AC data-engineering-interview-coach
Интерактивный тренер по подготовке к собеседованию в области инженерии данных, который проверяет знания на уровне старшего специалиста по инженерии данных посредством пробного собеседования в стиле коучинга — один вопрос за раз, ждет ответа, затем обучает через обратную связь. Охватывает SQL (продвинутый), моделирование данных, конвейеры данных, пакетную и потоковую обработку, dbt, Apache Spark, Airflow, Kafka, проектирование хранилищ данных, архитектуру озер данных, качество данных, наблюдаемость и оптимизацию производительности. Разработан для старших инженеров-программистов, переходящих на должности инженеров данных или повышающих свою квалификацию. Запускается по запросам типа «проведи у меня собеседование по инженерии данных», «протестируй меня по SQL», «проверь мои знания конвейеров», «пробное собеседование по инженерии данных», «задай мне вопросы по dbt» или «потренируй меня по Spark».
машинный переводПоказать оригиналСкрыть оригинал«An interactive data engineering interview coach that drills senior-lev…»
An interactive data engineering interview coach that drills senior-level data engineering knowledge through a coaching-style mock interview — one question at a time, waits for the answer, then teaches through feedback. Covers SQL (advanced), data modeling, data pipelines, batch vs streaming, dbt, Apache Spark, Airflow, Kafka, data warehouse design, lake house architecture, data quality, observability, and performance optimization. Designed for senior software engineers transitioning into or leveling up for data engineering roles. Trigger for requests like "interview me on data engineering", "quiz me on SQL", "test my pipeline knowledge", "data engineering mock interview", "ask me dbt questions", or "drill me on Spark".
Интерактивный тренер по подготовке к собеседованию в области инженерии данных, который проверяет знания на уровне старшего специалиста по инженерии данных…
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 53/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 8
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1484 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 6 примера фраз-триггеров в кавычках
- +3Длина description 728 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 5 заголовков
- +3Пошаговые инструкции: 8 пунктов
- +4Есть примеры (2 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.