Communitygithub.com

Pesquisa de Oráculo em Mercados de Previsão

Pesquise mercados de previsão como fontes de dados ou sinais de oráculo para produtos, agentes, painéis e inteligência de decisão corporativa. Use para análise fundamentada de probabilidades implícitas no mercado, ressalvas e padrões de integração, sem aconselhamento de investimento. Utilize ao avaliar mercados de previsão como fonte de dados ou sinal de oráculo para um produto, agente ou painel.

O que é Pesquisa de Oráculo em Mercados de Previsão?

Esta skill permite que agentes de IA pesquisem e avaliem mercados de previsão como fontes de dados ou sinais de oráculo para apoiar decisões em produtos, agentes, painéis e inteligência corporativa. Ela orienta a análise de probabilidades implícitas no mercado, incluindo métricas de qualidade como liquidez, spread, concentração de traders e regras de resolução. A skill é útil para desenvolvedores que integram sinais de mercados de previsão em sistemas de tomada de decisão, fornecendo uma abordagem estruturada para comparar esses sinais com fontes não relacionadas ao mercado (como notícias, pesquisas ou KPIs internos) e oferecendo recomendações sobre a usabilidade do sinal. Embora seja compatível com qualquer plataforma de mercado de previsão, ela impõe guardrails importantes: não trata preços de mercado como verdade objetiva, não fornece aconselhamento de investimento e exige uma auditoria de segurança com `llm-trading-agent-security` antes de conceder autoridade de escrita. O fluxo de pesquisa envolve definir a decisão, encontrar mercados relevantes, registrar probabilidades com timestamps, avaliar a qualidade do sinal e recomendar se o sinal é utilizável, fraco ou inadequado.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Pesquisa de Oráculo em Mercados de Previsão faz?

Use esta habilidade quando mercados de previsão estiverem sendo considerados como fonte de dados, entrada para previsões, sinal semelhante a oráculo ou camada de inteligência de decisão.

Diretrizes

  • Não trate os preços de mercado como verdade objetiva.
  • Não forneça aconselhamento de investimento ou recomendações de negociação.
  • Separe a mecânica do local, liquidez, incentivos e regras de resolução do sinal implícito.
  • Destaque manipulação, liquidez reduzida, mercados desatualizados e resultados ambíguos.
  • Para sistemas on-chain ou vinculados à execução, execute llm-trading-agent-security antes de conceder qualquer autoridade de escrita.

Fluxo de Pesquisa

  1. Defina a decisão que o sinal deve informar.
  2. Encontre mercados, eventos, tags e locais relevantes.
  3. Registre probabilidades implícitas no mercado com timestamps e links de origem.
  4. Avalie a qualidade do sinal:
    • liquidez
    • spread
    • idade do mercado
    • concentração de traders/incentivos, se conhecida
    • autoridade de resolução
    • restrições geográficas ou de conta
  5. Compare com fontes não relacionadas ao mercado, como arquivos, notícias, pesquisas, estudos, dados de clientes ou KPIs internos.
  6. Recomende se o sinal é utilizável, fraco ou inadequado para a decisão declarada.

Padrões de Integração

  • Assistente de pesquisa: contexto fundamentado para um analista humano.
  • Sinal de painel: probabilidade implícita no mercado ao lado de métricas internas.
  • Entrada de memória do agente: um sinal com timestamp que pode ser recuperado posteriormente.
  • Entrada de alertas: notificar quando probabilidades, spreads ou liquidez ultrapassarem um limite.
  • Planejamento de cenários: comparar múltiplos resultados de eventos sem automatizar negociações.

Contrato de Saída

Use:

  1. contexto da decisão
  2. fontes de mercado
  3. qualidade do sinal
  4. fontes de comparação
  5. recomendação de integração
  6. ressalvas

Termine com:

Sinais de mercados de previsão são entradas informacionais, não aconselhamento de investimento.

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.

Habilidades Relacionadas