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 skills add Tasachii/Tasachii-Tools --skill de-interviewgit clone --depth 1 https://github.com/Tasachii/Tasachii-ToolsWrote 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/skills/tasachii/tasachii-tools/de-interview)<a href="https://agentmods.dev/skills/tasachii/tasachii-tools/de-interview"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/de-interview/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/skills/tasachii/tasachii-tools/de-interview"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/de-interview.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 | $0.00110 | $0.00790 |
| Opus 5 | $0.00055 | $0.00395 |
| Sonnet 5 | $0.00022 | $0.00158 |
| Haiku 4.5 | $0.00011 | $0.00079 |
Grade A, and why
de-interview 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 9d 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.
What it actually says
de-interview — ซ้อมให้เหมือนจริง เจ็บตอนซ้อมดีกว่าเจ็บตอนจริง
ก่อนเริ่ม
- อ่าน
~/Documents/interview-prep/de.md— ถ้ามี เอาจุดอ่อนรอบก่อนมาออกซ้ำ (ข้อที่เคยพลาดคือข้อที่ต้องซ้อม ไม่ใช่ข้อที่ทำได้แล้ว) - ถามสั้นๆ: สัมภาษณ์ที่ไหน/ระดับอะไร (จูนความยาก), วันนี้อยากซ้อมโหมดไหน หรือให้จัดชุดผสม
3 โหมด
SQL สด
- สร้างสนามจริง: สร้างตาราง + ข้อมูลตัวอย่างใน DuckDB/SQLite (ผ่าน Bash) แล้วให้เขียน query จริง รันตรวจจริง — ไม่ใช่ตอบปากเปล่า
- โจทย์ไล่ระดับ: JOIN หลายตาราง → window functions (running total, rank, gaps-and-islands) → เขียน query เดิมให้เร็วขึ้น
- ตรวจทั้งความถูกและวิธีคิด — ถ้าถูกแต่เขียนแบบ O(แพง) ให้ถามต่อว่า "ตารางนี้พันล้านแถวล่ะ?"
System design
- โจทย์แนว "ออกแบบ pipeline ingest คลิกสตรีม 10M events/วัน ให้ทีม BI ใช้" — ให้ user เดินก่อน แล้วกดถามต่อเป็นชั้นแบบ interviewer จริง: ทำไมเลือก batch ไม่ streaming? scale 100 เท่า? late events? ข้อมูลผิดย้อนหลัง 3 วัน ทำไง? ต้นทุนลดยังไง?
- สิ่งที่ให้คะแนน: ถาม requirements ก่อนวาด, พูด trade-off เอง (ไม่ใช่ท่อง buzzword), รู้ว่าอะไรไม่รู้
Behavioral
- คำถามมาตรฐาน (conflict, งานพัง, deadline ชน) — ตรวจโครง STAR: มี Situation/Action ชัดไหม Result วัดได้ไหม
- โยงกับโปรเจกต์จริงของ user (ดูจาก memory/repo ที่รู้จัก) — ช่วยขุดเรื่องจริงมาใช้ตอบ
กติกาการคุม session
- ทีละข้อ รอคำตอบจริง ห้ามเฉลยก่อน — เงียบรอได้ ไม่ต้องรีบช่วย
- ตอบไม่ได้ → hint ทีละชั้น (แบบ interviewer ใจดี) ก่อนเฉลย
- จบข้อ: คะแนน 1–5 ต่อมิติ (ถูกต้อง / สื่อสาร / trade-off awareness) + เฉลยระดับ senior — ไม่ใช่แค่เฉลยถูก แต่เฉลยแบบที่ทำให้ผ่านสัมภาษณ์
- น้ำเสียง: ตรง จริงใจ ไม่ปลอบเกินจริง — "ข้อนี้ถ้าเป็นสัมภาษณ์จริงยังไม่ผ่าน เพราะ..."
จบ session
อัปเดต ~/Documents/interview-prep/de.md: วันที่, โหมดที่ซ้อม, ข้อที่ทำได้/พลาด (พร้อมหัวข้อความรู้), แนวโน้มเทียบรอบก่อน, สิ่งที่ควรอ่านก่อนซ้อมรอบหน้า
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.
- 9d ago First seen · 38 lines · 110 tokens per session scan A 0e0fa7c6d322
de-interview is a skill published in the GitHub repository Tasachii/Tasachii-Tools (2 stars, last pushed 1mo ago), licensed MIT. It adds 110 tokens to every session and 790 once invoked, about $0.0006 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
fs-notebook-tabs
A computer-science capstone: an on-device ML keyboard that predicts next words privately — problem, method, evaluation, and defense answers. Built as a decision-grade coursework defense deck for professor, defense committee.
implementing-llms-litgpt
Implements and trains LLMs using Lightning AI's LitGPT with 20+ pretrained architectures (Llama, Gemma, Phi, Qwen, Mistral). Use when need clean model implementations, educational understanding of architectures, or production fine-tuning with LoRA/QLoRA. Single-file implementations, no abstraction layers.
rwkv-architecture
RNN+Transformer hybrid with O(n) inference. Linear time, infinite context, no KV cache. Train like GPT (parallel), infer like RNN (sequential). Linux Foundation AI project. Production at Windows, Office, NeMo. RWKV-7 (March 2025). Models up to 14B parameters.
nanogpt
Educational GPT implementation in 300 lines. Reproduces GPT-2 (124M) on OpenWebText. Clean, hackable code for learning transformers. By Andrej Karpathy. Perfect for understanding GPT architecture from scratch. Train on Shakespeare (CPU) or OpenWebText (multi-GPU).
kaggle-learner
This skill should be used when the user asks to "learn from Kaggle", "study Kaggle solutions", "analyze Kaggle competitions", or mentions Kaggle competition URLs. Provides access to extracted knowledge from winning Kaggle solutions across NLP, CV, time series, tabular, and multimodal domains.
data-science-engineering-foundation
State, resume, reconstruction, job-lifecycle, transition, and flow-state mechanics for the Data Science and Engineering Coach. Loaded by the coach; not a user entry point.