这个 Skill 能做什么，适合哪些场景？
这是一个纯提示词型技能，用于对真实世界未来事件做客观概率判断。它强制一个可复核的流程：先厘清 Yes/No 结算定义，再分节点设计搜索并按来源类别收集证据，然后打方向和权重、用条件概率建立结构化模型，最后贝叶斯式更新得出单一主概率和 80% 置信区间。它默认市场盲：预测市场价格只能作为排除项记录，除非用户明确要求纳入。输出包含模型分解表、关键证据表和归档路径，方便事后复核。
- 把模糊问题拆成明确的 Yes/No 触发条件、截止时间、时区和官方认定口径，标注易误判边界
- 将事件拆解为 2-5 个必要条件节点，并为每个节点设计覆盖官方、主流媒体、当事方和第三方分析的搜索 query
- 收集带日期、URL、摘录和可靠性评级的证据，区分“谈判进行中”与“协议已达成”
- 给每条证据打强/中/弱支持或反对的权重，用 P(Yes)=P(A)×P(B|A)… 的条件概率链建模
- 贝叶斯式逐条更新，输出单一主概率、80% 置信区间、上调/下调因素和观察点
- 分析师需要判断“某项监管提案在年底前是否通过”这类政治/监管事件，并要求给出具体概率和依据
- 研究员想评估某国冲突升级、停火或条约签署的概率，且要求证据可溯源、可复核
- 科技观察者要估算某公司产品或模型是否会在某日期前发布的胜率
- 用户希望排除预测市场价格信号，得到独立于市场共识的 fair probability
- 诉讼/选举关注者想要结构化拆解多条件事件（如候选人同时赢得初选和大选）的条件概率
- 需要实时下单或交易执行的场合——本技能只做概率研究，不调用任何交易接口（那属于同仓库的另一个技能）
- 无法联网搜索的环境——对时效敏感问题必须 web-search，离线时流程无法完整执行
如何安装这个 Skill？
- 该 skill 依赖外部 web-search；仓库已披露搜索层曾静默返回'0 结果'导致证据缺失，使用前应确认搜索提供方配置正常。
- 概率输出含主观权重判断，属分析框架而非事实结论，不应作为投资或交易决策唯一依据（仓库本体涉及预测市场交易）。
- skill 文件自身无版本与更新记录，拉取新版本时请对照仓库提交历史核对变更。
- 时敏问题强制联网搜索，相关搜索源在中国大陆的可达性未验证。
- 网络访问
web-search capable tool for time-sensitive questions
本技能来自 predict-raven 仓库（MIT 许可），仓库通过 Claude Code / Codex / OpenClaw 等代理以自然语言驱动安装，未提供独立的手动安装命令。
Claude Code
git clone https://github.com/Alchemist-X/predict-raven.git
cd predict-raven克隆后在该目录内启动 Agent，对它说 "install the dependencies for predict-raven"，由 Agent 执行 pnpm install + pnpm build（概率分析技能本身无额外依赖，依赖属于整个集合）。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 判断美联储在 12 月会议前是否降息的概率，给出 fair probability 和依据
- 按证据框架分析俄乌停火协议在半年内达成的概率，不要参考 Polymarket 价格
- 某款新模型会在今年 10 月 1 日前正式发布的胜率是多少？拆成条件概率并给出关键证据
- 这项法案是否会在本届国会会期内通过？给我主概率、置信区间和最可能触发 Yes/No 的观察点
触发方式是对 Agent 提出概率类问题：要求判断某事发生概率、胜率、fair probability 或是否有 edge。技能随后按七步流程执行：理清定义 → 设计搜索并收集证据 → 证据罗列 → 打权重 → 建条件概率模型 → 贝叶斯更新 → 输出结论概率加分解表、证据表和归档路径。可选控制：明确说“不要参考预测市场价格”可将市场数据仅记为排除项；说“纳入市场信号”则允许使用市场价。付费/版权媒体的证据只保留 URL、标题、日期和短摘录。
这个 Skill 有哪些优点和局限？
- 流程强制给出具体概率而非“可能/不可能”，并附置信区间和证据归档，可事后复核
- 默认市场盲，避免概率只是复述预测市场价格
- 用结算定义驱动的条件概率拆解，防止随意建模
- 纯提示词技能，无脚本依赖，任何具备 web 搜索能力的 Agent 即可运行
- 输出含主观成分：80% 置信区间和证据权重靠模型自评，无外部校准或 Brier 评分机制
- 对时效敏感问题强依赖 web 搜索质量，来源不可靠时结论会失真
- 证据权重和条件概率均由同一模型给出，缺乏独立验证
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Probability Analysis 事件概率分析师 本页 | 60 · 推荐 | ★ 76 | 26 天前 | MIT |
| Exa 深度研究编排器 | 57 · 谨慎使用 | ★ 5.1k | 18 天前 | MIT |
| 横纵分析法（hv-analysis） | 46 · 谨慎使用 | ★ 21k | 24 天前 | MIT |
| Exa Agent 研究技能 | 56 · 谨慎使用 | ★ 5.1k | 18 天前 | MIT |
| TAO AutoML 调参技能 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.6k | 11 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
该 skill 是纯提示词框架，无脚本、无权限请求、无网络副作用、无敏感数据处理，且明确禁止编造来源、要求付费内容仅存短摘录，数据流向透明。扣分点：发布者未经验证、无可验证的来源归属与回滚机制说明，静态审查无法确认下游 agent 是否按约束执行。
中英文双版本工作流一致、内部自洽，步骤可复述；但仅为指令文本，无针对该 skill 的测试、无异常输入的失败反馈设计，且依赖外部 web-search 可用性（仓库已知 DDG 搜索层曾静默失效）。扣分点：失败模式与错误反馈薄弱、关键路径未经验证（静态上限 10）。
触发条件明确（概率、fair probability、edge 等），适用与非适用场景、输出格式均写清，且提供中文原生版本、不依赖境外专有服务本身。扣分点：时敏问题强制 web-search，搜索源在中国大陆可达性未说明；概率判断质量边界（对证据缺失情形）仅部分界定。
双语文档结构清晰、渐进披露合理、禁止事项具体、仓库含 MIT 许可证。扣分点：skill 自身无版本号、无 changelog、无 FAQ/示例输出、无独立维护责任声明，依赖仓库级治理但 skill 文件内未说明更新路径。
提供结构化条件概率分解、证据权重与贝叶斯更新模板，输出格式可直接使用，相比无框架提问有边际价值。扣分点：静态审查无法验证输出正确性，方法本身（主观权重打分）无外部效度证据，仓库已知搜索层缺陷曾污染历史输出，价值上限受限（静态上限 7）。
skill 要求每条证据保留 URL、日期与摘录并附归档路径，本身内置可追溯性设计。扣分点：无该 skill 的可复现测试或第三方执行证据，README 中的 Brier 记录面向其他产品线而非本 skill，证据类型单一（静态上限 5）。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →