Communitygithub.com

Investigación de Oráculos de Mercados de Predicción

Investiga mercados de predicción como fuentes de datos o señales de oráculo para productos, agentes, paneles e inteligencia de decisiones corporativas. Utilízalo para un análisis fundamentado en fuentes de probabilidades implícitas en el mercado, advertencias y patrones de integración, sin ofrecer asesoramiento de inversión. Úsalo al evaluar mercados de predicción como fuente de datos o señal de oráculo para un producto, agente o panel.

¿Qué es Investigación de Oráculos de Mercados de Predicción?

Esta habilidad está diseñada para desarrolladores, investigadores y arquitectos de sistemas que desean utilizar mercados de predicción como una fuente de datos no tradicional para productos, agentes de IA y sistemas de inteligencia de decisiones. Permite un análisis riguroso de las probabilidades implícitas en el mercado, evaluando factores críticos como liquidez, diferencial, antigüedad del mercado, concentración de incentivos y reglas de resolución. Compatible con cualquier plataforma que pueda procesar entradas de texto y markdown, esta habilidad guía al usuario a través de un flujo de trabajo de cinco pasos: definir la decisión, encontrar mercados relevantes, registrar señales con marcas de tiempo, evaluar la calidad de la señal y comparar con fuentes no relacionadas con el mercado. También describe patrones de integración como asistentes de investigación, paneles, memorias de agentes y alertas, y establece un contrato de salida claro que termina con la advertencia de que las señales del mercado de predicción no son asesoramiento de inversión. Es útil para cualquier persona que quiera aprovechar la sabiduría colectiva de los mercados de predicción de manera informada y ética, sin automatizar operaciones o tratar los precios como verdad absoluta.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/prediction-market-oracle-research

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace Investigación de Oráculos de Mercados de Predicción?

Utiliza esta habilidad cuando se estén considerando los mercados de predicción como una fuente de datos, entrada de pronóstico, señal tipo oráculo o capa de inteligencia de decisiones.

Barreras de protección

  • No trates los precios del mercado como verdad objetiva.
  • No proporciones asesoramiento de inversión ni recomendaciones de trading.
  • Separa la mecánica del intercambio, la liquidez, los incentivos y las reglas de resolución de la señal implícita.
  • Señala la manipulación, la liquidez escasa, los mercados obsoletos y los resultados ambiguos.
  • Para sistemas en cadena o vinculados a ejecución, ejecuta llm-trading-agent-security antes de otorgar cualquier autoridad de escritura.

Flujo de Trabajo de Investigación

  1. Define la decisión que la señal debe informar.
  2. Encuentra mercados, eventos, etiquetas e intercambios relevantes.
  3. Registra las probabilidades implícitas en el mercado con marcas de tiempo y enlaces a las fuentes.
  4. Evalúa la calidad de la señal:
    • liquidez
    • diferencial
    • antigüedad del mercado
    • concentración de traders/incentivos si se conoce
    • autoridad de resolución
    • restricciones geográficas o de cuenta
  5. Compara con fuentes no relacionadas con el mercado, como presentaciones, noticias, encuestas, investigaciones, datos de clientes o KPI internos.
  6. Recomienda si la señal es utilizable, débil o inadecuada para la decisión declarada.

Patrones de Integración

  • Asistente de investigación: contexto fundamentado en fuentes para un analista humano.
  • Señal de panel: probabilidad implícita en el mercado junto con métricas internas.
  • Entrada de memoria de agente: una señal con marca de tiempo que se puede recuperar más tarde.
  • Entrada de alertas: notificar cuando las probabilidades, los diferenciales o la liquidez crucen un umbral.
  • Planificación de escenarios: comparar múltiples resultados de eventos sin automatizar operaciones.

Contrato de Salida

Usa:

  1. contexto de la decisión
  2. fuentes del mercado
  3. calidad de la señal
  4. fuentes de comparación
  5. recomendación de integración
  6. advertencias

Termina con:

Las señales de los mercados de predicción son insumos informativos, no asesoramiento de inversión.

Individual skills in this repo

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

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados