CommunityRedacción y edicióngithub.com

HaluCatch / 捕幻

Herramienta de auditoría de confiabilidad para Skills de IA. Evalúa la reproducibilidad, confiabilidad y adecuación al negocio cuando un Skill es ejecutado por una IA. Halu = Alucinación, Catch = Captura.

¿Qué es 捕幻?

HaluCatch (捕幻) es un skill de agente de IA diseñado para realizar auditorías de confiabilidad sobre otros skills de IA. Su propósito es evaluar si un skill se ejecutará de manera reproducible, fiable y alineada con el negocio cuando es invocado por un modelo de lenguaje. Funciona mediante un marco de evaluación de cuatro dimensiones: base técnica, código, reglas de negocio y barreras de interpretación. Está optimizado para plataformas como Claude Code, Cursor y Codex, y puede manejar tanto skills de tipo ingeniería de código (con scripts Python y datos) como skills puramente metodológicos (instrucciones y documentos). HaluCatch automatiza gran parte del proceso mediante un script central (`halucatch_core.py`) que realiza escaneo de archivos, evaluación multidimensional y generación de tres versiones de informes (técnico, estándar y de acción), dejando al asistente solo la tarea de presentar los resultados al usuario y agregar análisis semántico complementario. Es una herramienta útil para desarrolladores que desean garantizar que sus skills sean robustos, estén libres de ambigüedades y no generen alucinaciones o errores en producción.

Compatible con✓Claude Code~Codex CLI✓Cursor
npx skills add CoderMoray/HaluCatch

Installed? Explore more Redacción y edición skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

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

CompetenteNo competente
Evaluar si la IA cometerá errores al ejecutar el skillAuditoría de seguridad informática (SQL injection, XSS, etc.)
Verificar si el pipeline de datos es confiableAuditoría de cumplimiento normativo (GDPR, privacidad, etc.)
Detectar ambigüedades en reglas de negocio en lenguaje naturalCorrección de la lógica de negocio del skill (no entiende la lógica empresarial)
Verificar si existen barreras de interpretación adecuadasOptimización del rendimiento del código
Generar recomendaciones de corrección y scripts baseReemplazar 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.py para 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

NivelTareaEjecutorPrincipio
L1Escaneo de archivoshalucatch_core.py --validateAlta determinismo, el script es más rápido y preciso
L2Evaluación de base + código + reglas + barrerasEl script obtiene la línea base JSON → tú complementas con análisis sobre ellaCoincidencia de patrones por el script, interpretación de contexto por ti
L3Generación de tres versiones de informeshalucatch_core.py genera y guarda los informes, tú los lees y los muestras al usuarioreporter.py es determinista, formato consistente, cero alucinaciones — tú solo agregas el complemento semántico

Principio central: halucatch_core.py cubre 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:

OperaciónNecesarioDescripción
Leer el directorio del Skill objetivoLecturaLeer recursivamente todos los archivos
Escribir archivos de informeEscrituraSolo escribe en el directorio reports/, no modifica el Skill objetivo
Ejecutar scripts de PythonBashSolo 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 archivoObligatorioDescripción
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 .py en el directorio se consideran scripts centrales de ejecución del Skill, no bibliotecas de terceros.

Ejemplos de consultas de usuario

El usuario diceAcción 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 usuarioParámetroEjemplo
Chino (simplificado/tradicional)--lang zh-CNpython3 halucatch_core.py --skill-dir <ruta> --lang zh-CN
Inglés--lang enpython3 halucatch_core.py --skill-dir <ruta> --lang en
No seguroNo 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.py completa 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 informaciónForma de salida
Lista de nombres de archivoTabla (nombre/tamaño/tipo)
Número total de líneas de SKILL.mdNúmero
Líneas de archivos .py (si los hay)Número
Lista de archivos de datosTabla
Nombre y descripción del SkillExtraído 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 verificaciónCriterio de aprobación
Tiene script .py consolidadoEl script existe en la carpeta
Parametrización de rutasNúmero de rutas codificadas = 0
Verificación previa de nombres de columna/validación de entradaTiene función check_columns o similar
Modo validateTiene modo --validate o similar
Mecanismo de descubrimiento de archivosUsa glob/comodines en lugar de nombres fijos
Declaración de dependenciasDeclara los paquetes de Python necesarios en SKILL.md
Parametrización de skiprowsEl 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 verificaciónPatrón de alto riesgoComportamiento de posible error de la IA
Funciones estadísticasFórmula de p-value personalizada, cálculo de Z-scoreReemplazar por scipy.stats / ajustar constantes
Coincidencia de cadenasAnálisis de porcentajes en clean_rate()Reemplazar replace('%','') por una escritura diferente
Comparación de punto flotante== 0 / == 1Cambiar a math.isclose() (semántica diferente)
Manejo de excepcionesexcept: pass desnudoCambiar a tipos de excepción específicos
Lógica condicional(condición).sum() > 0Cambiar a .any(axis=1) (comportamiento diferente)
Lógica de agregaciónunstack(fill_value=0)Eliminar fill_value (propagación de NaN)
Limpieza de datosSin instrucciones de conversión de tipos de datosPosible 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 verificaciónRiesgo
¿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 verificaciónGravedad
Prohibición de lenguaje causalAusente → 🔴 Grave
Marco de cuatro cuadrantes/tamaño del efectoAusente → 🟠 Alta
Mecanismo de autoverificación (self-check)Ausente → 🟠 Alta
Advertencia de comparaciones múltiplesAusente → 🟠 Alta
Plantilla de declaración de limitacionesAusente → 🟠 Alta
Salida de estado por fasesAusente → 🟡 Media
Impresión de resumen estadístico de datosAusente → 🟡 Media
Definición del formato de salidaAusente → 🟡 Media

Calificación: 🟢 Completa / 🟡 Faltan elementos / 🔴 Sin barreras


2b. Evaluación de Skill tipo puramente metodológico

Elemento de verificaciónDescripción
Integridad de las instruccionesCada 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.py o 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:

  1. Leer los archivos de informe generados por el script
  2. Mostrar la versión estándar en la conversación
  3. 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.

  1. Ejecutar halucatch_core.py --skill-dir <ruta> → El script completa automáticamente el escaneo L1 + evaluación L2 + generación de informe L3
  2. Se escriben tres archivos .md en el directorio HaluCatch/reports/ (o en la ruta especificada por --output-dir)
  3. En la conversación solo se muestra la versión estándar (lenguaje llano, sin jerga técnica)
  4. 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)?»
  5. 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)
  6. 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 originalLa 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:

    1. Ejecutar corrección — Envía el plan de corrección a tu IA para que modifique el Skill objetivo según el plan
    2. No ejecutar — No realizar ninguna modificación, finalizar esta auditoría
    3. 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 diceAcción 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 diceAcción 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)

PlataformaEscritura correcta❌ Escritura incorrecta
Claude Code / General/ruta/al/skillC:\ruta\al\skill
Kimi / Mini programa WeChatskills/nombre-proyecto/~/skills/nombre-proyecto/
Cursor / VS CodeArrastrar la carpeta al cuadro de diálogoEscribir 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 errorCausaMétodo de corrección
❌ No se encuentra SKILL.mdEl directorio objetivo no existe o no tiene archivos .mdConfirmar 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 estándarEl 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.pyEl 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 dependenciasMantener solo los archivos principales (SKILL.md + script .py), colocar los archivos de datos y dependencias en .halucatch-ignore
⏱️ Tiempo de auditoría agotadoDemasiados archivos o tiempo de ejecución del script demasiado largoIndicar a la IA: «Solo audita SKILL.md y los archivos .py principales»

Clasificación de errores

NivelComportamiento
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

EscenarioEstrategia 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 redHaluCatch no realiza solicitudes de red, funciona 100% sin conexión
Problemas de codificaciónIntentar primero UTF-8 → luego intentar locale del sistema → si falla, omitir y registrar
Directorio no legibleInformar 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 erróneoComprensión 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.

Skills relacionados