Nav Deep Interview logo

Nav Deep Interview

Organization
navikt
nav-deep-interview

Strukturert intervju som avdekker blindsoner i Nav-prosjekter — personvern, auth, avhengigheter og observerbarhet

Overview

Publishernavikt
Repositorycopilot
Skill namenav-deep-interview
Stars
60
Forks
16
Bundled files
3
LicenseMIT
Links
  • Markdown instructions

    A SKILL.md file the model loads on demand, so it only costs tokens when a request actually matches.

  • Works with any LLM

    AI skills are plain Markdown, not provider-specific code, so this works with GPT, Claude, Gemini, Grok, or a local model.

  • 3 bundled files

    Scripts, templates, and references the model can read while it works. Files are read-only and never executed.

  • Open source

    Published by navikt on GitHub. Read the source before you install it.

Installation

Install the Nav Deep Interview AI skill in TypingMind to use it with any LLM, or drop it into another agent that reads SKILL.md.

1

Install in TypingMind

TypingMind installs a skill straight from its GitHub folder — it reads SKILL.md, bundles the resource files, and stores the result locally.

  1. Open the app and go to Plugins → Skills.
  2. Choose "Install from GitHub".
  3. Paste the skill folder URL below and confirm.
    https://github.com/navikt/copilot/tree/main/skills/nav-deep-interview
  4. Enable the skill in any chat where you want it available.
Plugins → Skills → Add skill → From GitHub URL, then paste the folder URL and press Continue.
2

Install in another agent

Any agent that reads the Agent Skills format can use this skill — copy the folder into that agent's skills directory.

Claude Code — .claude/skills
git clone --depth 1 https://github.com/navikt/copilot.git /tmp/copilot
mkdir -p .claude/skills
cp -r /tmp/copilot/skills/nav-deep-interview .claude/skills/nav-deep-interview
Restart Claude Code after copying so it picks up the new skill.

Use it in TypingMind

Enable Nav Deep Interview in any TypingMind chat and the model takes it from there. Its name and description sit in the system prompt, and the moment a request matches, the model loads the full instructions itself — you never invoke it by hand, and it costs no tokens until it is actually used.

The model loads Nav Deep Interview on its own as soon as a request matches it.

Works with any AI model

AI skills are plain Markdown instructions rather than provider-specific code, so Nav Deep Interview is not tied to the model it was written for. Install it once in TypingMind and use it with GPT-5, Claude, Gemini, Grok, DeepSeek, Mistral, Llama, or a local model you run yourself — all on your own API keys.

  • Loaded only when it is needed

    The system prompt carries just the name and description. The instructions are fetched on the first matching request, so an idle skill costs nothing.

  • Switch models mid-chat

    Because the skill is instructions rather than code, changing model does not break it — the next model reads the same SKILL.md.

Skill instructions

This is the SKILL.md content the model loads. Read it before installing — a skill is instructions your model will follow.

Deep Interview — Nav Project Clarification

Kjør et strukturert intervju for å avdekke blindsoner før implementering starter. Basert på vanlige feil og oversikter i Nav-prosjekter.

Workflow

  1. Identifiser arketype — hva slags ting bygges?
  2. Still domene-spesifikke spørsmål — basert på arketypen
  3. Oppsummer funn — krav, risiko, ikke-mål
  4. Generer output — strukturert kravdokument

Steg 1: Arketype

Still dette spørsmålet først:

Hva slags ting bygger du?

  • Backend API (Kotlin/Ktor eller Spring Boot)
  • Hendelsekonsument (Kafka / Rapids & Rivers)
  • Frontend for innbygger (Next.js + ID-porten)
  • Frontend for saksbehandler (Next.js + Entra ID)
  • Batchjobb (Naisjob)
  • Fullstack (frontend + BFF + backend)

Steg 2: Domene-spesifikke spørsmål

Still spørsmål fra alle fire domener. Tilpass rekkefølge basert på arketype.

Personvern og data

Disse spørsmålene glemmes oftest. Still dem først.

#SpørsmålHvorfor
D1Behandler tjenesten personopplysninger? Hvilke kategorier?Bestemmer dataklassifisering og lagringsregler
D2Hvem har tilgang til dataene — innbygger, saksbehandler, system?Bestemmer auth og tilgangskontroll
D3Hva er formålet med behandlingen? (Hjemmel)Nødvendig for GDPR-vurdering
D4Hvor lenge skal data lagres? Finnes det sletteregler?Påvirker database-design og retensjon
D5Skal data deles med andre tjenester? Hvilke?Påvirker API-design og accessPolicy
D6Trenger dere audit-logging av hvem som har sett/endret data?Påkrevd for sensitive personopplysninger

Se data-classification.md for Navs dataklassifiseringsnivåer.

Plattform og autentisering

#SpørsmålHvorfor
P1Hvem initierer forespørsler — bruker, annen tjeneste, batch, ekstern?Bestemmer auth-mekanisme
P2Hvilke andre tjenester kaller dere? Hvilke cluster?Bestemmer outbound accessPolicy og token exchange
P3Er tjenesten eksponert eksternt (internett) eller bare internt?Bestemmer ingress og nettverkspolicy
P4Hva skjer når en avhengighet er nede?Påvirker retry-strategi og circuit breaker
P5Trenger dere asynkron kommunikasjon (hendelser)?Kafka-oppsett eller ikke
P6Finnes det eksisterende tjenester dere kan gjenbruke?Unngå duplikering

Observerbarhet og drift

#SpørsmålHvorfor
O1Hvilke forretningsmetrikker viser at tjenesten fungerer?Definerer Prometheus-metrikker
O2Hva skal trigge varsling?Definerer alerting-regler
O3Hvordan vet dere at en deploy gikk bra?Smoke test-strategi
O4Hvem er on-call? Finnes det en vaktordning?Påvirker varslings-setup
O5Forventet trafikkmønster? (Jevnt, kontor­tid, sesong?)Påvirker skalering og ressurser

Team og prosess

#SpørsmålHvorfor
T1Nytt prosjekt eller utvidelse/modernisering av eksisterende?Påvirker scaffold vs. migrasjonsstrategi
T2Avhenger dere av andre team? Hvilke?Koordineringsbehov
T3Er det en deadline (regulatorisk, politisk, annet)?Påvirker scope og prioritering
T4Har teamet erfaring med stakken?Påvirker kompleksitetsnivå

Modernisering og migrasjon

Still disse spørsmålene hvis T1 avdekker modernisering/refaktorering:

#SpørsmålHvorfor
M1Hva finnes i dag — hvilken teknologi, arkitektur og datamodell?Kartlegger utgangspunktet
M2Hva er feil med dagens løsning? (Ytelse, vedlikeholdbarhet, sikkerhet?)Avklarer motivasjon og prioritet
M3Må gammel og ny løsning kjøre parallelt? Hvor lenge?Bestemmer migreringsstrategi (big bang vs. gradvis)
M4Finnes det andre team eller tjenester som konsumerer API-er/hendelser som endres?Koordineringsbehov og bakoverkompatibilitet
M5Hva er rollback-planen hvis migreringen feiler?Må defineres FØR implementering starter
M6Hvordan vet dere at migreringen er ferdig? (Exit criteria)Definerer når gammel løsning kan dekommisjoneres
M7Finnes det data som må migreres? Hvor mye?Påvirker migreringspipeline og nedetid
M8Har dere karakteriseringstester som låser dagens adferd?Nødvendig for trygg refaktorering

Steg 3: Sjekk blindsoner

Etter intervjuet, sjekk om noen av disse vanlige blindsonene ble avdekket. Hvis ikke — still oppfølgingsspørsmål.

Se blind-spots.md for en komplett liste over vanlige oversikter.

Kritiske blindsoner (still alltid):

  • Er auth-mekanismen verifisert mot caller-typen?
  • Er accessPolicy.inbound definert i Nais-manifestet?
  • Er PII-logging unngått?
  • Er HikariCP pool-størrelse tilpasset container (3-5, ikke 10)?
  • Er det satt opp structured logging (JSON)?
  • Finnes det en strategi for dependency failure?

Ekstra blindsoner for modernisering (still hvis T1 = modernisering):

  • Er bakoverkompatibilitet vurdert? (Kan gammel kode lese nytt skjema?)
  • Er rollback-plan definert og testet?
  • Er exit criteria for migreringen definert?
  • Er berørte konsumenter identifisert og informert?
  • Er dekommisjoneringsplan for gammel løsning laget?
  • Er feature toggle satt opp for gradvis utrulling?
  • Er rekonsiliering planlagt (sammenligning av gammel og ny)?

Endringskonsekvensanalyse (still alltid for brownfield)

Kartlegg påvirkning systematisk. Disse spørsmålene avdekker risiko som ofte oppdages for sent:

#SpørsmålFormål
K1Hvem kaller dine API-er i dag? (sjekk accessPolicy.inbound)Identifiser direkte konsumenter
K2Hvem konsumerer dine Kafka-hendelser?Finn downstream-avhengigheter
K3Har andre tjenester tilgang til databasen din?Avdekk delt database-risiko
K4Påvirker endringen data som vises til innbyggere?Brukerreise-konsekvens
K5Påvirker endringen data som brukes til utbetaling?⚠️ Høy risiko — krever ekstra review
K6Finnes det dashboards eller varsler som må oppdateres?Operasjonell påvirkning
K7Krever endringen koordinert deploy med andre team?Logistisk risiko
K8Finnes det API-kontrakter (eksplisitte eller implisitte) som endres?Kontraktsbrudd
K9Hva er testtilstanden for koden som endres? (dekning, type tester)Endringssikkerhet
K10Hvordan verifiserer dere at endringen fungerer i produksjon?Observerbarhet

Steg 4: Output

Generer et strukturert kravdokument:

markdown
# Prosjekt: [navn]

## Arketype
[Backend API / Hendelsekonsument / Frontend / ...]

## Scope
- [Hva som skal bygges]
- [Ikke-mål: hva som er utenfor scope]

## Dataklassifisering
- Nivå: [Åpen / Intern / Fortrolig / Strengt fortrolig]
- PII-kategorier: [fnr, navn, helseopplysninger, ...]
- Hjemmel: [...]

## Arkitekturbeslutninger
| Beslutning | Valg | Begrunnelse |
|-----------|------|-------------|
| Auth | [mekanisme] | [hvorfor] |
| Kommunikasjon | [sync/async] | [hvorfor] |
| Database | [PostgreSQL/ingen/BigQuery] | [hvorfor] |
| Observerbarhet | [metrikker] | [hva måles] |

## Migrasjonsstrategi (kun ved modernisering)
| Aspekt | Beslutning |
|--------|-----------|
| Endringstype | [Nybygg / Modernisering / Refaktorering] |
| Utrulling | [Big bang / Gradvis med toggle / Parallellkjøring] |
| Rollback | [Toggle av / Revert migrasjon / Beholde gammel] |
| Exit criteria | [Når er migreringen ferdig?] |
| Dekommisjonering | [Plan for å fjerne gammel løsning] |

## Identifiserte risikoer
1. [risiko + foreslått mitigering]

## Endringskonsekvenser (kun ved brownfield)
| Berørt komponent | Type påvirkning | Risiko | Handling |
|-----------------|----------------|--------|---------|
| [tjeneste/team] | [API/Kafka/DB/UI] | [Lav/Middels/Høy] | [Informere/Migrere/Teste] |

## Teststrategi
| Lag | Testnivå | Hva dekkes |
|-----|----------|-----------|
| [Forretningslogikk] | [Unit] | [Beregninger, validering] |
| [API] | [Slice/integrasjon] | [Ruting, feilkoder, auth] |
| [Database] | [Integrasjon] | [CRUD, migreringer] |
| [Brukerreise] | [E2E] | [Kritiske flyter] |

## Avhengigheter
- [team/tjeneste + hva som trengs]

## Neste steg
- [ ] [konkret aksjonspunkt]

Boundaries

✅ Always

  • Still personvernspørsmål først — de glemmes oftest
  • Verifiser auth-mekanisme mot caller-type
  • Dokumenter ikke-mål eksplisitt
  • Identifiser minst én risiko

⚠️ Ask First

  • Foreslå arkitektur som avviker fra teamets eksisterende stack
  • Anbefale å endre auth-mekanisme på eksisterende tjenester

🚫 Never

  • Anta at auth ikke trengs
  • Hoppe over personvernspørsmål
  • Foreslå at PII kan logges
  • Ignorere spørsmål om avhengigheter til andre team

Bundled files

The model reads these on demand while the skill is loaded. They are exposed as readable files and are never executed.

Frequently asked questions

What does the Nav Deep Interview AI skill do?

Strukturert intervju som avdekker blindsoner i Nav-prosjekter — personvern, auth, avhengigheter og observerbarhet

Why use Nav Deep Interview on TypingMind?

Because you install it once and use it with any model. Nav Deep Interview is plain Markdown rather than provider-specific code, so the same skill runs on GPT-5, Claude, Gemini, Grok, or a local model — and you can switch model mid-chat without it breaking. TypingMind runs on your own API keys, so you pay providers directly instead of a per-seat subscription, and your skills and chats stay in your own storage.

How do I install Nav Deep Interview in TypingMind?

Open Plugins → Skills → Install from GitHub in TypingMind and paste https://github.com/navikt/copilot/tree/main/skills/nav-deep-interview. TypingMind reads its SKILL.md and bundles its files and installs it as a skill you can enable per chat.

Which AI models can use Nav Deep Interview?

Any model you connect in TypingMind. AI skills are plain Markdown instructions rather than provider-specific code, so GPT, Claude, Gemini, Grok, and local models can all load this skill when a request matches it.

How many AI models can I use with Nav Deep Interview?

As many as you like. As long as a model supports skills, you can use Nav Deep Interview with it — GPT, Claude, Gemini, Grok, DeepSeek, Mistral, Llama and more — all on TypingMind with your own API keys.

Is the Nav Deep Interview AI skill free?

Yes. It is published on GitHub by navikt under the MIT license. You only pay your own AI provider for the tokens you use.

What are AI skills?

An AI skill is a reusable instruction bundle that teaches an AI model how to do one specific task. It follows the open Agent Skills format: a SKILL.md file with a name and description, plus any scripts, templates or reference files the model may need. The model reads the instructions only when your request matches the skill, so an installed skill costs nothing until it is used.

How are AI skills different from plugins or MCP servers?

A plugin or MCP server gives a model new tools to call — code that runs somewhere and returns a result. An AI skill gives the model knowledge and process instead: how to approach a task, which steps to follow, what good output looks like. Skills are plain Markdown, so they need no server, no API key and no runtime, and they work with any model.

View all

Set up your own AI workspace now

Get notified about new features and future giveaways by subscribing to our newsletter 👇