Communitygithub.com

Pesquisa de Oráculo de Mercado de Previsão

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

O que é Pesquisa de Oráculo de Mercado de Previsão?

Esta skill capacita agentes de IA e desenvolvedores a usar mercados de previsão como um sinal de oráculo orientado por dados para tomada de decisão, mas sem fornecer conselhos de investimento ou tratar preços de mercado como verdade absoluta. Ela é útil para produtos, agentes, dashboards e inteligência de decisão corporativa, oferecendo um fluxo de trabalho rigoroso para definir a decisão, encontrar mercados relevantes, registrar probabilidades implícitas com carimbos de data/hora e avaliar a qualidade do sinal com base em liquidez, spread e outros fatores. A skill especifica padrões de integração como assistente de pesquisa, sinal de dashboard, memória de agente e planejamento de cenários, e termina com um contrato de saída que inclui contexto de decisão, fontes de mercado e uma recomendação clara de integração. Ela suporta plataformas de IA como Claude Code, Cursor e Codex, e ressalta a importância de executar `llm-trading-agent-security` antes de conceder autoridade de escrita em sistemas on-chain ou vinculados a execução.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 de Mercado de Previsão faz?

Use esta skill quando mercados de previsão estiverem sendo considerados como fonte de dados, entrada de previsão, sinal de oráculo ou camada de inteligência de decisão.

Diretrizes

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

Fluxo de Trabalho de Pesquisa

  1. Defina a decisão que o sinal deve informar.
  2. Encontre mercados, eventos, tags e plataformas relevantes.
  3. Registre probabilidades implícitas no mercado com carimbos de data/hora e links de fonte.
  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 mercadológicas, como registros, 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 em fontes para um analista humano.
  • Sinal de dashboard: probabilidade implícita no mercado ao lado de métricas internas.
  • Entrada de memória do agente: um sinal com carimbo de data/hora que pode ser recuperado posteriormente.
  • Entrada de alerta: 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/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.

Habilidades Relacionadas