last30days：让 AI Agent 搜索过去 30 天的互联网

AI Agent 的知识更新速度，常常跟不上真实世界的变化。模型知道很多历史事实，却很难直接回答一个工程团队每天都会遇到的问题：某个项目最近发生了什么，用户正在讨论什么，哪些观点获得了真实互动，哪些信息只是在媒体标题里短暂出现。

GitHub Trending 上升很快的开源项目 mvanhorn/last30days-skill，尝试把这个问题交给 Agent 自己处理。它把 Reddit、X、YouTube、TikTok、Hacker News、Polymarket、GitHub 和 Web 搜索接到同一条研究流水线上，再按照相关性、时效性和互动信号整理成一份近期简报。项目的关键价值不在于增加一个搜索入口，而在于把分散在不同平台的近期信号组织成可复用的 Agent 工作流。

它解决的是什么问题

传统搜索适合寻找稳定知识：某个 API 如何调用，某个协议如何定义，某个框架的官方文档在哪里。近期研究则有另一种信息结构。一个产品的真实体验可能出现在 Reddit 评论里，开发者的最新判断可能出现在 X，长篇技术解释可能藏在 YouTube 访谈中，项目活跃度则体现在 GitHub 的提交、Issue 和 Pull Request 里。

这些平台各自拥有独立的搜索接口、登录方式和排序规则。把它们逐个打开，人工比较发布时间、互动量和内容相关性，成本很高。只调用一个平台，又会让结论被平台的用户群体和推荐机制限制。

last30days-skill 的做法是先把主题拆成多个可检索的对象，再并行请求不同来源。搜索一个人时，它会尝试解析相关账号、GitHub 用户和社区；搜索一个产品时，它会寻找项目仓库、相关 subreddit、视频关键词和技术讨论。之后，Agent 对收集到的内容进行聚类和综合，输出带有证据线索的研究结果。

这类工具特别适合四种场景：准备会议前了解某家公司或人物最近的公开活动，写作前收集用户实际反馈，比较多个开发工具的社区评价，以及追踪一个技术主题从出现到形成共识的过程。

多源搜索的基本架构

从仓库的运行时 SKILL.md 和配置文档看，项目可以拆成五个阶段。

第一阶段是主题解析。输入可以是人名、公司、产品、技术主题或比较问题。系统会先确定搜索对象，再生成不同来源需要的查询。一个主题通常不会直接复用同一个关键词，而是扩展成多个平台适用的查询。例如 GitHub 更适合仓库和提交，YouTube 更适合视频标题和频道，Reddit 更适合社区与评论，Polymarket 则需要寻找对应的预测市场。

第二阶段是来源并行检索。项目默认支持 Reddit、Hacker News、Polymarket、GitHub 和 Web 等不需要额外密钥的来源；YouTube 在本地安装 yt-dlp 后可用，X、TikTok、Instagram、LinkedIn 等来源则根据浏览器会话或可选 API 密钥启用。配置文档把来源分成默认开启、按主题自动开启和显式选择三类，这种设计可以控制成本，也能避免每次研究都请求无关平台。

第三阶段是证据排序。结果不会只按发布时间排序。项目会综合 upvote、like、view、comment、star、市场概率等互动信号，同时保留相关性和时间窗口。README 将这种排序概括为“由真实用户的注意力和资金投票”，它解释了为什么一个有大量高质量评论的社区帖子，可能比一篇无人阅读的文章更值得进入简报。

第四阶段是跨来源聚类。相同事件可能在多个平台以不同标题出现。系统需要将这些内容归并到同一个主题，再比较每个平台提供的侧面。GitHub 贡献记录能说明项目是否持续开发，Reddit 评论能说明用户遇到的具体问题，YouTube 内容能补足较长的背景解释。聚类完成后，研究结果具备了时间线和多角度证据。

第五阶段是 Agent 综合。运行时规范要求输出围绕研究结果组织内容，同时保留引用和来源覆盖信息。项目还提供 --emit=html、--emit=json 等输出形式，方便把简报接入后续自动化流程。对于开发团队来说，这意味着研究结果可以进入内部知识库、会议准备流程或内容生产管线，而不必每次手动复制网页链接。

来源能力如何取舍

多源并不等于来源越多越好。每个平台的信号含义不同，配置文档对此有比较明确的划分。

这套来源组合的设计重点是互补。互动量负责告诉 Agent 哪些内容获得了注意力，官方文档和 GitHub 记录负责提供可核对的事实，评论和长视频负责补充用户语境。最终结果仍需要读者区分“社区正在讨论什么”和“项目已经正式实现什么”，两者在研究报告中承担不同作用。

配置和安装

项目为 Claude Code 提供插件安装方式，也支持 Codex、Cursor、Copilot、Gemini CLI 以及其他 Agent Skills 宿主。通用安装命令是：

npx skills add mvanhorn/last30days-skill -g

安装之后，运行时技能通常以 /last30days 形式调用，例如：

/last30days React Server Components
/last30days OpenClaw vs Hermes
/last30days what users want in AI coding tools

项目把运行时文件和配置文档分开维护。SKILL.md 定义研究流程、输出格式和 Agent 需要遵守的规则；CONFIGURATION.md 说明输出目录、来源密钥、浏览器 Cookie、研究窗口和结果缓存等可调参数。这种分层很实用：普通使用者只需要安装技能并输入主题，想把它接进定时任务或内容流水线的用户，则可以通过环境变量控制来源与输出。

默认结果保存到 ~/Documents/Last30Days/，每次研究会生成按主题命名的原始 Markdown 文件，同时维护结构化的报告缓存。配置文档还提供 --save-dir、--output、--register dev、--verify-freshness 和 --corpus 等选项。其中 --corpus 可以把本地 Markdown、文本或符合条件的 PDF 加入检索范围，适合把公开互联网研究和自己的会议记录放在一个分析流程里。项目说明本地语料保持在本机，不经过网络来源客户端，这一点对内部资料尤其重要。

对工程团队的实际价值

它最有价值的地方，是把“研究”组织成可重复的程序化步骤。团队可以为产品、竞品、开源依赖或行业主题建立固定的查询模板，再把结果保存为 Markdown 或 JSON。下一次研究同一个主题时，缓存、历史报告和 --drill 机制可以减少重复抓取，把时间集中在新增变化上。

对内容生产来说，工具可以先回答“最近用户正在谈什么”，再决定是否写作。对产品团队来说，它能把 GitHub Issue、社区反馈和视频演示放在同一份简报中。对开发者来说，比较工具时可以同时查看仓库活跃度、社区意见和真实使用案例，减少只看发布页或 Star 数量的误判。

项目自身也体现了 Agent 工具的一个工程趋势：能力边界由宿主、来源和凭据共同决定。默认免费来源已经可以完成基础研究，但 X、TikTok、Instagram 和 LinkedIn 等平台需要额外配置；浏览器 Cookie 能带来更完整的公开内容，同时也会引入本地权限和账户安全问题。配置文档提供了 --preflight 和 --diagnose，用于在真正研究前查看来源是否可用，这比让用户面对一份空报告更容易排错。

使用时需要保留判断力

互动指标能帮助排序，不能替代事实核验。一个高赞帖子说明它引起了关注，不代表其中的技术结论已经被官方确认。GitHub Star 反映传播速度和兴趣，不能单独证明项目稳定。预测市场概率代表参与者的集体预期，也不等于已经发生的事实。

因此，比较稳妥的工作方式是把 last30days-skill 当作研究入口和证据整理器。先让它发现近期变化，再回到官方仓库、论文、产品文档或原始采访确认关键数字和状态。对于需要发布的内容，仍然应该保存原始链接，区分一手材料和社区评论，并检查研究窗口是否覆盖了问题要求的日期。

另一个边界是来源覆盖。没有配置 X 会话，不代表 X 上没有相关讨论；某个视频没有可用字幕，也不代表视频内容没有价值。报告应当结合来源状态理解，不能把未检索到的内容解释为“没有发生”。这也是项目提供健康检查和来源状态记录的原因。

结语

mvanhorn/last30days-skill 的核心思路很清楚：近期信息分散在多个平台，Agent 的优势在于可以把实体解析、并行检索、互动排序、跨源聚类和内容综合串成一个流程。它让“过去 30 天发生了什么”变成可执行的研究任务，也让 Agent Skills 从单一提示词逐步靠近完整工具链。

对于已经使用 Claude Code、Codex 或其他 Agent 宿主的开发者，这个项目值得直接安装测试。更重要的是观察它的工作方式：哪些来源真正提供了新信息，哪些互动指标只是噪声，哪些结论需要回到一手材料确认。研究自动化可以减少信息搬运，最终判断仍然属于使用者。

来源：

• GitHub 仓库：mvanhorn/last30days-skill
• 运行时规范：skills/last30days/SKILL.md
• 配置文档：CONFIGURATION.md
• GitHub API 仓库信息：mvanhorn/last30days-skill