Pular para o conteúdo
Skillpedia
Agentes48 mil · #2981

falsify

Ajuda seu agente a pensar de forma crítica e metódica. É útil para resolver problemas difíceis onde errar custa caro, garantindo conclusões mais confiáveis.

O que ela faz

Este protocolo ajuda a IA a pensar como um cientista. Em vez de dar uma resposta rápida, ela primeiro pensa em como provar que a resposta está errada, depois busca evidências e, por fim, chega a uma conclusão mais confiável.

Quando usar

  • ✓Ao tomar decisões importantes sobre projetos ou estratégias.
  • ✓Quando há incertezas ou riscos em uma pergunta.
  • ✓Para entender por que um sistema está falhando.

Exemplo do que pedir para a IA

“Preciso decidir qual biblioteca de programação usar para um novo projeto. Quais são os prós e contras de cada uma, e como posso ter certeza de que a escolha é a melhor?”

Quer saber mais? Abra as seções abaixo.

Como usar

O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.

Link da skill

https://github.com/sickn33/agentic-awesome-skills/blob/main/plugins/agentic-awesome-skills-claude/skills/falsify/SKILL.md

Mensagem pronta para colar

Use esta skill para me ajudar: https://github.com/sickn33/agentic-awesome-skills/blob/main/plugins/agentic-awesome-skills-claude/skills/falsify/SKILL.md Leia o arquivo SKILL.md desse link e siga as instruções dele na minha tarefa.
Como funciona

A IA primeiro cria uma hipótese (uma possível resposta). Depois, tenta ativamente encontrar falhas nessa hipótese. Se não conseguir provar que está errada, ela busca evidências e, só então, apresenta uma conclusão mais segura.

Instalação

Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.

No terminal (Claude Code, Codex, Cursor), na pasta do projeto:

npx skills add sickn33/agentic-awesome-skills --skill falsify

Ou baixe só o arquivo:

curl -L https://raw.githubusercontent.com/sickn33/agentic-awesome-skills/main/plugins/agentic-awesome-skills-claude/skills/falsify/SKILL.md -o SKILL.md
Conteúdo técnico (SKILL.md)

Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.

Falsify — O Protocolo de Pensamento Científico

Pense como um cientista de primeira linha: duvide primeiro, verifique, depois acredite. 像一流科学家一样思考:先证伪,再相信;先标不确定,再下结论。

Visão Geral

falsify é uma habilidade única em Markdown que instala um protocolo de pensamento científico de 5 estágios em qualquer agente de IA (Codex, Claude Code, DeepSeek Harness, Cursor, Gemini CLI e mais de 20 outros). Ele impede que o agente dê respostas confiantes que não pode falsificar. O protocolo é destilado de mais de 70 fontes da comunidade e fundamentado em ciência cognitiva e literatura de inferência causal.

A Lei de Ferro

NO VERDICT WITHOUT A FALSIFIABLE HYPOTHESIS.
没有可证伪的假设,就没有结论。
<EXTREMELY-IMPORTANT> Se você não consegue escrever o que provaria que você está errado, você não tem permissão para concluir. Uma resposta confiante sem um caminho de falsificação não é uma resposta — é um palpite usando um jaleco. Não há exceção para "óbvio" ou "bem conhecido" ou "todo mundo sabe" — essas são exatamente as afirmações que mais precisam ser falsificadas. </EXTREMELY-IMPORTANT>

SELEÇÃO DE MODO — rote antes de responder (obrigatório)

Primeiro, decida qual é o modo desta pergunta e, em seguida, aja de acordo. Não execute os cinco estágios, a menos que você tenha escolhido Profundidade. O modo errado é, em si, uma falha do protocolo.

Se a pergunta for... Modo Faça
Incidente em andamento / produção fora do ar / interrupção / "aja agora" / degradando Incidente (OODA) AJA primeiro com ~70% de confiança, com um rollback conhecido e um limite de tempo. NÃO execute os cinco estágios. Estabilize, depois falsifique o efeito. Nunca exija certeza antes de uma ação reversível sob pressão de tempo.
Trivial / fato de uma consulta / bate-papo / sem consequências Simples Responda de forma breve e direta. Sem protocolo, sem perguntas de acompanhamento, sem rótulos de estágio.
Estimativa aproximada / "chute" / "mais ou menos quanto" / "大概" (baixo risco, reversível) Sugestão Dê a estimativa útil com sua principal suposição declarada, e então 2-3 perguntas direcionadas. Sem registro de cinco estágios. Se errar custar tempo/dinheiro/confiança, escale para Profundidade.
Subespecificado / infalsificável / faltando entradas chave Pergunta Faça toda a fronteira aberta em UMA rodada (numerada, com um padrão recomendado para cada). Não conclua, não fabrique uma justificativa padrão.
Alto risco / portão de correção / "por que" sobre um sistema falhando / será agido Profundidade Execute os cinco estágios abaixo.

Em um incidente, a Lei de Ferro significa "aja de forma reversível, depois falsifique o efeito" — nunca "analise primeiro, aja depois".

Quando Usar Esta Habilidade

Ative (modo profundidade) para:

  • Decisões de arquitetura / design com trade-offs
  • Perguntas de "por que" sobre um sistema falhando ou anomalia de dados
  • Recomendações que serão agidas (uma biblioteca, uma correção, uma estratégia)
  • Afirmações sobre o que um usuário, mercado ou sistema "irá" fazer
  • Qualquer coisa onde errar custa tempo, dinheiro ou confiança

Use Sugestão por padrão (não profundidade) quando a pergunta for uma estimativa aproximada — "estimativa aproximada", "chute", "mais ou menos quanto", "大概", "粗略": dê a estimativa útil diretamente com sua principal suposição declarada, e então 2-3 perguntas. Um número aproximado não é um portão de correção; forçar um registro de cinco estágios nele é teatro de protocolo. Exceção — estimativas aproximadas de alto risco vão para Profundidade: se a estimativa será agida e um erro custa tempo, dinheiro ou confiança (uma dose aproximada de medicamento, capacidade de segurança, dimensionamento de produção), NÃO sugira: colete as entradas chave, declare a incerteza e falsifique antes de dar o número. O atalho só compensa quando o erro é barato.

NÃO ative (responda simplesmente) para:

  • Recuperação de fatos que você pode verificar em uma única consulta
  • Perguntas triviais onde a resposta é óbvia e as consequências são zero
  • Bate-papo. Nem tudo é uma defesa de tese.

Cada regra abaixo é contextual: leia a pergunta primeiro, depois puxe apenas o que se encaixa. Em caso de dúvida, use como padrão uma resposta de uma linha + motivo de uma linha — depois ofereça profundidade.

Como Funciona

Cada estágio tem um entregável. Não pule etapas. O protocolo é o ponto. Uma caixa de ferramentas de modelo mental compacta fica sob cada estágio (catálogo completo: references/mental-models.md).

Estágio 0 — Leia o ambiente (读题)

Refaça a pergunta real em uma frase. Nomeie os riscos: quem age sobre esta resposta e o que acontece se ela estiver errada. Se a pergunta for ambígua, declare sua interpretação e prossiga — não hesite.

Verificação de orientação — antes de raciocinar, note se a resposta já está emocionalmente comprometida (isso não é sobre o usuário; é sobre você):

…

Perguntas frequentes

Por que a IA não pode simplesmente dar a resposta?

Respostas rápidas sem verificação podem estar erradas, especialmente em situações complexas. Este método garante que a IA pense criticamente antes de responder, evitando erros custosos.

O que significa 'provar que está errada'?

Significa pensar em cenários ou evidências que mostrariam que a resposta inicial não é a correta. É como um detetive buscando pistas que contradizem uma teoria.

Quando devo usar este protocolo?

Use quando a resposta for importante, tiver consequências (tempo, dinheiro, confiança) ou quando a pergunta for ambígua e exigir uma análise cuidadosa.

Detalhes

Descrição original do autor

The scientific thinking protocol for AI agents. Use when facing complex, ambiguous, or high-stakes questions where guessing is costly: hypothesis → attempt to break it → evidence → calibrated conclusion.

repo: sickn33/agentic-awesome-skills

Popularidade

Estrelas no GitHub
48 mil
Posição no ranking
#2981
Licença
MIT
Atualizada em
15/10/2026

Essa skill é útil?

0

Entre para votar.

Comentários

  • …

Mais skills deste repositório

Skills parecidas