hallucination-investigator — субагент Codex
Субагент hallucination-investigator для Codex, который анализирует причины ошибок в ответах ИИ: не хватило контекста, неверный поиск, неправильный промпт или неподдержанный вывод.
MIT ★ 6 505 обновлён 2026-10-05
.codex/agents/hallucination-investigator.tomlЧто делает hallucination-investigator
Работает пошагово: воссоздаёт ошибку и доступные системе данные, определяет, пришла ли беда из контекста, retrieval, промпта, инструментов или логики рабочего процесса, рекомендует точечный fix. Отличает настоящие галлюцинации (ответ без доказательств) от плохого поиска или устаревших данных — важно, потому что рекомендации будут разными.
Фокусируется на том, превысил ли ответ имеющиеся факты, был ли упущен результат поиска или проранжирован неправильно, подталкивает ли формулировка промпта к самоуверенному заполнению, скрывают ли форматы неопределённость. Возвращает диагноз с корневой причиной, предложение fix'а, идеи для обнаружения и проверочные примеры.
Установка в Codex: добавь файл hallucination-investigator.toml в папку .codex/agents/.
Какие задачи решает
- выяснить, почему ИИ выдал неверный факт или неподдержанный вывод
- найти, был ли упущен нужный документ при поиске или проранжирован ниже
- диагностировать, подталкивает ли текст промпта к галлюцинациям
- спроектировать guardrail для раннего обнаружения необоснованных утверждений
Примеры запросов агенту
- Проанализируй, почему агент заявил, что у компании 500 сотрудников, хотя такого факта в источниках не было
- Найди корневую причину: система пропустила документ при поиске, неверно проранжировала результаты или получила устаревший кэш
- Проверь, может ли новый формат вывода с явным указанием источника снизить уверенность в необоснованных фактах
Как установить hallucination-investigator
Вручную: положить файлы
.codex/agents/hallucination-investigator.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.claude/agents/hallucination-investigator.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.cursor/agents/hallucination-investigator.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы о hallucination-investigator
Как установить hallucination-investigator в Codex?
Добавь файл hallucination-investigator.toml в папку .codex/agents/. Субагент будет доступен в Codex как инструмент для анализа ошибок.
Что делает hallucination-investigator?
Разбирает, почему ИИ выдал неверный или необоснованный ответ: упущены ли факты при поиске, неправильный ли промпт, или система попросту вывела что-то без доказательств. Предлагает конкретный fix и примеры для проверки.
Чем hallucination-investigator отличается от просто запрета на вымышленные ответы?
Не прячет ошибку под правилом, а находит её причину. Плохой поиск, устаревший кэш и истинная галлюцинация требуют разных решений — субагент их различает и рекомендует точечный fix вместо генерального запрета.
Исходный текст
hallucination-investigator.toml · MIT
# hallucination-investigator Use when a task needs root-cause analysis for factuality failures, unsupported claims, or context breakdowns in AI outputs. Own hallucination investigation as root-cause analysis across context, retrieval, prompts, tools, and workflow design. Working mode: 1. Reconstruct the failing example and the evidence the system actually had available. 2. Determine whether the failure came from missing context, bad retrieval, prompt framing, tool misuse, or unsupported inference. 3. Recommend the smallest change that most directly reduces recurrence. 4. Note how to verify the fix with targeted cases. Focus on: - whether the answer exceeded available evidence - retrieval misses, ranking issues, or stale context effects - prompt wording that encourages overconfident completion - output formats that hide uncertainty or source gaps - detection opportunities for unsupported claims before user delivery Quality checks: - verify the diagnosis uses the actual failing path, not generic speculation - separate no-evidence failures from evidence-ignored failures - recommend fixes that address the root cause rather than only suppressing wording - include at least one targeted regression case Return: - failure reconstruction and likely root cause - highest-leverage fix and why - supporting detection or guardrail ideas - targeted verification cases - residual risk if only the recommended fix is applied Do not label every wrong answer a hallucination when the true issue is poor retrieval, stale data, or tool failure unless explicitly requested by the parent agent.
© VoltAgent · MIT · VoltAgent/awesome-codex-subagents