CommunityRédaction et éditiongithub.com

HaluCatch / 捕幻 — Vérification de fiabilité d'exécution des Skil…

Outil d’évaluation de la fiabilité d’exécution d’un Skill IA. Il examine la reproductibilité, la crédibilité et l’adéquation métier d’un Skill lorsqu’il est exécuté par une IA.

Qu'est-ce que 捕幻 — Vérification de fiabilité d'exécution des Skil… ?

HaluCatch est un outil de vérification de fiabilité conçu pour les Skills d’agents IA. Il automatise l’évaluation de la reproductibilité, de la cohérence logique et de l’adéquation métier d’un Skill en analysant son répertoire complet. L’outil classe d’abord le type du Skill (méthodologie pure ou ingénierie de code), puis exécute une évaluation multidimensionnelle via le script `halucatch_core.py` qui couvre les phases L1 (analyse des fichiers), L2 (évaluation de la base, du code, des règles et des garde-fous) et L3 (génération de trois rapports : version standard, technique et actions de correction). L’IA lit les rapports générés et effectue une analyse sémantique complémentaire pour contextualiser les risques. Il ne nécessite aucun accès réseau et fonctionne entièrement en local, ce qui le rend idéal pour auditer des Skills avant déploiement. Compatible avec Claude Code, Cursor, Codex et autres plateformes d’agents IA.

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

Installed? Explore more Rédaction et édition skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

HaluCatch / 捕幻 — Vérification de fiabilité d'exécution des Skills IA

Évalue la fiabilité d’un Skill lors de son exécution par une IA, produit un rapport d’évaluation et des recommandations de correction.


Périmètre fonctionnel

CompétencesNon compétences
Évaluer si un Skill risque d’échouer lors de l’exécution par l’IAAudit de sécurité (injection SQL, XSS, etc.)
Vérifier la fiabilité du pipeline de donnéesConformité réglementaire (RGPD, lois sur la vie privée, etc.)
Détecter les ambiguïtés dans les règles métier en langage naturelExactitude métier du Skill (ne comprend pas la logique métier)
Vérifier la présence de garde-fous d’interprétationOptimisation des performances du code
Produire des recommandations de correction et des scripts squelettesRemplacement des décisions métier humaines

Rôle

Lorsque l’utilisateur appelle HaluCatch, vous êtes l’exécutant de la vérification HaluCatch, pas un observateur.

Responsabilités

  • Lire tous les fichiers du répertoire du Skill cible
  • Exécuter l’évaluation selon le framework à quatre dimensions
  • Appeler halucatch_core.py en une fois pour tout le processus (scan L1 + évaluation L2 + génération des rapports L3)
  • Lire les fichiers de rapport générés par le script, afficher la version standard dans la conversation, demander si des corrections sont nécessaires
  • Ajouter une analyse sémantique complémentaire (entrées de niveau info) sur la base du rapport du script

Répartition des tâches entre vous et halucatch_core.py

NiveauTâcheExécutantPrincipe
L1Scan des fichiershalucatch_core.py --validateDéterministe, le script est plus rapide et précis
L2Vérification base + code + règles + garde-fousLe script prend la baseline JSON → vous ajoutez l’analyse complémentaireCorrespondances regex par le script, interprétation contextuelle par vous
L3Génération des trois rapportshalucatch_core.py génère et sauvegarde, vous lisez et affichez à l’utilisateurreporter.py est déterministe, format cohérent, zéro hallucination – vous ne faites que l’analyse sémantique complémentaire

Principe clé : halucatch_core.py couvre tout le processus — scan L1, évaluation L2, génération des rapports L3 en une seule exécution. Vous lisez simplement les rapports générés par le script et les affichez à l’utilisateur. Vous ne rédigez plus indépendamment le corps du rapport.

Permissions et limites de sécurité

HaluCatch nécessite uniquement les autorisations suivantes pour fonctionner :

OpérationNécessitéDescription
Lire le répertoire du Skill cibleLectureLecture récursive de tous les fichiers
Écrire les fichiers de rapportÉcritureÉcriture uniquement dans le répertoire reports/, ne modifie pas le Skill cible
Exécuter un script PythonBashExécute uniquement halucatch_core.py, n’effectue aucune requête réseau

Contrainte de sécurité : HaluCatch n’accède à aucun chemin en dehors du répertoire cible, n’effectue aucune connexion réseau, ne modifie aucun fichier du Skill audité. Le chemin cible doit être explicitement spécifié par l’utilisateur avant l’audit.


Entrée

L’utilisateur fournit un chemin de répertoire de Skill. Ce répertoire peut contenir :

Type de fichierObligatoireDescription
SKILL.md✅Fichier d’instructions principal du Skill
manifest.json ou config.yaml❌Fichier de configuration du Skill (version, etc.)
*.py❌Scripts de pipeline de données (le cas échéant)
*.xlsx / *.csv etc.❌Fichiers de données (le cas échéant, pour validation de rapprochement)

Exigences de données

  • Actualité : L’audit est basé sur un instantané immédiat du répertoire du Skill cible, sans remonter aux versions historiques.
  • Périmètre des données : Évalue uniquement les fichiers visibles dans le répertoire cible, sans récupérer de dépendances externes ou de ressources réseau.

Hypothèses préalables

  • Le répertoire cible existe et est accessible en lecture.
  • Le Skill cible doit contenir au moins un fichier SKILL.md (nom standard). Si d’autres fichiers .md sont présents, l’IA tentera une correspondance heuristique mais signalera un problème de conformité.
  • Les fichiers .py dans le répertoire sont considérés comme des scripts d’exécution principaux du Skill, et non comme des bibliothèques tierces.

Exemples de formulations utilisateur

L’utilisateur ditAction de l’IA
« Vérifie ce Skill avec HaluCatch : /path/to/skill »Processus standard : scan → classification → évaluation multidimensionnelle → sortie des trois versions
« Vérifie ./data-skill, concentre-toi sur le pipeline de données »Classification comme type ingénierie de code, met l’accent sur les dimensions base et code
« Vérifie ./guide-skill, vois si les instructions sont assez claires »Classification comme type purement méthodologique, sortie de l’évaluation méthodologique
« Scanne ./my-skill en mode --validate »Sortie uniquement de la liste des fichiers et de la classification des types, sans évaluation
« Vérifie ce Skill puis corrige les problèmes détectés »Évaluation → confirmation utilisateur « corriger » → génération automatisée de plan de correction

Guide d’exécution pour l’IA

Détection automatique de la langue

Lors du chargement de ce Skill, l’IA doit détecter la langue de l’utilisateur à partir de l’invite système (<response_language>) ou du contexte de la conversation, puis ajouter automatiquement le paramètre --lang :

Langue de l’utilisateurParamètreExemple
Chinois (simplifié/traditionnel)--lang zh-CNpython3 halucatch_core.py --skill-dir <chemin> --lang zh-CN
Anglais--lang enpython3 halucatch_core.py --skill-dir <chemin> --lang en
IncertainNe pas ajouter (défaut auto, détection automatique de la locale système)python3 halucatch_core.py --skill-dir <chemin>

Principe : L’IA sait quelle langue l’utilisateur utilise, pas besoin de configuration manuelle.

Utilisation de base

# Pour un utilisateur chinois
python3 halucatch_core.py --skill-dir /chemin/vers/le/skill --lang zh-CN

# Pour un utilisateur anglais
python3 halucatch_core.py --skill-dir /chemin/vers/le/skill --lang en

# Détection automatique (fallback)
python3 halucatch_core.py --skill-dir /chemin/vers/le/skill

Processus d’exécution

Paradigme d’exécution : Chaque Phase suit le modèle de répartition à trois niveaux. halucatch_core.py effectue L1/L2/L3 en une seule fois, vous lisez les fichiers de rapport générés et les affichez à l’utilisateur.

Phase 0 : Classification du Skill

Déterminez d’abord le type de ce Skill :

Ce Skill implique-t-il un traitement de données ?
  ├─ ❌ Type purement méthodologique (instructions/modèles/documentation)
  │    Points d’évaluation : exhaustivité des instructions, cohérence logique, reproductibilité
  │
  ├─ ✅ Type ingénierie de code (contient .py / fichiers de données / code intégré dans .md)
  │    Points d’évaluation : base + code + règles + garde-fous
  │
  └─ ⚠️ Incertain
        → Demander à l’utilisateur : « Ce Skill comporte-t-il des étapes de traitement de données ? »

Si le répertoire contient des fichiers .xlsx, .csv, .py (contenant pd.read_, pd.DataFrame, etc.) ou leur contenu, il est traité par défaut comme « type ingénierie de code ».

Phase 1 : Scan des fichiers

Lisez tous les fichiers du répertoire et construisez un inventaire :

Point d’informationFormat de sortie
Liste des noms de fichiersTableau (nom/taille/type)
Nombre total de lignes de SKILL.mdNombre
Nombre de lignes des fichiers .py (le cas échéant)Nombre
Liste des fichiers de donnéesTableau
Nom et description du SkillExtrait du frontmatter

Phase 2 : Évaluation multidimensionnelle

Selon la classification de la Phase 0, exécutez les vérifications correspondant aux dimensions d’évaluation.


2a. Évaluation pour un Skill de type ingénierie de code

🏗️ Évaluation de la base

Vérifiez la solidité du pipeline de données du Skill. Plus la base est faible, plus le risque d’erreur lors de l’écriture de code par l’IA est élevé.

Point de vérificationCritère de réussite
Présence d’un script .py figéLe script existe dans le répertoire
Paramétrage des cheminsNombre de chemins codés en dur = 0
Validation des noms de colonnes / entréePrésence de check_columns ou fonction similaire
Mode validatePrésence de --validate ou mode similaire
Mécanisme de découverte de fichiersUtilisation de glob/* wildcard plutôt que nom de fichier fixe
Déclaration des dépendancesDéclaration des packages Python nécessaires dans SKILL.md
Paramétrage skiprowsLignes de début de lecture Excel configurables ou détectées automatiquement

Évaluation : 🟢 Solide / 🟡 Présente des risques / 🔴 Aucune base


🤖 Évaluation des risques du code

Si SKILL.md contient du code Python intégré (que l’IA doit reproduire textuellement), vérifiez les points suivants :

Catégorie de vérificationModèle à haut risqueComportement possible de l’IA erroné
Fonctions statistiquesFormule p-value personnalisée, calcul Z-scoreRemplacé par scipy.stats / ajustement des constantes
Correspondance de chaînesAnalyse de pourcentage dans clean_rate()replace('%','') remplacé par une autre écriture
Comparaison flottante== 0 / == 1Remplacé par math.isclose() (sémantique différente)
Gestion des exceptionsexcept: pass nuRemplacé par un type d’exception spécifique
Logique conditionnelle(condition).sum() > 0Remplacé par .any(axis=1) (comportement différent)
Logique d’agrégationunstack(fill_value=0)Suppression de fill_value (propagation NaN)
Nettoyage des donnéesAucune instruction de conversion de type de donnéesErreur sum() sur une colonne de chaînes

Évaluation : 🟢 Risque faible / 🟠 Présente un risque / 🔴 Risque élevé


📝 Évaluation des règles et des définitions

Vérifiez si les descriptions des règles métier dans SKILL.md sont claires et sans ambiguïté :

Point de vérificationRisque
Les définitions des canaux/classifications sont-elles énumérées explicitement ?Ambiguïté → l’IA devine
Les valeurs aberrantes/conditions aux limites sont-elles définies ?Omission → l’IA gère arbitrairement
Les relations de mapping/héritage sont-elles figées (plutôt que dépendantes de la connaissance de l’IA) ?Non figé → différents résultats selon les IA
Les définitions des comparaisons (même magasin, même année, etc.) sont-elles définies ?Non défini → l’IA décide seule, non auditable
Les règles de correction spéciales (ex. Hainan Ju Shi) sont-elles documentées ?Non documenté → omission de logique métier cruciale
Les conventions sur les noms de fichiers/colonnes/format de données sont-elles établies ?Non établi → échec d’exécution

Évaluation : 🟢 Claire / 🟡 Ambiguë / 🔴 Omission majeure


🛡️ Évaluation des garde-fous d’interprétation

Vérifiez si SKILL.md contraint la manière dont l’IA interprète les résultats :

Point de vérificationGravité
Interdiction du langage causalManquant → 🔴 Critique
Cadre à quatre quadrants/taille d’effetManquant → 🟠 Élevée
Mécanisme d’auto-vérification (self-check)Manquant → 🟠 Élevée
Avertissement de comparaisons multiplesManquant → 🟠 Élevée
Modèle de déclaration de limitationsManquant → 🟠 Élevée
Sortie d’état par étapesManquant → 🟡 Moyenne
Impression de statistiques récapitulatives des donnéesManquant → 🟡 Moyenne
Définition du format de sortieManquant → 🟡 Moyenne

Évaluation : 🟢 Complet / 🟡 Éléments manquants / 🔴 Aucun garde-fou


2b. Évaluation pour un Skill de type purement méthodologique

Point de vérificationDescription
Exhaustivité des instructionsChaque étape a des entrées/sorties/conditions de décision claires
Cas limitesPrésence de branches de traitement pour « si… alors… »
ReproductibilitéDifférentes IA arriveraient-elles aux mêmes conclusions ?
Exemples concretsContient-il des exemples spécifiques pour illustrer la sortie attendue ?
Définition du format de sortieLa structure de sortie de l’IA est-elle contrainte ?
Auto-validationLe résultat du Skill peut-il être vérifié de manière cohérente ?

Évaluation : 🟢 Fiable / 🟡 Améliorable / 🔴 Non fiable


⚠️ Confirmation avant exécution : Avant de commencer à scanner les fichiers, exécuter halucatch_core.py ou générer des rapports, vous devez d’abord confirmer que le chemin cible est correct avec l’utilisateur et l’informer des opérations à venir (lecture des fichiers du répertoire cible, exécution du script local, génération du rapport dans le répertoire reports/). Aucune opération de lecture/écriture ne doit être effectuée sans confirmation explicite.

Phase 3 : Sortie des trois versions

Changement principal : Les rapports sont générés automatiquement par halucatch_core.py (reporter.py). Vous n’avez plus à rédiger le corps du rapport de manière indépendante. Vous êtes seulement responsable de :

  1. Lire les fichiers de rapport générés par le script
  2. Afficher la version standard dans la conversation
  3. Ajouter une analyse sémantique complémentaire sur la base du rapport déjà généré (associée aux entrées de niveau info)

Règle de décision pour la sortie : Les trois versions de rapport sont toujours générées et sauvegardées par le script, seule la version standard est affichée dans la conversation.

  1. Exécutez halucatch_core.py --skill-dir <chemin> → Le script effectue automatiquement le scan L1 + l’évaluation L2 + la génération des rapports L3
  2. Trois fichiers .md sont écrits dans le répertoire HaluCatch/reports/ (ou --output-dir spécifié)
  3. Seule la version standard est affichée dans la conversation (langage simple, zéro jargon)
  4. La version standard se termine par : « Besoin des détails techniques (version technique) ou du plan de correction (version actions) ? »
  5. Si l’utilisateur dit « oui » → Afficher le contenu de la version correspondante dans la conversation (le fichier est déjà sur le disque, lisez-le et affichez-le directement)
  6. Si l’utilisateur ne répond pas → Ne pas afficher activement, éviter la surcharge d’informations

1. Version technique (pour analystes de données/ingénieurs)

Générée automatiquement par reporter.py, contient un résumé TL;DR, un tableau de notation à quatre dimensions, une liste des constats par dimension, et une déclaration de vérification.

2. Version standard (pour les métiers / non-techniciens)

Générée automatiquement par reporter.py, contient un résumé en langage simple, 21 cartographies d’explications contextuelles, et une sortie sans jargon.

3. Version actions IA (pour la phase de correction)

Générée automatiquement par reporter.py, contient une liste de corrections, des points de vérification, et des invites en trois étapes.

Déclaration de vérification du rapport

Toutes les trois versions doivent inclure une ligne de vérification à la fin :

> Ce rapport a été généré par HaluCatch. Progression de la vérification : [ ✅ Toutes les évaluations des quatre dimensions de HaluCatch ont été exécutées / ⚠️ Certaines dimensions d’évaluation n’ont pas été complétées ].

Si certaines dimensions n’ont pas été couvertes pendant l’évaluation (par exemple, Skill de type ingénierie de code mais l’utilisateur n’a pas fourni de fichier .py), le niveau de vérification est abaissé à ⚠️.

Analyse sémantique complémentaire de l’IA (sur la base du rapport du script)

Après avoir lu le rapport généré par le script, examinez chaque constat une par une, et effectuez une analyse contextuelle par ordre décroissant de gravité :

Note d’origineCe que l’IA doit juger
🔴 BloquantQuelle est la gravité réelle de ce risque dans le contexte métier ? Entraînerait-il vraiment un échec d’exécution ? Priorité de correction ?
🟠 Risque élevéLe contexte constitue-t-il vraiment un risque ? Y a-t-il une possibilité de faux positif du script ? Le plan de correction doit-il être détaillé ?
🟡 IndiceL’élément sauté est-il vraiment justifié ? Y a-t-il des risques importants que le script a manqués mais qui sont réels ?
🟢 Réussi✅ Le jugement du script est correct, aucune analyse complémentaire nécessaire

Format de sortie : Ajoutez une ligne > **Analyse IA** : [jugement spécifique] sous chaque constat.


Phase 4 : Décision de correction et clôture

Après l’évaluation, affichez le rapport standard à l’utilisateur et demandez :

[N] risques détectés. Souhaitez-vous les corriger selon le plan proposé ?

  • L’utilisateur dit « corriger » → Générer un plan de correction, puis afficher trois choix :

    Le plan de correction a été généré. Choisissez :

    1. Appliquer la correction — Envoyer le plan à votre IA pour qu’elle modifie le Skill cible selon le plan
    2. Ne pas appliquer — Ne faire aucune modification et terminer cet audit
    3. J’ai une meilleure idée — Décrivez votre idée, je régénère un plan de correction en conséquence
    • L’utilisateur choisit « Appliquer » → Inviter l’utilisateur à laisser l’IA appliquer la correction → Demander de relancer HaluCatch après correction pour vérification
    • L’utilisateur choisit « Ne pas appliquer » → Terminer
    • L’utilisateur choisit « Suggérer » → Ré-analyser les besoins supplémentaires → Revenir à l’étape « Générer un plan de correction »
  • L’utilisateur dit « ne pas corriger » → Terminer


Sauvegarde des rapports

  • Par défaut, sortie dans le répertoire HaluCatch/reports/ (ne pollue pas le répertoire du Skill cible)
  • Spécifier --output-dir pour une sortie vers un chemin personnalisé
  • Le pack de correction (le cas échéant) est sauvegardé dans : {RépertoireSkill}/halucatch-fix/

Exemples de déclenchement supplémentaires

Par profondeur d’audit

L’utilisateur ditAction de l’IA
« Audite ce Skill pour voir s’il est fiable »Processus complet : classification → évaluation multidimensionnelle → sortie des trois versions
« Jette un œil rapide, y a-t-il des pièges évidents »Effectuer uniquement le scan Phase 1 + les vérifications des règles L1/L2 de Phase 2, sortir une checklist simplifiée
« Cette fois, concentre-toi uniquement sur les erreurs de type division par zéro / except nu »Sauter les dimensions règles et garde-fous, exécuter uniquement la vérification base + code
« Après l’audit précédent, j’ai modifié SKILL.md, relance-le et compare-le avec le précédent »Ré-auditer, comparer avec le rapport précédent, annoter l’état de correction

Par type de Skill

L’utilisateur ditAction de l’IA
« Mon Skill a un dossier data/ et un script .py, audite-le complètement »Classification comme type ingénierie de code, couverture des quatre dimensions
« C’est un Skill purement documentaire, regarde si les instructions sont claires »Classification comme type purement méthodologique, évaluation uniquement de la méthodologie et des garde-fous

Écriture des chemins (différences selon la plateforme)

PlateformeÉcriture correcte❌ Écriture incorrecte
Claude Code / Générique/chemin/vers/skillC:\chemin\vers\skill
Kimi / Mini-programme WeChatskills/nom-projet/~/skills/nom-projet/
Cursor / VS CodeGlisser-déposer le dossier dans la boîte de dialogueSaisie manuelle d’un chemin complexe

Si vous ne savez toujours pas l’utiliser

Dites simplement : « Audite ce Skill » puis glissez-déposez le dossier du Skill, ou collez le contenu de SKILL.md. L’IA déterminera les étapes suivantes par elle-même.


Gestion des exceptions

Erreurs courantes et solutions

Erreur observéeCauseSolution
❌ Fichier SKILL.md introuvableLe répertoire cible n’existe pas ou ne contient pas de fichier .mdVérifier que le chemin est correct → Vérifier si le répertoire contient SKILL.md ou d’autres fichiers .md → Sinon, en créer un
⚠️ SKILL.md standard introuvéLe nom du fichier n’est pas SKILL.md (ex. skill.md, README.md)Renommer le fichier en SKILL.md, ou dire à l’IA d’utiliser --file pour spécifier le nom
🔧 Erreur d’encodage du fichier, XXX.py ignoréLe fichier contient des caractères non UTF-8 (ex. commentaires chinois encodés en GBK)Avec un éditeur, enregistrer le fichier en UTF-8, ou traduire les commentaires en anglais
📦 Package Skill trop volumineux (> 2 Mo)Le répertoire contient beaucoup de fichiers de données ou de dépendancesNe conserver que les fichiers essentiels (SKILL.md + scripts .py), placer les fichiers de données et dépendances dans .halucatch-ignore
⏱️ Dépassement du temps d’auditTrop de fichiers ou temps d’exécution du script trop longDire à l’IA : « Audite uniquement SKILL.md et les scripts .py essentiels »

Niveaux d’erreur

NiveauComportement
Fatal (ex. répertoire inexistant)Arrêt immédiat, fournir des instructions de correction claires
Avertissement (ex. nom de fichier non standard)Continuer l’audit mais baisser la note d’auto-vérification, le signaler dans le rapport
Récupérable (ex. problème d’encodage d’un fichier)Ignorer ce fichier et continuer, signaler le fichier ignoré et la raison dans le rapport

Stabilité d’exécution

Mesures de protection

ScénarioStratégie de protection
Fichier volumineux (un seul > 1 Mo)Analyser les 500 premières lignes, déclarer la troncature dans le rapport
Beaucoup de fichiers (répertoire > 200 fichiers)Filtrer par type (.md → .py → autres), sauter automatiquement les fichiers non essentiels
Dépassement du temps d’exécution du script (> 30 s)Arrêter cette étape, écrire les parties déjà vérifiées dans le rapport, signaler les éléments non terminés
Requêtes réseauHaluCatch n’effectue aucune requête réseau, fonctionnement 100 % hors ligne
Problème d’encodageEssayer d’abord UTF-8 → Essayer ensuite la locale système → En cas d’échec, sauter et enregistrer
Répertoire illisibleSignaler une erreur de permission, suggérer chmod ou changer de chemin

Déclaration de fiabilité

HaluCatch fonctionne de manière stable sur les répertoires de Skill normaux (≤ 50 fichiers, fichier unique ≤ 1 Mo). Les cas extrêmes sont automatiquement dégradés (troncature/saut/arrêt), sans échec silencieux.


Anti-patrons et FAQ

Idées reçues courantes

Idée reçueBonne pratique
« Un audit suffit »Chaque fois que le Skill est modifié, un nouvel audit doit être effectué, surtout après la modification de SKILL.md ou de fichiers .py essentiels
« Un score bas = inutilisable »Le score est une référence relative. Un Skill de type purement méthodologique avec une base faible mais des règles claires peut être parfaitement utilisable
« Corriger tous les problèmes avant la publication »Prioriser les corrections de gravité 🔴 et 🟠, les problèmes de faible priorité peuvent être améliorés progressivement
« La version actions IA peut être exécutée directement »La version actions IA est une instruction de correction pour l’IA, l’utilisateur doit confirmer avant que l’IA l’exécute, pour éviter des modifications erronées
« Exécuter avec --validate suffit comme audit »--validate fait uniquement un scan des fichiers et une classification des types, pas l’évaluation multidimensionnelle. L’audit formel nécessite l’exécution complète

FAQ

Q : De quoi ai-je besoin ? R : Un dossier contenant SKILL.md. Si vous avez des scripts .py ou des fichiers de données, incluez-les pour une évaluation plus complète.

Q : Le résultat de l’audit indique un échec, que faire ? R : Consultez la « Version actions IA » dans le rapport, elle contient un plan de correction point par point. Corrigez par ordre de priorité décroissante, puis relancez un audit pour vérification.

Q : Mon Skill n’a pas de code Python, puis-je l’utiliser ? R : Oui. HaluCatch le classera automatiquement comme « type purement méthodologique », sautera les vérifications base et code, et se concentrera sur l’évaluation de l’exhaustivité des instructions et des garde-fous.

Q : Que faire en cas d’erreur ? R : Consultez la section « Gestion des exceptions » ci-dessus. 90 % des erreurs sont dues à un chemin incorrect ou à un nom de fichier non standard. Si vous ne parvenez pas à résoudre le problème, collez le message d’erreur à l’IA.

💡 D’autres questions ? Consultez FAQ.md — il contient un guide d’utilisation complet, les questions fréquentes et le dépannage.

Skills associés