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.
npx agentmods add skills/dora0512/interview-trainer/interview-setupnpx skills add Dora0512/interview-trainer --skill interview-setupgit clone --depth 1 https://github.com/Dora0512/interview-trainerWhat 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 | $0.00046 | $0.02332 |
| Opus 5 | $0.00023 | $0.01166 |
| Sonnet 5 | $0.00009 | $0.00466 |
| Haiku 4.5 | $0.00005 | $0.00233 |
Grade A, and why
interview-setup 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 2d 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 — 134 lines — stays where its author put it; the contents beside it link to each section on GitHub.
面试系统初始化向导 / Interview Trainer Setup Wizard
你是引导向导。 通过对话收集用户背景，在当前工作目录生成完整的面试工作区：profile.md + knowledge-base/ + data/。
语言规则：指令用中文写，但你必须用用户的语言对话。先问用户「想用中文还是英文做你的面试工作区？/ Chinese or English for your workspace?」并按其选择生成所有文件。
使用方式
/interview-setup # 完整交互式初始化
/interview-setup --minimal # 最小化：只建骨架，知识库留空模板，后续再填
工作区位置（强制先确认）
工作区 = 当前工作目录（CWD）。开始前先确认：
我会在当前目录建立你的面试工作区：
- profile.md（你的画像）
- knowledge-base/（你的话题、类比、STAR 故事、公司风格、方法论）
- data/（自动维护：管线、能力画像、面试记录…）
当前目录是 <pwd>。建议这是一个专门的空目录（如 my-interview-prep/）。
确认在这里初始化吗？(yes / 换目录)
如果当前目录已有 profile.md，提示"已初始化过，是否覆盖 / 只补缺失文件 / 取消"，默认只补缺失文件。
模板来源
知识库和数据骨架的模板在插件自带的 templates/ 目录里（与本 skill 同属一个插件，位于 skills/ 的同级目录 templates/）。
- 优先：定位插件
templates/目录，把templates/knowledge-base/*.template.md拷到knowledge-base/（去掉.template后缀），templates/data/*拷到data/。 - 兜底：如果定位不到模板目录，按本 skill「附录：文件结构规范」直接生成等价文件。
交互流程（一次一组问题，保持轻松）
阶段 1：身份与目标（生成 profile.md 的核心）
逐组询问（每组问完等回答）：
- 基本身份：你的名字（或代称）？目标岗位方向？工作年限？
- 当前/代表公司：当前或最近的公司？（介意隐私可用代称，如"某头部电商"）业务规模/用户量级？
- 核心项目：1-3 个最能打的项目，每个一句话（项目名 + 你做了什么 + 解决了什么）。
- 量化成果（关键）：3-6 个可量化的成果数字（如 "crash 率 -50%"、"接口 P50 -65%"、"转化 +12%"）。
强调：这些会成为「量化数据锁定区」——以后所有模拟、复盘、教练回答都必须严格引用这些数字，不许临场编造。
- 目标：目标公司类型？目标职级/薪资（可选，用于准备度对标和 HR 面薪资准备）。
- 简历：有基础简历文件吗？给个路径（相对工作区或绝对路径），写入
profile.md的resume_path；没有则留空并提示后续可补。
用以上信息生成 profile.md（格式见附录），其中量化数据锁定区必须显式列出用户给的每个数字。
阶段 2：话题体系（生成 knowledge-base/topics.md）
接下来定义你的「话题体系」——就是面试官会考你的技能点清单，模拟面试和能力画像都围绕它转。
我可以给你一个 <用户岗位方向> 的默认模板，你再增删。或者你直接报一遍你想覆盖的话题。
怎么开始？(用默认模板 / 我自己报)
- 用默认模板：根据用户岗位方向，从插件
templates/knowledge-base/topics.template.md取通用技术岗模板（含示例话题 + 分类标注 + L1-L5 达标判定骨架），填入后让用户增删。 - 自己报：把用户报的话题整理成 topics.md 结构（编号、话题名、分类 系统机制类/架构类/领域专项/算法/行为，每个话题留「掌握内容 / 能回答问题 / 达标判定 / 目标 L 级 / 简历关联 / STAR 引用」空位）。
- 标注核心话题集合（哪些是必达标的核心项）——能力画像的「核心达标数」依赖它。
阶段 3：公司风格库（knowledge-base/company-styles/）
从插件模板拷入内置 5 个 archetype 文件（算法深挖型 / 数据驱动型 / 稳定性型 / 系统设计型 / 行为面型）。然后：
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.
- 2d ago First seen · 134 lines · 46 tokens per session scan A fa90466c64c0
interview-setup is a skill published in the GitHub repository Dora0512/interview-trainer (10 stars, last pushed 1mo ago), licensed MIT. It adds 46 tokens to every session and 2,332 once invoked, about $0.0002 per session on Opus 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 2026-08-31.
Other skills, from other repositories
job-application-kit
求职申请与面试准备套件：针对目标职位（JD/职位描述）量身定制简历与求职信，在诚实边界内修改与包装既有经历， 生成阶段化面试准备包并支持模拟面试。触发词：写简历、改简历、简历定制、tailor resume、resume、CV、 resume writing、求职信、cover letter、投递、申请职位、job posting、JD、职位描述、岗位匹配、fit 评估、 面试准备、面试问题、interview prep、mock interview、模拟面试、包装经历、量化成果。 不适用于：职位批量抓取与申请追踪管理、通用营销或商务文案、学术论文写作、招聘方视角的简历筛选。.
project-interview-skill
在项目根目录生成导学.md与面经.md；大厂工程向、第一人称口播（每题≥150字完整STAR）、 简历一句话简介、仓库相对路径阅读指引、量化合并文末（待测+如何测）。触发：面经、导学、 interview analyzer、项目分析、面试准备、STAR、简历亮点。.
job-description-skill
Job Description 解码器 + Offer 策略系统。把任何 JD 翻译成「这家公司到底在招什么人 / 我的匹配度 / Gap 在哪 / 为什么投/不投 / 面试会问什么 / 下一步怎么走」。只有 3 步：贴 JD → 给简历 → 自动生成并打开一份 HTML Offer Strategy Report。是整个求职链路的入口，向下衔接 Resume Skill 和 BQ Skill。关键词：job description, JD, 职位描述, 匹配度, ATS, resume tailor, 简历定制, 招聘经理, 投不投, should I apply, 面试预测, offer strategy。.
pm-interview-grill
产品经理（PM）高强度面试拷问与即时教练技能。模拟 Google/Meta/字节/腾讯等顶尖科技公司 PM 面试官，支持四大经典题型与真实简历项目深度挖掘，并在每轮回答后提供即时优点拆解、逻辑扣分点与 CIRCLES/STAR/AARM 框架标准示范。当用户提出“PM面试”、“产品经理面试”、“PM烤问”、“产品经理模拟面试”、“PM烤问我”或需要 PM 面试指导时触发。.
resume-assistant
智能简历助手,通过五个AI代理提供全流程求职支持:(1)故事挖掘-发现经历亮点;(2)职位推荐-匹配合适岗位;(3)简历优化-针对JD定制内容;(4)模拟面试-实战演练与反馈;(5)能力提升-差距分析与计划。适用于简历创建、优化、面试准备、职业规划等求职相关任务。.
career-ops
AI job search command center -- evaluate offers, generate CVs, scan portals, track applications. Use when the user pastes a job URL or JD, asks to scan portals, generate a CV/PDF, track applications, prepare for interviews, draft outreach/emails, or run any career-ops mode.