what-if-oracle
Faz seu agente analisar cenários de 'e se' para planejar pesquisas. Ajuda a explorar diferentes possibilidades e tomar decisões informadas.
O que ela faz
Esta ferramenta ajuda a planejar projetos de pesquisa ou decisões importantes, explorando diferentes cenários futuros. Ela analisa o que pode acontecer em situações boas, ruins, inesperadas ou contrárias ao esperado, com base nas suas suposições e informações.
Quando usar
- ✓Ao planejar um novo projeto de pesquisa e querer antecipar problemas.
- ✓Ao decidir sobre qual caminho seguir em um projeto com muitas incertezas.
- ✓Para testar a robustez de um plano diante de possíveis imprevistos.
Exemplo do que pedir para a IA
“Se a taxa de desistência de participantes for 10% maior que o planejado, ainda consigo coletar dados suficientes para meu estudo em 3 meses?”
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
Mensagem pronta para colar
Como funciona
Você descreve sua situação, o que pode mudar e quais são seus objetivos. A ferramenta então cria narrativas para diferentes cenários (como o melhor caso, o pior caso, etc.) com base nas suas informações e suposições.
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 K-Dense-AI/scientific-agent-skills --skill what-if-oracleOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/main/skills/what-if-oracle/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Oráculo "E Se" — Planejamento de Cenários de Pesquisa
Explore um conjunto limitado de futuros possíveis antes de comprometer recursos de pesquisa. O resultado é uma comparação de cenários, um registro de evidências e um plano de contingência. Não abrange todo o espaço de possibilidades nem estabelece que um mecanismo narrado ocorrerá.
Os seis prompts de ramificação e o mnemônico 0·SE·1 vêm da estrutura "E Se" anterior. Trate o mnemônico como uma ajuda de enquadramento: uma mudança potencial (0), uma condição declarada (SE), e um cenário resultante (1). Não é uma lei científica nem um modelo computacional.
O Paradigma "E Se" e a Teoria Unificada da Consciência Digital do autor são catalogados pelo Zenodo como preprints. Seu depósito e DOI estabelecem a proveniência, não a precisão de previsão ou a validação empírica deste fluxo de trabalho.
Quando usar
Use para perguntas como:
- E se a perda de amostras for maior do que o planejado?
- E se um método falhar na transferência para um novo instrumento, coorte ou local?
- E se um reagente, conjunto de dados ou medição chave se tornar indisponível?
- Qual opção de pesquisa permanece viável sob hipóteses concorrentes ou restrições de recursos?
Mantenha a análise vinculada a uma decisão científica. Isso não é um conselho geral de negócios, pessoal ou uma habilidade de arquitetura de software. Se a pergunta exigir um efeito de intervenção, um cálculo de poder ou uma simulação numérica, identifique o projeto/modelo e as evidências necessárias; não fabrique esses resultados com prosa de cenário.
Nenhum pacote, endpoint de API, credencial ou conexão de rede é necessário para o fluxo de trabalho qualitativo. Verifique os fatos externos atuais quando eles importarem, ou rotule a análise como baseada apenas em material fornecido. Para prompts específicos de pesquisa e um exemplo prático, consulte references/scenario-templates.md.
Fase 1 — Enquadre a pergunta e as evidências
Escreva uma pergunta operacional contendo:
- Decisão e comparador: o que pode ser alterado e o que acontece sob o plano atual?
- Perturbação: a variável principal, magnitude, unidades e quaisquer mudanças acopladas. Não assuma que outras variáveis permanecem fixas quando o mecanismo as vincula.
- Horizonte e sistema: população, local, protocolo e janela de tempo aos quais a resposta se aplica.
- Resultado e restrições: critérios de sucesso/falha mensuráveis, orçamento, capacidade e consequências irreversíveis.
- Linha de base: observações e suas datas, separadas de suposições e metas desejadas.
Por exemplo: "Se a fração de amostras utilizáveis for 60% em vez dos 80% planejados, um lote de 100 amostras pode entregar 80 amostras utilizáveis este mês, e qual contingência devemos preparar?" Ambas as frações podem ser suposições de planejamento até serem apoiadas por dados.
Use o enquadramento fornecido pelo usuário quando for suficiente. Declare suposições de trabalho razoáveis e prossiga; peça um fato ausente apenas quando ele alterar materialmente a análise.
Mantenha um breve registro de evidências: afirmação, fonte ou versão/data dos dados, população/protocolo relevante, incerteza e status (observado, derivado de modelo ou assumido). Registre evidências conflitantes. Uma justificativa gerada por LLM não é uma observação adicional nem uma avaliação independente de especialista.
Fase 2 — Explore ramificações de cenário
Selecione cenários distintos adequados à pergunta, geralmente de quatro a seis. Uma triagem curta pode usar cenários favoráveis, de referência e adversos. Os rótulos abaixo são lentes de exploração, não resultados mutuamente exclusivos ou uma distribuição de probabilidade.
| Lente | O que examinar | Limite científico |
|---|---|---|
| Ω Favorável (melhor caso) | Condições favoráveis dentro de limites justificados | Não é um limite superior comprovado; especifique de quem o resultado melhora |
| α Caso de referência | Uma linha de base declarada ou conjunto central de suposições | Chame de "provável" apenas se evidências comparativas apoiarem essa classificação |
| Δ Adverso (pior caso) | Falhas plausíveis, incluindo falhas dependentes | Não é um limite inferior comprovado nem o pior resultado imaginável |
| Ψ Coringa | Uma interrupção concreta fora das suposições principais | Não afirme enumerar eventos incognoscíveis nem atribua uma raridade a partir do rótulo |
| Φ Contrário | Uma alternativa a uma hipótese dominante | Avalie evidências de apoio e desconfirmação; a discordância por si só não é suporte |
…
Perguntas frequentes
A ferramenta prevê o futuro?
Não, ela explora cenários possíveis com base nas informações que você fornece. Não garante que algo acontecerá ou estima probabilidades.
Preciso ser um cientista para usar?
É voltada para planejamento de pesquisa, mas o conceito de explorar cenários pode ser adaptado para outras decisões importantes onde você quer entender os riscos.
A ferramenta faz cálculos complexos?
Ela pode ajudar a organizar informações para análises, mas não realiza simulações numéricas ou cálculos estatísticos complexos por si só. Você precisa fornecer os dados e métodos para isso.
Detalhes
Descrição original do autor
Supports structured what-if scenario analysis for research planning, experimental contingencies, and scientific project decisions. Explores favorable, reference, adverse, wild-card, contrarian, and second-order scenarios with explicit assumptions, evidence, and decision triggers. Use to stress-test a research plan under uncertainty; scenario narratives do not estimate causal effects or calibrated
Popularidade
- Estrelas no GitHub
- 51 mil
- Posição no ranking
- #2002
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
13c-metabolic-flux
Estima fluxos metabólicos usando dados de rastreamento de isótopos de carbono-13. É útil para analisar o metabolismo celular e vias bioquímicas.
K-Dense-AI/scientific-agent-skills
adaptyv
Projeta experimentos de caracterização de proteínas usando a API Adaptyv. Ele ajuda a estimar custos, enviar sequências e monitorar resultados de laboratório.
K-Dense-AI/scientific-agent-skills
aeon
Realiza tarefas de aprendizado de máquina em séries temporais. É útil para classificar, prever, detectar anomalias e encontrar padrões em dados sequenciais.
K-Dense-AI/scientific-agent-skills
alphagenome
Consulta efeitos genômicos pré-calculados para variantes genéticas. Ele fornece pontuações e explicações para entender o impacto das variantes no genoma.
K-Dense-AI/scientific-agent-skills
Skills parecidas
dashboard-builder
Ajuda seu agente a criar painéis de monitoramento úteis. Ele transforma dados em gráficos que respondem a perguntas importantes sobre o sistema.
affaan-m/ECC
dev-team
Simula uma equipe de desenvolvimento colaborativa, onde diferentes papéis respondem a um problema juntos. É útil para obter múltiplas perspectivas sem trocar de agente manualmente.
affaan-m/ECC
ecc-council
Faz seu agente reunir um conselho de quatro vozes para tomar decisões difíceis. É útil quando há várias opções boas e é preciso debater antes de escolher.
affaan-m/ECC