alchemist-x/predict-raven/probability-analysis

Probability Analysis

用这个 skill 做可审计的事件概率判断。目标是给出一个具体概率，并说明概率如何从定义、证据和结构化模型推出来。

适用场景

• 政治、外交、战争、监管、法院、选举、公司、科技发布等未来事件。
• 用户要求“概率”“胜率”“fair probability”“edge”“是否发生”。
• 用户要求忽略预测市场价格时，预测市场数据只能作为排除项记录，不得进入概率更新。

工作流

1. 理清定义

• 写清楚 Yes/No 触发条件、截止时间、时区、主体、官方认定口径。
• 标出容易误判的边界：临时备忘录是否算、单方声明是否算、第三方转述是否算、谁能代表主体。

1. 基础推理与搜索设计

• 把事件拆成 2-5 个必要条件或关键节点。
• 为每个节点设计搜索 query，覆盖官方声明、主流媒体、本地/当事方媒体、第三方分析、政治动态、军事/经济动态。
• 对时效敏感问题必须 web-search；优先官方和一手材料，再用主流媒体补事实缺口。

1. 证据收集与罗列

• 按来源类别列证据：官方声明、主流媒体、当事方媒体、第三方分析、政治动态、军事/安全动态。
• 每条证据保留：日期、来源、原文 URL、关键摘录、支持/反对哪个节点、可靠性。
• 对付费/版权媒体只保存 URL、标题、日期和短摘录；不要在答复中复现长文。

1. 证据权重更新

• 给每条证据打方向和权重：强支持 / 中支持 / 弱支持 / 中性 / 弱反对 / 中反对 / 强反对。
• 权重依据：一手性、时间近、是否可验证、是否与其他来源交叉印证、是否可能有战略性放话。
• 明确区分“谈判正在进行”和“可结算协议已经达成”。

1. 建立结构化模型

• 用条件概率拆解：
• P(Yes) = P(A) × P(B|A) × P(C|A∩B) ...
• A/B/C 应来自结算定义的必要条件，而不是随意命名。
• 给出每个条件的概率、理由、主要证据、残余不确定性。

1. 贝叶斯式更新与最终判断

• 从基线概率开始，逐条解释重要证据如何上调或下调。
• 输出单一主概率，并给 80% 主观置信区间。
• 如果用户要求排除某类数据，例如预测市场价格，明确说明未使用。

1. 输出格式

• 先给结论概率。
• 再给模型分解表、关键证据表、上调/下调因素、最可能触发 Yes/No 的观察点。
• 附归档路径或 source manifest，方便复核。

禁止事项

• 不得用预测市场价格倒推出概率，除非用户明确要求纳入市场信号。
• 不得把单方乐观表态当作“双方正式协议”。
• 不得在证据不足时编造官方声明或引用不存在的来源。
• 不得只给“可能/不可能”而不给具体概率。