Communitygithub.com

Recherche sur les oracles de marchés prédictifs

Étudier les marchés prédictifs comme sources de données ou signaux oracle pour produits, agents, tableaux de bord et intelligence décisionnelle d'entreprise. Utilisez-le pour une analyse fondée sur les sources des probabilités implicites du marché, des mises en garde et des schémas d'intégration, sans conseil en investissement.

Qu'est-ce que Recherche sur les oracles de marchés prédictifs ?

Cette compétence permet d'utiliser les marchés prédictifs comme une source de données ou un signal oracle pour éclairer les décisions dans les produits, agents, tableaux de bord et systèmes d'intelligence décisionnelle d'entreprise. Elle guide l'utilisateur dans l'évaluation de la qualité des signaux en tenant compte de la liquidité, de l'écart, de l'âge du marché, de la concentration des traders et des règles de résolution, tout en comparant ces signaux à des sources non marchandes comme les dépôts réglementaires, les actualités et les indicateurs internes. La compétence est conçue pour les analystes humains, les agents d'IA (notamment Claude Code et Codex) et les tableaux de bord, avec des schémas d'intégration allant de l'assistant de recherche à la planification de scénarios. Elle insiste sur les garde-fous pour éviter de traiter les prix comme une vérité objective, de donner des conseils en investissement ou de négliger les risques de manipulation, et recommande l'exécution de `llm-trading-agent-security` avant toute autorisation d'écriture.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Recherche sur les oracles de marchés prédictifs ?

Utilisez cette compétence lorsque les marchés prédictifs sont envisagés comme source de données, entrée de prévision, signal de type oracle ou couche d'intelligence décisionnelle.

Garde-fous

  • Ne traitez pas les prix du marché comme une vérité objective.
  • Ne fournissez pas de conseils en investissement ou de recommandations de trading.
  • Distinguez les mécanismes de la plateforme, la liquidité, les incitations et les règles de résolution du signal implicite.
  • Signalez la manipulation, la liquidité faible, les marchés obsolètes et les résultats ambigus.
  • Pour les systèmes on-chain ou liés à l'exécution, exécutez llm-trading-agent-security avant d'accorder tout droit d'écriture.

Processus de recherche

  1. Définissez la décision que le signal est censé éclairer.
  2. Trouvez les marchés, événements, tags et plateformes pertinents.
  3. Enregistrez les probabilités implicites du marché avec des horodatages et des liens sources.
  4. Évaluez la qualité du signal :
    • liquidité
    • écart
    • âge du marché
    • concentration des traders/incitations si connue
    • autorité de résolution
    • restrictions géographiques ou de compte
  5. Comparez avec des sources non marchandes telles que les dépôts réglementaires, les actualités, les sondages, les recherches, les données clients ou les indicateurs clés de performance internes.
  6. Recommandez si le signal est utilisable, faible ou inadapté à la décision spécifiée.

Schémas d'intégration

  • Assistant de recherche : contexte fondé sur les sources pour un analyste humain.
  • Signal de tableau de bord : probabilité implicite du marché aux côtés de mesures internes.
  • Entrée mémoire d'agent : un signal horodaté pouvant être récupéré ultérieurement.
  • Entrée d'alerte : notifier lorsque les probabilités, les écarts ou la liquidité franchissent un seuil.
  • Planification de scénarios : comparer plusieurs résultats d'événements sans automatiser les transactions.

Contrat de sortie

Utilisez :

  1. contexte de la décision
  2. sources du marché
  3. qualité du signal
  4. sources de comparaison
  5. recommandation d'intégration
  6. mises en garde

Terminez par :

Les signaux des marchés prédictifs sont des entrées informatives, et non des conseils en investissement.

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 associés