un usuario de inglés
python3 halucatch_core.py --skill-dir /ruta/al/skill --lang en
# Detección automática (fallback)
python3 halucatch_core.py --skill-dir /ruta/al/skill
Flujo de ejecución
Paradigma de ejecución: Cada Phase asigna responsabilidades según un modelo de invocación de tres niveles.
halucatch_core.pycompleta L1/L2/L3 en una sola ejecución; tú lees los archivos de informe generados y los muestras al usuario.
Phase 0: Clasificación del Skill
Primero determina el tipo de Skill:
¿Este Skill involucra procesamiento de datos?
├─ ❌ Tipo puramente metodológico (instrucciones/plantillas/documentos)
│ Énfasis de evaluación: integridad de instrucciones, coherencia lógica, reproducibilidad
│
├─ ✅ Tipo ingeniería de código (contiene .py / archivos de datos / código incrustado en md)
│ Énfasis de evaluación: base + código + reglas + barreras
│
└─ ⚠️ No seguro
→ Preguntar al usuario: «¿Este Skill tiene pasos de procesamiento de datos?»
Si la carpeta contiene archivos .xlsx, .csv, .py (incluyendo pd.read_, pd.DataFrame) o contenido similar, se tratará por defecto como «tipo ingeniería de código».
Phase 1: Escaneo de archivos
Leer todos los archivos de la carpeta y construir un inventario:
| Punto de información | Forma de salida |
|---|---|
| Lista de nombres de archivo | Tabla (nombre/tamaño/tipo) |
| Número total de líneas de SKILL.md | Número |
| Líneas de archivos .py (si los hay) | Número |
| Lista de archivos de datos | Tabla |
| Nombre y descripción del Skill | Extraído del frontmatter |
Phase 2: Evaluación multidimensional
Según la clasificación de Phase 0, ejecutar las comprobaciones de las dimensiones de evaluación correspondientes.
2a. Evaluación de Skill tipo ingeniería de código
🏗️ Evaluación de base
Verificar si el pipeline de datos del Skill es sólido. Cuanto más débil es la base, mayor es la probabilidad de que la IA cometa errores al escribir código de forma autónoma.
| Elemento de verificación | Criterio de aprobación |
|---|---|
| Tiene script .py consolidado | El script existe en la carpeta |
| Parametrización de rutas | Número de rutas codificadas = 0 |
| Verificación previa de nombres de columna/validación de entrada | Tiene función check_columns o similar |
| Modo validate | Tiene modo --validate o similar |
| Mecanismo de descubrimiento de archivos | Usa glob/comodines en lugar de nombres fijos |
| Declaración de dependencias | Declara los paquetes de Python necesarios en SKILL.md |
| Parametrización de skiprows | El número de filas a saltar en Excel es configurable o se detecta automáticamente |
Calificación: 🟢 Sólida / 🟡 Con riesgos / 🔴 Sin base
🤖 Evaluación de riesgo de código
Si SKILL.md tiene código Python incrustado (que la IA debe reproducir textualmente), verificar los siguientes puntos de alteración:
| Categoría de verificación | Patrón de alto riesgo | Comportamiento de posible error de la IA |
|---|---|---|
| Funciones estadísticas | Fórmula de p-value personalizada, cálculo de Z-score | Reemplazar por scipy.stats / ajustar constantes |
| Coincidencia de cadenas | Análisis de porcentajes en clean_rate() | Reemplazar replace('%','') por una escritura diferente |
| Comparación de punto flotante | == 0 / == 1 | Cambiar a math.isclose() (semántica diferente) |
| Manejo de excepciones | except: pass desnudo | Cambiar a tipos de excepción específicos |
| Lógica condicional | (condición).sum() > 0 | Cambiar a .any(axis=1) (comportamiento diferente) |
| Lógica de agregación | unstack(fill_value=0) | Eliminar fill_value (propagación de NaN) |
| Limpieza de datos | Sin instrucciones de conversión de tipos de datos | Posible error al hacer sum() en columnas de cadenas |
Calificación: 🟢 Bajo riesgo / 🟠 Con riesgo / 🔴 Alto riesgo
📝 Evaluación de reglas y criterios
Verificar si la descripción de las reglas de negocio en SKILL.md es clara y sin ambigüedades:
| Elemento de verificación | Riesgo |
|---|---|
| ¿Los criterios de canal/clasificación están claramente enumerados? | Ambigüedad → La IA adivina por su cuenta |
| ¿Están definidos los valores atípicos/condiciones límite? | Omitido → La IA maneja por su cuenta |
| ¿Las relaciones de mapeo/herencia están consolidadas (no dependen del conocimiento de la IA)? | No consolidadas → Diferentes IAs producen resultados diferentes |
| ¿Están definidos los criterios de comparación (misma tienda, año tras año, etc.)? | No definidos → La IA decide por sí misma, no es auditable |
| ¿Las reglas de corrección especiales (como agregación temporal) están documentadas? | No documentadas → Omitir lógica comercial clave |
| ¿Están acordados los nombres de archivo/nombres de columna/formato de datos? | Sin acuerdo → No se puede ejecutar |
Calificación: 🟢 Clara / 🟡 Con ambigüedad / 🔴 Omisión grave
🛡️ Evaluación de barreras de interpretación
Verificar si SKILL.md restringe la forma en que la IA interpreta los resultados:
| Elemento de verificación | Gravedad |
|---|---|
| Prohibición de lenguaje causal | Ausente → 🔴 Grave |
| Marco de cuatro cuadrantes/tamaño del efecto | Ausente → 🟠 Alta |
| Mecanismo de autoverificación (self-check) | Ausente → 🟠 Alta |
| Advertencia de comparaciones múltiples | Ausente → 🟠 Alta |
| Plantilla de declaración de limitaciones | Ausente → 🟠 Alta |
| Salida de estado por fases | Ausente → 🟡 Media |
| Impresión de resumen estadístico de datos | Ausente → 🟡 Media |
| Definición del formato de salida | Ausente → 🟡 Media |
Calificación: 🟢 Completa / 🟡 Faltan elementos / 🔴 Sin barreras
2b. Evaluación de Skill tipo puramente metodológico
| Elemento de verificación | Descripción |
|---|---|
| Integridad de las instrucciones | Cada paso tiene una entrada/salida/condición de decisión clara |
| Casos límite | ¿Hay ramas de manejo de excepciones «si... entonces...»? |
| Reproducibilidad | ¿Diferentes IAs llegarían a las mismas conclusiones? |
| Impulsado por ejemplos | ¿Incluye ejemplos concretos para ilustrar el resultado esperado? |
| Definición del formato de salida | ¿La estructura de salida de la IA está restringida? |
| Autoverificación | ¿El resultado de la ejecución del Skill puede verificarse a sí mismo? |
Calificación: 🟢 Confiable / 🟡 Con margen de mejora / 🔴 No confiable
⚠️ Confirmación antes de ejecutar: Antes de comenzar a escanear archivos, ejecutar
halucatch_core.pyo generar informes, primero debes confirmar con el usuario que la ruta objetivo es correcta e informarle de las operaciones que se realizarán (leer archivos del directorio objetivo, ejecutar script local, generar informes en el directorio reports/). No se debe realizar ninguna operación de lectura/escritura sin confirmación explícita.
Phase 3: Salida de tres versiones
Cambio central: Los informes son generados automáticamente por halucatch_core.py (reporter.py). Ya no necesitas redactar el cuerpo del informe de forma independiente. Solo eres responsable de:
- Leer los archivos de informe generados por el script
- Mostrar la versión estándar en la conversación
- Agregar análisis semántico complementario sobre la base del informe generado (asociar elementos de nivel
info)
Regla de decisión de salida: Las tres versiones del informe siempre se generan mediante el script y se guardan en disco; en la conversación solo se muestra la versión estándar.
- Ejecutar
halucatch_core.py --skill-dir <ruta>→ El script completa automáticamente el escaneo L1 + evaluación L2 + generación de informe L3 - Se escriben tres archivos
.mden el directorioHaluCatch/reports/(o en la ruta especificada por--output-dir) - En la conversación solo se muestra la versión estándar (lenguaje llano, sin jerga técnica)
- Al final de la versión estándar se incluye el aviso: «¿Necesitas ver los detalles técnicos (versión profesional) o el plan de corrección (versión de acción)?»
- Si el usuario dice «sí» → mostrar el contenido de la versión correspondiente en la conversación (el archivo ya está en disco, se lee y se muestra directamente)
- Si el usuario no responde → no se muestra activamente, para evitar sobrecarga de información
1. Versión profesional (para analistas de datos/ingenieros)
Generada automáticamente por reporter.py, incluye resumen TL;DR, tabla de matriz de calificación de cuatro dimensiones, lista de hallazgos por dimensión y declaración de verificación.
2. Versión estándar (para áreas de negocio/personal no técnico)
Generada automáticamente por reporter.py, incluye resumen en lenguaje llano, 21 puntos de mapeo de explicación contextual y salida sin jerga técnica.
3. Versión de acción para IA (para usar en la fase de corrección)
Generada automáticamente por reporter.py, incluye lista de correcciones, puntos de verificación y aviso de selección entre tres opciones.
Declaración de verificación del informe
Todas las tres versiones del informe deben incluir la línea de verificación al final:
> Este informe ha sido generado por HaluCatch. Estado de la verificación: [✅ Evaluación de cuatro dimensiones de HaluCatch completada / ⚠️ Algunas dimensiones de evaluación no se completaron].
Si alguna dimensión no se ha cubierto durante la evaluación (por ejemplo, un Skill tipo ingeniería de código pero el usuario no proporcionó archivos .py), el nivel de verificación se reducirá a ⚠️.
Complemento semántico de la IA (basado en el informe del script)
Después de leer el informe generado por el script, revisa los hallazgos uno por uno y realiza un análisis contextual ordenado por gravedad de mayor a menor:
| Calificación original | La IA debe juzgar |
|---|---|
| 🔴 Bloqueante | ¿Qué tan grave es este riesgo en el negocio real? ¿Realmente provocaría una falla de ejecución? ¿Cuál es la prioridad de corrección? |
| 🟠 Alto riesgo | ¿El contexto realmente constituye un riesgo? ¿Existe la posibilidad de que el script haya dado una falsa alarma? ¿Se necesita detallar el plan de corrección? |
| 🟡 Aviso | ¿Los elementos omitidos son realmente razonables? ¿Hay riesgos importantes que el script haya pasado por alto? |
| 🟢 Aprobado | ✅ El script juzga correctamente, no se necesita complemento |
Formato de salida: Debajo de cada elemento de hallazgo, agregar una línea > **Análisis de la IA**: [Juicio específico].
Phase 4: Decisión de corrección y cierre
Una vez completada la evaluación, muestra el informe de la versión estándar al usuario y pregunta:
Se detectaron [N] riesgos. ¿Se deben corregir según el plan sugerido?
-
El usuario dice «corregir» → Generar un plan de corrección y luego mostrar las tres opciones:
Plan de corrección generado. Por favor, elige:
- Ejecutar corrección — Envía el plan de corrección a tu IA para que modifique el Skill objetivo según el plan
- No ejecutar — No realizar ninguna modificación, finalizar esta auditoría
- Tengo una mejor idea — Describe tu idea, y generaré un nuevo plan de corrección basado en ella
- El usuario elige «Ejecutar» → Indicar al usuario que deje que la IA aplique la corrección → Indicar que después de la corrección, vuelva a ejecutar HaluCatch para verificar
- El usuario elige «No ejecutar» → Finalizar
- El usuario elige «Sugerir» → Reanalizar los requisitos adicionales → Volver a «Generar plan de corrección»
-
El usuario dice «no corregir» → Finalizar
Almacenamiento de informes
- Por defecto, se guardan en el directorio
HaluCatch/reports/(no contaminan el directorio del Skill objetivo) - Si se especifica
--output-dir, se guardan en una ruta personalizada - El paquete de corrección (si lo hay) se guarda en:
{DirectorioSkill}/halucatch-fix/
Más ejemplos de activación
Según profundidad de auditoría
| El usuario dice | Acción de la IA |
|---|---|
| «Revisa este Skill para mí, mira si es confiable» | Proceso completo: clasificación → evaluación de cuatro dimensiones → informe de tres versiones |
| «Échale un vistazo rápido, si hay trampas evidentes» | Solo hacer escaneo Phase 1 + verificación de reglas L1/L2 de Phase 2, generar una lista de verificación resumida |
| «Esta vez solo céntrate en si el código tiene divisiones por cero / except desnudo, ese tipo de errores graves» | Saltar las dimensiones de reglas y barreras, solo ejecutar verificación de base + código |
| «Después de la última auditoría modifiqué SKILL.md, ayúdame a ejecutarla de nuevo y comparar» | Reauditar, comparar con el informe anterior, marcar el estado de corrección |
Según tipo de Skill
| El usuario dice | Acción de la IA |
|---|---|
| «Mi Skill tiene una carpeta data/ y un script .py, ayúdame a auditarlo por completo» | Clasificar como tipo ingeniería de código, cubrir las cuatro dimensiones |
| «Este es un Skill de tipo guía/documento puro, ayúdame a ver si las instrucciones están escritas con claridad» | Clasificar como tipo puramente metodológico, solo evaluar metodología y barreras |
Escritura de rutas (diferencias entre plataformas)
| Plataforma | Escritura correcta | ❌ Escritura incorrecta |
|---|---|---|
| Claude Code / General | /ruta/al/skill | C:\ruta\al\skill |
| Kimi / Mini programa WeChat | skills/nombre-proyecto/ | ~/skills/nombre-proyecto/ |
| Cursor / VS Code | Arrastrar la carpeta al cuadro de diálogo | Escribir la ruta compleja manualmente |
Si aún no sabes cómo usarlo
Simplemente di: «Revisa este Skill» y arrastra la carpeta del Skill al cuadro de diálogo, o pega el contenido de SKILL.md. La IA determinará los siguientes pasos por sí misma.
Manejo de excepciones
Errores comunes y corrección
| Síntoma de error | Causa | Método de corrección |
|---|---|---|
❌ No se encuentra SKILL.md | El directorio objetivo no existe o no tiene archivos .md | Confirmar que la ruta es correcta → Verificar si el directorio tiene SKILL.md u otros archivos .md → Si no, crear uno |
⚠️ No se encontró SKILL.md estándar | El nombre del archivo no es SKILL.md (por ejemplo, skill.md, README.md) | Renombrar el archivo a SKILL.md, o indicar a la IA que use --file para especificar el nombre del archivo |
🔧 Error de codificación de archivo, se omitió XXX.py | El archivo contiene caracteres que no son UTF-8 (por ejemplo, comentarios en chino con codificación GBK) | Usar un editor para guardar el archivo como UTF-8, o cambiar los comentarios a inglés |
📦 El paquete Skill es demasiado grande (> 2 MB) | El directorio contiene una gran cantidad de archivos de datos o paquetes de dependencias | Mantener solo los archivos principales (SKILL.md + script .py), colocar los archivos de datos y dependencias en .halucatch-ignore |
⏱️ Tiempo de auditoría agotado | Demasiados archivos o tiempo de ejecución del script demasiado largo | Indicar a la IA: «Solo audita SKILL.md y los archivos .py principales» |
Clasificación de errores
| Nivel | Comportamiento |
|---|---|
| Fatal (por ejemplo, el directorio no existe) | Terminar inmediatamente, proporcionar instrucciones claras de corrección |
| Advertencia (por ejemplo, nombre de archivo no estándar) | Continuar la auditoría pero reducir la puntuación de autoverificación, marcar en el informe |
| Recuperable (por ejemplo, problema de codificación de un solo archivo) | Omitir ese archivo y continuar, marcar en el informe el archivo omitido y el motivo |
Estabilidad de ejecución
Medidas de protección
| Escenario | Estrategia de protección |
|---|---|
| Archivo grande (único > 1 MB) | Analizar solo las primeras 500 líneas, declarar el truncamiento en el informe |
| Gran cantidad de archivos (directorio > 200 archivos) | Filtrar por tipo (.md → .py → otros), omitir automáticamente los archivos no principales |
| Tiempo de ejecución del script agotado (> 30 s) | Terminar ese paso, escribir las partes ya verificadas en el informe, marcar los elementos no completados |
| Solicitudes de red | HaluCatch no realiza solicitudes de red, funciona 100% sin conexión |
| Problemas de codificación | Intentar primero UTF-8 → luego intentar locale del sistema → si falla, omitir y registrar |
| Directorio no legible | Informar error de permisos, sugerir al usuario chmod o cambiar de ruta |
Declaración de confiabilidad
HaluCatch funciona de manera estable en directorios de Skill normales (≤ 50 archivos, archivo único ≤ 1 MB). En casos extremos, se degradará automáticamente (truncamiento/omisión/terminación) sin fallar silenciosamente.
Antipatrones y FAQ
Conceptos erróneos comunes
| Concepto erróneo | Comprensión correcta |
|---|---|
| «Una auditoría es suficiente» | Cada vez que se modifica el Skill, se debe volver a auditar, especialmente después de modificar SKILL.md o archivos .py clave |
| «Puntuación baja = no se puede usar» | La puntuación es una referencia relativa. Un Skill puramente metodológico con «base débil pero reglas claras» puede ser perfectamente utilizable |
| «Corregir todos los problemas antes de publicar» | Priorizar la corrección de elementos de alta prioridad (🔴) y prioridad media (🟠); los elementos de baja prioridad se pueden mejorar de forma incremental |
| «La versión de acción del informe para IA se puede ejecutar directamente» | La versión de acción son instrucciones de corrección para la IA, deben ser confirmadas por el usuario antes de que la IA las ejecute, para evitar modificaciones no deseadas |
«Usar el modo --validate cuenta como auditoría» | --validate solo realiza escaneo de archivos y clasificación tipológica, no hace evaluación de cuatro dimensiones. La auditoría formal debe ejecutarse por completo |
FAQ
P: ¿Qué necesito preparar?
R: Una carpeta que contenga SKILL.md. Si tienes scripts .py o archivos de datos, inclúyelos también para una evaluación más completa.
P: El resultado de la auditoría dice que no pasa, ¿qué hago? R: Mira la «Versión de acción para IA» en el informe, que contiene un plan de corrección elemento por elemento. Corrige por orden de prioridad de mayor a menor, y después de corregir, audita de nuevo para verificar.
P: Mi Skill no tiene código Python, ¿puedo usarlo? R: Sí. HaluCatch lo clasificará automáticamente como «tipo puramente metodológico», saltará las comprobaciones de base y código, y se centrará en evaluar la integridad de las instrucciones y las barreras.
P: ¿Qué hago si encuentro un error? R: Consulta la sección «Manejo de excepciones» anterior. El 90% de los errores se deben a una ruta mal escrita o a un nombre de archivo no estándar. Si no se puede resolver, pega el mensaje de error a la IA.
💡 ¿Más preguntas? Consulta
FAQ.md— contiene una guía de uso completa, preguntas frecuentes y solución de problemas.