Communitygithub.com

Examen des Risques des Marchés de Prédiction

Examinez les flux de travail des marchés de prédiction, des paniers, des oracles et des agents de trading pour la conformité, la sécurité, la qualité des données, la confidentialité et les risques d'exécution. Utilisez-le avant que tout flux de travail ne manipule l'authentification de la plateforme, les données du portefeuille utilisateur, les clés API ou la planification des transactions.

Qu'est-ce que Examen des Risques des Marchés de Prédiction ?

Cette compétence est un processus de vérification de sécurité et de conformité conçu pour être utilisé avant qu'un flux de travail de marché de prédiction n'accède à des données financières utilisateur, à l'authentification d'une plateforme, à des données de portefeuille, à l'automatisation ou à des outils capables d'exécution. Elle est utile pour prévenir les risques réglementaires, les violations de sécurité et les erreurs de qualité des données dans les systèmes multi-agents manipulant des transactions financières ou des données de marché. La compétence prend en charge tout agent (par exemple, Claude Code, Cursor) qui intègre des flux de trading ou de marché de prédiction. Elle fonctionne en appliquant cinq portes de révision : limite de conseil (garantir la production d'informations uniquement, supprimer les recommandations d'achat/vente), limite de plateforme et réglementaire (vérifier les conditions d'utilisation, les restrictions géographiques et les règles API), qualité des données (vérifier la liquidité, les écarts et les horodatages), sécurité (ne jamais stocker de clés privées, utiliser des périmètres en lecture seule) et confidentialité (minimiser les données utilisateur et supprimer les sources privées). Elle produit un contrat de sortie structuré avec des conclusions de type validation/échec/alerte et nécessite un plan de mise en œuvre séparé et une approbation humaine explicite avant toute étape d'exécution.

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

Demander à votre IA préférée

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

Documentation

Que fait Examen des Risques des Marchés de Prédiction ?

Utilisez cette compétence avant qu'un flux de travail de marché de prédiction ne touche au contexte financier de l'utilisateur, à l'authentification de la plateforme, aux données du portefeuille, à l'automatisation ou aux outils capables d'exécution.

Portes de Révision

Limite de Conseil

  • Confirmez que la sortie est informative.
  • Supprimez les recommandations d'achat/vente/détention/taille.
  • Rendez explicites les points de décision manuelle de l'utilisateur.

Limite de Plateforme et Réglementaire

  • Identifiez les conditions de la plateforme, les restrictions géographiques, les limites de compte et les règles API.
  • Signalez toute ambiguïté concernant les paris, les produits dérivés, les valeurs mobilières ou les matières premières pour un examen juridique si pertinent.
  • Ne contournez pas les restrictions de la plateforme ou les limites de débit.

Qualité des Données

  • Vérifiez la liquidité du marché, l'écart, les règles de résolution, les prix obsolètes et les horodatages des sources.
  • Séparez les données publiques de la plateforme des données protégées par Itô.
  • Ne mélangez pas les sources publiques et privées sans étiquettes.

Sécurité

  • Ne demandez pas et ne stockez pas de clés privées, de phrases de récupération ou de mots de passe.
  • Gardez ITO_API_KEY et les clés API de la plateforme hors des journaux et de la documentation.
  • Utilisez des périmètres en lecture seule par défaut.
  • Exigez des disjoncteurs, des limites de dépenses, des simulations à sec et une approbation humaine avant toute implémentation privée ajoutant une exécution.

Confidentialité

  • Minimisez les données du portefeuille utilisateur, financières et de la base de connaissances.
  • Supprimez les sources privées dans les artefacts publics.
  • Ne conservez que les champs nécessaires à l'examen.

Contrat de Sortie

Retournez :

  1. périmètre examiné
  2. conclusions de type validation/échec/alerte
  3. actions bloquées
  4. mesures correctives requises
  5. prochaine étape sécurisée

Si une étape capable d'exécution est demandée, exigez un plan de mise en œuvre séparé et une approbation explicite de l'utilisateur.

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