ai-incident-log

通过 Python 命令行脚本把 AI 失控、幻觉或误操作事件记录成 JSONL 台账，字段包含时间、严重度、模型、动作和复盘；支持 list 查询历史记录、report 生成结构化汇总报告，用于审计追溯与团队同步。

zhaoxinghua09-cell

热度 62.45

最近更新 2026-10-17 08:19:12

分类：安全依赖：代码执行 / 读写文件应用场景：报告撰写 / 工作流 / 数据处理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add ai-incident-log

Metadata

name: ai-incident-log
description: ai-incident-log — AI 失控/误操作/幻觉事故一键入账（JSONL 台账）：时间/严重度/模型/动作/复盘字段；--list/--report 一键汇总。适用场景：当需要AI事故记录器能力时使用本技能；触发词：ai-incident-log。
slug: ai-incident-log
title: ai-incident-log
version: 1.0.1
display_name: AI事故记录器
display_name_en: AI Incident Log
agent_created: true
author: 诺声(Logos)@SynomosAI
license: MIT
license_scope: 代码（.py 文件）MIT；本 SKILL.md 与其中理论文本不在 MIT 覆盖范围内（见文末「License & attribution」）
allowed-tools: Read, Glob, Grep, Bash, Write, WebFetch
category: AI 治理
platforms: ["claude-code","codebuddy","openai-agents","cli"]
copyright: SynomosAI
description_zh: ai-incident-log — AI 失控/误操作/幻觉事故一键入账（JSONL 台账）：时间/严重度/模型/动作/复盘字段；--list/--report 一键汇总。
description_en: Log AI failures, hallucinations and misoperations into a JSONL incident ledger: time, severity, model, action and retrospective fields; --list/--report for summaries.
read_when: ["AI 出现严重幻觉/事实错误/逻辑崩坏，需固化事故证据","AI 自主决策引发误操作（文件篡改/数据泄露/服务挂起）","要把错误节点沉淀为合规 JSONL 台账供审计追溯"]
classification: {"skillhub":["security-compliance"],"iso_25010":["Security"]}
risk_tier: medium
risk_rationale: 门禁批量补丁默认 medium：调用 API/读写文件/本地执行，最小权限，密钥走 Secret；若实际涉对外代执行(push/发布/发送/上架)须人工复评，改 high。
tags: ["ai-incident-log","AI 治理"]
ai_protocol: true
spec: usk/1.0
interface: {"type":"cli","entry_point":"scripts/ai_incident_log.py","runtime":"python3","call_pattern":"args"}
input_schema: [{"name":"command","type":"string","description":"add|list|report","required":true},{"name":"severity","type":"int","description":"严重度 1-3，默认2","required":false},{"name":"model","type":"string","description":"涉事模型/智能体","required":false},{"name":"action","type":"string","description":"已采取措施","required":false},{"name":"owner","type":"string","description":"记录人","required":false},{"name":"file","type":"string","description":"台账 JSONL 路径","required":false},{"name":"json","type":"bool","description":"JSON 输出","required":false}]
output_schema: {"stdout":"事故回执/台账/报告","exit_code":{"type":"integer","description":"0=OK/PASS; 1=findings/warnings; 2=usage or argument error"}}
capabilities: ["incident_log","audit_trail","safety"]
permissions: {"network":false,"filesystem":false,"subprocess":false}
requirements: {"python_packages":[],"min_python":"3.8"}
changelog: 1.0.1: Bilingual rewrite (full EN+ZH, English first); 1.0.0: initial upload (USK v3)

凡自治之物 · LGD 治理学 · 创造术家族｜评测协议：skill-quality-gate（外部公开评测门禁文档）

English

When to use

Model output shows severe hallucination, factual error or logic collapse; evidence must be frozen immediately.
Autonomous AI action causes production anomalies (file tampering, data leak, service hang).
Retrospective key review info must be turned into a compliant JSONL ledger for audit traceability.

Usage

One-click log: python ai_incident_log.py --record, with --severity critical/high/medium and model version.
Query/summary: --list for history; --report for a structured summary.
Ensure Python env and the main script (and cache dir) exist.

Flow

Locate anomaly: identify the trigger moment in logs/monitoring.
Fill fields: timestamp, severity, model, action description.
Run script: --record mode writes a standardized JSONL entry.
Verify: --list confirms the record; check timestamp and fields.
Report: --report generates a one-click summary for team sync.

Evidence & safety

Evidence: TBD. Version: 1.0.1. Security: no independent scan (TBD).

中文

何时用

当检测到 AI 模型生成内容出现严重幻觉、事实错误或逻辑崩坏，需即时固化事故证据时；
当因 AI 自主决策引发的误操作（如文件篡改/数据泄露/服务挂起）导致生产环境异常时；
当需要快速沉淀关键复盘信息，将交互过程中的错误节点转化为合规 JSONL 台账用于审计追溯时。

用法

一键入账记录：通过命令行执行 python ai_incident_log.py --record，支持传入 --severity critical/high/medium 及模型版本等自定义参数；
台账查询与汇总：调用 ai_incident_log.py --list 查看所有历史事故清单，或使用 --report 一键生成结构化汇总报告；
环境校验提示：执行前请确保 Python 环境已配置好，并确认项目根目录下存在主脚本文件。

流程

异常定位：在日志或监控中识别 AI 失控、幻觉或操作错误的触发时刻；
信息填充：依据实际情况填写时间戳、严重度等级、涉事模型及动作描述等关键要素；
脚本执行：在终端运行主脚本，选择 --record 模式生成标准化的 JSONL 入库文件；
结果核对：调用 --list 接口确认数据已落库，检查时间戳与字段完整性是否匹配；
报告产出：若需向团队同步，再次运行 --report 参数获取一键汇总的分析文档。

证据与安全声明

证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
版本：1.0.1
安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。