不用再问大模型：hedgemony 用解释器揪出 AI 代码幻觉
hedgemony 通过 Python 解释器与包注册表，逐项验证 AI 生成代码中调用名、参数、示例的真伪，无需调用任…
随着大模型辅助编程普及，AI 生成代码里常见的「这个包我没装过、这个方法不存在」幻觉，成为开发者日常踩坑的来源。Show HN 上出现的 hedgemony 提出了一种颇为反直觉的解法：要找出 AI 的编造，不必再请一个 AI 来当裁判，只需让 Python 解释器自己说话。
核心思路：让解释器当法官
hedgemony 对每个文件做两遍扫描，第一遍不执行任何代码，第二遍只运行作者自己写下的示例。
- 第一遍（名字是否存在）：将文件解析为语法树，把出现的每个名字交给实时运行的解释器去验证——
hasattr、inspect.signature这些 Python 自身使用的机制。math有没有median？json是否导出serialise？答案成为一条关于运行环境的事实陈述，而非推断。 - 第二遍（代码是否做到自述）：若 docstring 中包含
>>>示例，就把示例跑一遍，比较代码是否兑现了作者自己声明的行为。这一步在受限的子进程中执行；没有任何>>>示例的文件完全不会被执行，避免了「为了检测幻觉而制造新风险」。
遇到无法判定的情况——未安装的包、类型模糊的变量、读不到签名的 C 扩展——工具选择沉默而非猜测。它刻意追求「误报」与「漏报」之间的不对称：误报会让你去修改本来就对的代码，而且你很难发现工具本身错了。
五类可判定问题，与两个不被使用的词
开发者刻意避开了「幻觉（hallucination）」与「说谎（lying）」这两个流行说法，原因在于：
- 「说谎」预设了欺骗意图，而模型没有意图，工具只报告真值，不揣测动机；
- 「幻觉」是含糊的总称，混入了不可判定的部分，hedgemony 只度量其中可被验证的前五类。
工具对每一个发现给出精确、可独立复核的命名：
- fabrication（总称）：关于世界的一项陈述为假；
- invention：名字在任何地方都不存在，例如
import ghostlib； - misattribution：真实名字挂在错误的所有者上，例如
json.serialise； - malformation：目标真实，但调用方式不可能实现，例如
math.sqrt(2, 3)； - contradiction：代码与其自身声明的示例相矛盾，例如 docstring 示例运行失败；
- confabulation（不检测）：逻辑似是而非，又没有可对照的声明——这是不可判定的领域。
把「不可判定」变成「可判定」
对于 confabulation 这种「名字都对、逻辑可疑」的情况，工具不试图去猜，而把改造的主动权交还给作者。只需要在 def 下加一行 doctest 声明，把你期望的结果写下来，confabulation 就立刻变成可被自动捕获的 contradiction。
正是出于这一设计，工具对那些没有 doctest 的文件直接大声报告 NO_CONTRACT，而不是放行——它提示你：补上这一行，就能让文件具备被严格审查的条件。开发者解释，没有任何工具能读出「没记录过的意图」，诚实的目标是「让记录意图只花一行，写下后不打折执行」，这也是契约层存在的理由。
适合谁、怎么用
在终端一行命令即可对单个文件启动扫描，例如 hedgemony dashboard.py 会输出「21 行中 2 处编造，每 100 行 9.5 处」这样的统计，并在下方逐行列出具体问题。对于依赖 Copilot、Cursor、Claude Code 等工具批量生成代码的团队，这种解释器级的事实核查，是一种轻量、离线、可复现的补充防线。