Communitygithub.com

What-If Orakel – Möglichkeitsraum-Erkunder

Führen Sie eine strukturierte What-If-Szenarioanalyse mit 4–6 Verzweigungen durch (bester, wahrscheinlicher, schlechtester Fall, Joker, Konträransicht, Zweite Ordnung). Verwenden Sie dies, wenn der Benutzer spekulative Was-wäre-wenn-Fragen zu unsicheren Zukünften, strategischen Weggabelungen, Notfallplanung oder Belastungstests einer Entscheidung vor dem Eingehen einer Verpflichtung stellt.

Was ist What-If Orakel – Möglichkeitsraum-Erkunder?

Das What-If-Orakel ist ein strukturiertes System zur Erkundung unsicherer Zukünfte durch mehrsträngige Szenarioanalyse. Statt einer einzelnen Vorhersage kartiert es den gesamten Möglichkeitsraum mit 4–6 Zweigen (Bester Fall, Wahrscheinlichster Fall, Schlechtester Fall, Joker, Konträransicht, Zweite Ordnung). Es eignet sich für strategische Entscheidungen, Risikokartierung, Krisenplanung und Belastungstests von Ideen. Das Skill unterstützt verschiedene Modi – vom schnellen Überblick (3 Zweige) bis zur tiefgehenden Analyse (alle 6 Zweige) – und lässt sich auf verschiedene Domänen wie Startups, Technologiearchitektur oder Krisenmanagement anwenden. Es basiert auf dem What-If-Paradigma, das spekulative Fragen als fundamentale Denkoperation betrachtet, und integriert Konzepte wie goldene-Schnitt-Gewichtung und zweistufige Effekte. Die volle Funktionalität umfasst Phasen der Fragenschärfung, Szenarioerstellung, Einzelanalyse und Synthese mit Wahrscheinlichkeitsverteilung, robusten Handlungen und Entscheidungsauslösern.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/what-if-oracle

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht What-If Orakel – Möglichkeitsraum-Erkunder?

Ein strukturiertes System zur Erkundung unsicherer Zukünfte durch rigorose mehrsträngige Szenarioanalyse. Statt einer einzelnen Vorhersage kartiert das Orakel den gesamten Möglichkeitsraum – verzweigte Zeitlinien, in denen jeder Pfad seine eigene Logik, Wahrscheinlichkeit und Konsequenzen hat.

Basiert auf dem What-If-Paradigma: der Idee, dass spekulative Fragen („Was wäre, wenn X?“) keine müßigen Tagträume sind, sondern eine grundlegende Rechenoperation – die Art des Geistes, Zukünfte zu simulieren, bevor man Ressourcen für eine bindet.

Veröffentlichte Forschung: Das What-If-Paradigma (DOI: 10.5281/zenodo.18736841) | IDNA v2 / Unified Digital Consciousness Theory (DOI: 10.5281/zenodo.18807387)

Wann dieses Skill verwendet werden sollte

Verwenden Sie das Orakel, wenn der Benutzer:

  • Fragt „Was wäre, wenn…“, „Was würde passieren, wenn…“ oder „Erkunde die Möglichkeiten“
  • Vor einer Weggabelung steht, bei der keine offensichtliche Antwort existiert
  • Eine Best-Case- / Worst-Case- / Wahrscheinlichste-Case-Analyse mit Wahrscheinlichkeiten wünscht
  • Notfallplanung, Risikokartierung oder strategischen Optionenvergleich benötigt
  • Eine Idee belasten oder Second-Order-Konsequenzen durchdenken möchte

Für domänenspezifische Rahmungen (Startup, Technologiearchitektur, Krisenreaktion usw.) siehe references/scenario-templates.md.

Kernprinzip: 0·WENN·1

Jede Szenarioanalyse hat drei Elemente:

  • 0 – Der nicht ausgedrückte Zustand (was noch nicht passiert ist, das Potenzial)
  • 1 – Der ausgedrückte Zustand (was IST, die aktuelle Realität)
  • WENN – Die bedingte Bindung (die Entscheidung, das Ereignis oder die Veränderung, die 0 in 1 verwandelt)

Die Qualität der Analyse hängt von der Präzision des WENN ab. Ein vages „Was wäre, wenn etwas schiefgeht?“ erzeugt vage Ergebnisse. Ein präzises „Was wäre, wenn unser Hauptlieferant die Preise im dritten Quartal um 30 % erhöht?“ erzeugt umsetzbare Erkenntnisse.

So führen Sie das Orakel aus

Phase 1 – Die Frage rahmen

Nehmen Sie die What-If-Frage des Benutzers und schärfen Sie sie:

In Komponenten zerlegen:

  • Die Variable: Was genau ändert sich? (eine Variable pro Analyse)
  • Das Ausmaß: Um wie viel? (wenn möglich quantifizieren)
  • Der Zeitrahmen: Über welchen Zeitraum?
  • Der Kontext: Wie ist der aktuelle Zustand vor der Änderung?

Wenn die Frage vage ist, schärfen Sie sie:

  • „Was wäre, wenn KI übernimmt?“ → „Was wäre, wenn 40 % der aktuellen Wissensarbeit innerhalb von 3 Jahren in [bestimmter Branche] von KI automatisiert werden?“
  • „Was wäre, wenn wir scheitern?“ → „Was wäre, wenn der monatliche Umsatz ab jetzt 6 aufeinanderfolgende Monate unter 5.000 € bleibt?“

Legen Sie dem Benutzer die geschärfte Frage vor der Fortsetzung zur Bestätigung vor.

Phase 2 – Den Möglichkeitsraum kartieren

Erzeugen Sie 4–6 Szenariozweige mit diesem Rahmenwerk:

ZweigDefinitionZweck
Ω Bester FallAlles läuft richtig. Schlüsselannahmen bestätigen sich alle. Glücksfälle treten auf.Die Obergrenze definieren – was ist der maximale Vorteil?
α Wahrscheinlicher FallDer wahrscheinlichste Pfad basierend auf aktuellen Beweisen. Keine großen Überraschungen.Erwartungen in der Realität verankern
Δ Schlechtester FallSchlüsselannahmen scheitern. Zwei Dinge gehen gleichzeitig schief.Die Untergrenze definieren – was ist der maximale Nachteil?
Ψ JokerEine unerwartete Variable tritt ein, die niemand verfolgt. Black-Swan-Territorium.Auf das Unvorstellbare belasten
Φ KonträransichtDas Gegenteil der Konsensmeinung erweist sich als wahr.Gruppendenken herausfordern und versteckte Annahmen aufdecken
∞ Zweite OrdnungDie Effekte erster Ordnung lösen kaskadierende Konsequenzen aus, die niemand vorhergesehen hat.Die Welleneffekte kartieren

Phase 3 – Jeden Zweig analysieren

Geben Sie für jeden Szenariozweig Folgendes an:

╔══════════════════════════════════════════════╗
║  ZWEIG: [Ω/α/Δ/Ψ/Φ/∞] — [Zweigname]      ║
╠══════════════════════════════════════════════╣
║  Wahrscheinlichkeit: [X%]                    ║
║  Zeitrahmen: [Wann dies eintreten könnte]    ║
║  Vertrauen: [HOCH/MITTEL/NIEDRIG]            ║
╠══════════════════════════════════════════════╣
║  ERZÄHLUNG:                                  ║
║  [2–3 Sätze, die beschreiben, wie sich       ║
║   dieses Szenario Schritt für Schritt         ║
║   entfaltet]                                  ║
║                                              ║
║  SCHLÜSSELANNAHMEN:                           ║
║  • [Was muss wahr sein, damit dies           ║
║    eintritt]                                  ║
║  • [Und dies]                                 ║
║                                              ║
║  AUSLÖSEBEDINGUNGEN:                          ║
║  • [Frühes Signal, dass dieser Zweig         ║
║    Wirklichkeit wird]                         ║
║  • [Zweites Signal]                           ║
║                                              ║
║  KONSEQUENZEN:                                ║
║  → Sofort: [Was zuerst passiert]             ║
║  → 30 Tage: [Was folgt]                      ║
║  → 6 Monate: [Wohin es führt]               ║
║                                              ║
║  ERFORDERLICHE REAKTION:                      ║
║  [Welche Maßnahme zu ergreifen ist, wenn     ║
║   dieser Zweig aktiviert wird – spezifisch,  ║
║   umsetzbar]                                  ║
║                                              ║
║  WAS DIE MEISTEN ÜBERSEHEN:                  ║
║  [Die nicht offensichtliche Erkenntnis zu    ║
║   diesem Szenario, die konventionelle        ║
║   Analysen übersehen würden]                 ║
╚══════════════════════════════════════════════╝

Phase 4 – Synthese

Nach der Analyse aller Zweige bereitstellen:

Wahrscheinlichkeitsverteilung:

Ω Bester Fall ·········· [██████░░░░] 15%
α Wahrscheinlicher Fall · [████████░░] 45%
Δ Schlechtester Fall ··· [██████░░░░] 20%
Ψ Joker ················ [███░░░░░░░]  8%
Φ Konträransicht ········ [████░░░░░░]  7%
∞ Zweite Ordnung ········ [███░░░░░░░]  5%

Robuste Handlungen: Welche Maßnahmen sind ÜBER MEHRERE Zweige hinweg vorteilhaft? Dies sind die No-Regret-Moves – führen Sie sie unabhängig davon aus, welche Zukunft eintritt.

Absicherungshandlungen: Welche Vorbereitungen schützen vor den schlimmsten Zweigen, ohne das Aufwärtspotenzial zu opfern?

Entscheidungsauslöser: Welche spezifischen, beobachtbaren Signale sollten dazu führen, dass Sie aktualisieren, welcher Zweig am wahrscheinlichsten ist? Definieren Sie die Auslöseschwellen.

Die 1%-Erkenntnis: Was ist das eine an dieser Situation, das fast jeder, der sie analysiert, übersehen würde? Das nicht offensichtliche Muster, die versteckte Annahme, die übersehene Variable.

Goldene-Schnitt-Gewichtung

Wenn Beweise vorliegen, gewichten Sie primäre Szenarien mit dem Goldenen Schnitt:

  • Primäre Zukunft (am wahrscheinlichsten): 61,8 % der Aufmerksamkeit/Ressourcen
  • Alternative Zukunft: 38,2 % der Aufmerksamkeit/Ressourcen

Dies verhindert sowohl eine übermäßige Bindung an einen einzelnen Pfad als auch eine Verwässerung über zu viele Kontingenzen. Die Natur verwendet dieses Verhältnis für Verzweigungen (Bäume, Flüsse, Blutgefäße). Strategische Planung kann das auch.

Modi

Schnelles Orakel (2–3 Minuten)

Nur 3 Zweige: Bester, Wahrscheinlichster, Schlechtester. Kurze Erzählungen. Für schnelle Entscheidungen.

Tiefes Orakel (5–10 Minuten)

Alle 6 Zweige. Vollständige Analyse mit Konsequenzen, Auslösern und Synthese. Für Entscheidungen mit hohem Einsatz.

Szenariokette

Nehmen Sie die Ausgabe einer Orakelanalyse und speisen Sie sie in eine andere ein. „Wenn Zweig Δ eintritt, welche Möglichkeiten gibt es INNERHALB dieses Zweigs?“ Rekursive Tiefe für komplexe strategische Planung.

Umgekehrtes Orakel

Beginnen Sie von einem gewünschten Ergebnis und arbeiten Sie rückwärts: „Welche Bedingungen müssen wahr sein, damit X eintritt? Was ist der wahrscheinlichste Pfad ZU diesem Ergebnis?“ Nützlich für Zielsetzung und Strategiedesign.

Konkurrenz-Orakel

Analysieren Sie dasselbe What-If aus mehreren Stakeholder-Perspektiven: „Wenn wir dieses Produkt auf den Markt bringen, wie sieht der Möglichkeitsraum aus UNSERER Perspektive vs. IHRER Perspektive vs. der des MARKTES aus?“

Was dies NICHT ist

  • Keine Vorhersage – es ist eine Möglichkeitskarte. Das Orakel behauptet nicht, die Zukunft zu kennen; es hilft Ihnen, sich auf mehrere Zukünfte vorzubereiten.
  • Keine Glaskugel – Wahrscheinlichkeiten sind Schätzungen basierend auf verfügbaren Beweisen, keine Gewissheiten.
  • Kein Ersatz für Handeln – die beste Szenarioanalyse der Welt ist wertlos ohne anschließende Entscheidung und Ausführung.

Referenzdateien

DateiZweck
references/scenario-templates.mdDomänenspezifische Vorlagen (Startup, Technologie, Finanzen, Krise usw.) und Wahrscheinlichkeitskalibrierung

Lizenz

© 2026 Ashraf Hussein Kahoush / AHK Strategies. Lizenziert unter CC BY-NC-SA 4.0. Kostenlos für private, pädagogische und Forschungsnutzung. Kommerzielle Nutzung erfordert eine Lizenz vom Autor.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

Verwandte Skills