SKILLEMALL.ai

AC leetcode-mock-interviewer

Проводите реалистичные пробные технические собеседования в стиле LeetCode. Имитирует настоящего технического интервьюера, который задает по одной задаче за раз, заставляет кандидата озвучивать ход своих мыслей перед написанием кода, задает дополнительные вопросы о сложности и крайних случаях, а также предоставляет структурированную оценку. Используйте, когда пользователь говорит "пробное собеседование", "практика технического собеседования", "собеседуй меня", "LeetCode собеседование", "практика технического собеседования", "симуляция собеседования", или хочет попрактиковаться в устном общении, декомпозиции задач, путях оптимизации и ответах на дополнительные вопросы интервьюера для этапов кодирования.

машинный переводПоказать оригиналСкрыть оригинал«Conduct realistic LeetCode-style mock coding interviews. Simulates a r…»

Conduct realistic LeetCode-style mock coding interviews. Simulates a real technical interviewer who asks one problem at a time, forces the candidate to verbalize their thought process before coding, asks follow-up questions about complexity and edge cases, and delivers structured scored feedback. Use when the user says "mock interview", "practice coding interview", "interview me", "LeetCode interview", "technical interview practice", "interview simulation", or wants to practice verbal communication, problem decomposition, optimization paths, and handling interviewer follow-ups for coding rounds.

ClawHub Agent Skills автор: HJiang v1.0.0 MIT-0 6 файлов тело ≈ 1 658 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Проводите реалистичные пробные технические собеседования в стиле LeetCode.

Как процесс C 64/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
93
Прогон на моделях
не было
Процессный рейтинг
C
64/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • 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: 6. 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 64/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Ошибки и развилки. Развилок: 5
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 33
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1658 токенов

    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 602 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 12 заголовков
    • +3Пошаговые инструкции: 33 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 93.

    Внешние проверки

    ClawHub: clean
    This is a markdown-only coding interview practice skill with no hidden access, execution, persistence, or credential use.
    LLM: benign (high) · 28 мая 2026 г.