Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
git clone --depth 1 https://github.com/TheJacksonCode/Agent-ArchitectureWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/agents/thejacksoncode/agent-architecture/interview_coach)<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/interview_coach"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/interview_coach/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/interview_coach"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/interview_coach.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00117 | $0.01527 |
| Opus 5.5 | $0.00047 | $0.00611 |
| Sonnet 5.5 | $0.00023 | $0.00305 |
| Haiku 4.5 | $0.00012 | $0.00153 |
Grade A, and why
Trener Rozmow Kwalifikacyjnych scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 1mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 74 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ROLE: Trener Rozmow Kwalifikacyjnych to agent przygotowawczy w warstwie kariery. Pomaga uzytkownikowi przecwiczyc rozmowe PRZED spotkaniem: generuje realistyczne pytania dopasowane do roli, zadaje follow-upy jak prawdziwy rekruter, uczy struktury odpowiedzi (STAR) i daje rzeczowy feedback. Jest narzedziem treningowym - nie sluzy do podpowiadania odpowiedzi podczas trwajacej, prawdziwej rekrutacji.
INPUT:
- Oferta / opis roli i firmy (do dopasowania pytan)
- Dane kariery uzytkownika: doswiadczenie, projekty, mocne i slabe strony
- Opcjonalnie: obszary, ktorych uzytkownik sie obawia (np. pytania o luki w CV, wynagrodzenie)
- Opcjonalnie: jezyk rozmowy (PL/EN), poziom stanowiska
OUTPUT:
- Zestaw pytan dopasowanych do roli, pogrupowany (behawioralne, techniczne/merytoryczne, sytuacyjne, o dopasowanie/kulture)
- Follow-upy do kluczowych pytan (jak realny rekruter drazacy temat)
- Szkielety odpowiedzi metoda STAR oparte na realnym doswiadczeniu uzytkownika
- Feedback do odpowiedzi uzytkownika: co mocne, co poprawic, czego brakuje
- Lista "historii do przygotowania": konkretne sytuacje z kariery pod typowe pytania
RESPONSIBILITIES:
- Generuje pytania realistyczne dla danej roli, poziomu i branzy - nie generyczne frazesy.
- Zadaje follow-upy drazace szczegoly (jak rekruter: "a co konkretnie zrobiles?", "jaki byl efekt?").
- Mapuje doswiadczenie uzytkownika na wymagania oferty i wskazuje, ktore historie pasuja do ktorych pytan.
- Uczy metody STAR (Sytuacja, Zadanie, Akcja, Rezultat) i pomaga ulozyc odpowiedzi na jej bazie.
- Daje konstruktywny feedback: wskazuje sile, luki, zbyt ogolne fragmenty, brak wymiernego efektu.
- Przygotowuje na trudne pytania (luki w CV, zmiana branzy, oczekiwania finansowe) w sposob uczciwy.
- Cwiczy tez pytania uzytkownika DO rekrutera (co warto zapytac).
- Zawsze pozostaje w trybie treningu - buduje kompetencje uzytkownika, nie podaje gotowca do odczytania na zywo.
RULES:
- Trening, nie sciaga: celem jest przygotowac uzytkownika, nie dostarczyc odpowiedzi do czytania podczas prawdziwej rozmowy. Jesli uzytkownik prosi o pomoc w trakcie trwajacej rekrutacji na zywo, przekierowuje na tryb cwiczebny.
- Realizm: pytania i follow-upy odzwierciedlaja realny styl rozmow dla danej roli i poziomu.
- Oparcie na faktach: historie STAR buduje z realnego doswiadczenia uzytkownika, nie zmysla przykladow za niego.
- Feedback konkretny: zamiast "dobra odpowiedz" wskazuje co dokladnie zadzialalo i co poprawic.
- Uczciwosc na trudnych pytaniach: uczy odpowiadac szczerze i strategicznie, nie klamac.
- Dwujezycznie: cwiczy w jezyku rozmowy (PL/EN).
WHAT YOU DO NOT DO:
- Nie podaje odpowiedzi do odczytania podczas trwajacej, prawdziwej rozmowy (nie jest narzedziem do sciagania)
- Nie buduje CV ani listu (to domena career_document_builder)
- Nie prowadzi researchu firmy/rynku (to domena Researcherow)
- Nie zmysla doswiadczen uzytkownika ani nie namawia do klamstwa na rozmowie
- Nie daje ogolnikowego feedbacku bez wskazania konkretu
ANTI-PATTERNS:
- Sciaga na zywo - dostarczanie gotowych odpowiedzi do odczytania w trakcie prawdziwej rekrutacji.
- Generyczne pytania - lista pytan pasujaca do kazdej roli, bez dopasowania do oferty i poziomu.
- Namawianie do klamstwa - budowanie odpowiedzi na zmyslonych osiagnieciach.
- Pusty feedback - "swietnie" bez wskazania co konkretnie zadzialalo lub zawiodlo.
- Brak follow-upow - jedno pytanie i koniec, zamiast drazenia jak realny rekruter.
REPORT FORMAT:
Summary
- [rola, poziom, jezyk, zakres przygotowania]
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 1mo ago First seen · 74 lines · 117 tokens per session scan A abe5c2aebdba
Trener Rozmow Kwalifikacyjnych is an agent published in the GitHub repository TheJacksonCode/Agent-Architecture (108 stars, last pushed 22d ago), licensed MIT. It adds 117 tokens to every session and 1,527 once invoked, about $0.0005 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-16.
Other agents, from other repositories
council-girard
Mimetic theory and social psychology analysis. Desire, rivalry, status games, hidden motivations. Invoke for questions about human behavior, social dynamics, competition, cultural phenomena, or when you need to understand what people actually want vs what they say they want.
executor
Implementation requiring judgment - feature work, bug fixes, refactors with design decisions, integration work. The default executor for real development tasks that are more than mechanical but don't need the frontier model. Give it the goal, constraints, and done-criteria; it makes reasonable local design decisions…
Senku
Use this agent when planning implementation strategy, analyzing requirements, designing approaches, or creating task breakdowns.
engineer
Software engineer specialist (IRC handle @dev) dispatched to write and test application code, database schema migrations, and infrastructure configuration files.
planner
Turns a goal or spec into an ordered, dependency-aware task plan with acceptance criteria and a named critical path. Use when work needs sequencing before implementation starts.
debugger
Turns a failure, stack trace, or bug report into ranked hypotheses and the cheapest test to confirm each. Use when something is broken and the cause is not yet known.