Communitygithub.com

recherche-oracle-marche-prediction

Recherche sur les marchés de prédiction en tant que sources de données ou signaux oracle pour les produits, agents, tableaux de bord et intelligence décisionnelle d'entreprise.

Qu'est-ce que recherche-oracle-marche-prediction ?

Cette compétence permet d'analyser les marchés de prédiction comme sources de données ou signaux oracle pour des produits, agents, tableaux de bord et systèmes d'intelligence décisionnelle. Elle est utile pour les développeurs, analystes ou équipes produit souhaitant évaluer les probabilités implicites du marché, leurs limites et les schémas d'intégration. La compétence prend en charge les workflows de recherche structurés, l'évaluation de la qualité du signal (liquidité, spread, âge du marché, concentration des traders, autorité de résolution) et la comparaison avec des sources non marchandes. Elle précise clairement qu'il ne s'agit pas de conseils en investissement et impose des garde-fous importants : ne pas traiter les prix comme une vérité objective, séparer la mécanique du lieu de négociation du signal implicite, signaler les manipulations et les marchés illiquides. Les schémas d'intégration incluent l'assistant de recherche, le tableau de bord, la mémoire d'agent, les alertes et la planification de scénarios. À la fin, un contrat de sortie structuré (contexte de décision, sources, qualité, comparaison, recommandation, mises en garde) est fourni, suivi d'une mention légale obligatoire.

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

Demander à votre IA préférée

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

Documentation

Recherche Oracle sur les Marchés de Prédiction

Utilisez cette compétence lorsque les marchés de prédiction 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 ni de recommandations de trading.
  • Séparez la mécanique du lieu de négociation, la liquidité, les incitations et les règles de résolution du signal implicite.
  • Signalez la manipulation, la faible liquidité, 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 un droit d'écriture.

Workflow de Recherche

  1. Définissez la décision que le signal est censé éclairer.
  2. Trouvez les marchés, événements, tags et lieux pertinents.
  3. Enregistrez les probabilités implicites du marché avec horodatages et liens vers les sources.
  4. Évaluez la qualité du signal :
    • liquidité
    • spread
    • 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, actualités, sondages, recherches, données clients ou KPI internes.
  6. Recommandez si le signal est utilisable, faible ou inadapté pour la décision énoncée.

Schémas d'Intégration

  • Assistant de recherche : contexte basé sur des sources pour un analyste humain.
  • Signal de tableau de bord : probabilité implicite du marché associée à des métriques internes.
  • Entrée de mémoire d'agent : un signal horodaté pouvant être récupéré ultérieurement.
  • Entrée d'alerte : notifier lorsque les probabilités, les spreads 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 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 de prédiction sont des entrées informationnelles, pas 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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills associés