SKILLEMALL.ai
GitHub ↗ EN Войти

AC anthropic-technical-deep-dive

Подготовка к техническим собеседованиям в Anthropic, охватывающим Constitutional AI, RLHF, интерпретируемость, законы масштабирования, MCP, агентные системы и безопасность ИИ. Активация по запросам «собеседование Anthropic», «подготовка Constitutional AI», «собеседование по выравниванию», «собеседование по безопасности», «мнение RLHF», «подготовка по интерпретируемости», «техническое собеседование Anthropic». НЕ для общей подготовки к собеседованиям по ML, собеседованиям по проектированию систем, задач по программированию или отработке поведенческих интервью.

машинный переводПоказать оригиналСкрыть оригинал«Prepare for Anthropic-specific technical interviews covering Constitut…»

Prepare for Anthropic-specific technical interviews covering Constitutional AI, RLHF, interpretability, scaling laws, MCP, agentic systems, and AI safety. Activate on "anthropic interview", "constitutional AI prep", "alignment interview", "safety interview", "RLHF opinion", "interpretability prep", "anthropic technical". NOT for general ML interview prep, system design interviews, coding challenges, or behavioral interview practice.

curiositech/some_claude_skills Agent Skills автор: curiositech 5 файлов тело ≈ 4 899 токенов Открыть источникgithub.com↗ проанализирован 38 мин назад

Подготовка к техническим собеседованиям в Anthropic, охватывающим Constitutional AI, RLHF, интерпретируемость, законы масштабирования, MCP, агентные системы и…

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
96
Качество 40%
97
Прогон на моделях
не было
Процессный рейтинг
C
58/100
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 · 4

    ✓ Критических и высоких находок нет

    Средние и низкие: 4
    • низкая Рискованное назначение intent-offensive-security references/opinion-formation-framework.md:154
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      - Evaluation infrastructure: I have built evaluation pipelines for ML models. The hardest part is evaluating capabilities you have not seen yet. Red teaming helps but is limited by the imagination of
    • низкая Рискованное назначение intent-offensive-security SKILL.md:98
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      Red teaming
    • низкая Рискованное назначение intent-offensive-security SKILL.md:207
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      **Bridge from CV/ML**: Adversarial evaluation in computer vision. Red teaming in security. Reliability engineering and failure mode analysis. The impossibility of proving a negative in testing.
    • низкая Рискованное назначение intent-offensive-security SKILL.md:278
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      | Adversarial robustness in CV | Red teaming, deceptive alignment | Finding inputs that break learned systems |

    Просканировано файлов: 5. 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 58/100

    • 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: 4, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Ошибки и развилки. Развилок: 2
    • 70Стоимость исполнения. Тело инструкции 4899 токенов
    • 100Инструменты и файлы. Инструменты объявлены во frontmatter
    • 100Шаги. Шагов: 22
    • 100Согласованность. Имя и обязательные поля на месте
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
    • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

    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

    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 7 примера фраз-триггеров в кавычках
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 436 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 32 заголовков
    • +3Пошаговые инструкции: 22 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: 97.