“独学而无友，则孤陋而寡闻。” — 《礼记·学记》

在 AI 时代，我们面临的信息焦虑比以往任何时候都更严重。每天有无数讨论在 Reddit、X、Hacker News、YouTube、TikTok 上产生又消失，如果只靠个人浏览，根本无法跟上技术迭代的速度。

GitHub 上的一个新项目 mvanhorn/last30days-skill 正在解决这个痛点：它让 AI 代理成为一个全能的研究助手，只需一个指令，就能自动抓取指定话题在过去 30 天内全网的热门讨论，合成一份带来源、带评分、带可复用 Prompt 的情报简报。

上线两个月，已斩获 13,760+ stars，日均增长 2000+，是今年 AI 开发者工具领域最耀眼的项目之一。

last30days-skill 多平台研究界面想象图

核心原理：多源聚合 + 智能评分

last30days-skill 的架构设计非常清晰，核心是一个 Python 编排脚本（last30days.py），负责协调多个数据源：

数据源 认证方式 数据类型
Reddit OpenAI API Key 帖子标题、评分、评论、热度
X (Twitter) xAI API Key 推文内容、转发数、互动量
YouTube OpenAI API Key 视频标题、观看量、字幕摘录
TikTok ScrapeCreators API 视频描述、播放量、话题标签
Instagram ScrapeCreators API Reels 标题、观看量
Hacker News Algolia API（免费） 标题、分数、评论
Polymarket Gamma API（免费） 预测市场、赔率、成交量
Bluesky BSKY_APP_PASSWORD 帖子内容、互动数据
通用 Web WebSearch 博客、新闻、教程

数据聚合后，系统会进行四维评分：

  1. 相关性权重（关键词匹配）
  2. 时效性权重（30天内，越近越高）
  3. 参与度权重（点赞、评论、分享）
  4. 跨平台信号（同一内容多平台出现，权重倍增）

评分后的数据通过去重算法（基于文本相似度）过滤重复内容，最终输出结构化报告。

核心功能一览

1. 智能意图解析

输入研究请求后，skill 会先解析用户意图：

  • PROMPTING 模式：用户想要获取可直接使用的 Prompt 示例
  • RECOMMENDATIONS 模式：用户想要特定工具/产品的推荐列表
  • NEWS 模式：用户想要了解最新动态
  • COMPARISON 模式：用户想对比两个事物（如 “Cursor vs Windsurf”）

这种分类决定了后续的信息抓取策略和输出格式。

2. 对比模式（Comparison Mode）

这是 v2.9.5 的重磅功能。输入 /last30days cursor vs windsurf，系统会：

  1. 并行执行两次独立研究（Cursor 研究 + Windsurf 研究）
  2. 再执行一次组合研究
  3. 输出三份报告 + 一个并排对比表格
  4. 给出数据驱动的结论

3. 自动保存研究库

每次研究结果都会自动保存到 ~/Documents/Last30Days/ 目录下，按话题命名归档。长期使用下来，你就拥有了一个的个人研究资料库。

4. 置信度与来源透明

每个数据点都标注了来源平台和置信度评分，读者可以追溯原始链接，告别”AI 瞎编”的问题。

实战案例：研究 “AI Video Generation Tools 2026”

假设你想了解最近一个月 AI 视频生成领域的最新进展，只需输入：

/last30days AI video generation tools

系统会：

  1. 在 Reddit 各子版块搜索 AI video 相关讨论
  2. 抓取 X 上相关账号的推文
  3. 获取 YouTube 上的教程和演示视频（含字幕摘录）
  4. 搜索 TikTok 上的热门 AI 视频话题
  5. 查阅 Polymarket 上的相关预测市场（如 “Runway vs Pika 谁能赢”）
  6. 补充 Web 端的博客文章和新闻报道

最终输出类似这样的报告：

## 研究报告：AI Video Generation Tools
来源：Reddit, X, YouTube, TikTok, HN, Polymarket, Web

### 关键发现
- **Runway Gen-3** 在 Reddit 获得 4.2k upvotes，成为最多讨论的模型
- **Pika 2.0** 在 X 上被 23 位 KOL 同步推荐
- Polymarket 上 "Pika wins 2026" 的赔率达到 1.7（隐含概率 58%）
- YouTube 头部教程平均获取 50k+ 播放量

### 社区情绪
正面 72% | 中立 18% | 负面 10%

### 可用 Prompt 示例
[3-5 个可直接复制到 Runway/Pika 使用的 Prompt]

整个过程耗时约 3-5 分钟，相当于一个人花两小时浏览全网的结果。

技术架构亮点

模块化设计

scripts/lib/ 下的每个模块职责单一：

  • env.py — 环境变量与认证
  • dates.py — 日期范围计算
  • cache.py — 24 小时 TTL 缓存
  • http.py — 重试逻辑的 HTTP 客户端
  • models.py — 模型自动选择（OpenAI/xAI）
  • normalize.py — 统一数据结构
  • score.py — 多维评分算法
  • dedupe.py — 文本相似度去重

这种设计让项目易于测试和维护，也是它能快速迭代的重要原因。

零存储依赖

所有输出默认写入 ~/.local/share/last30days/out/，不需要数据库，不需要 Docker，一个 Python 脚本跑起来就能用。

跨 Agent 兼容

项目不仅支持 Claude Code，还提供了 Gemini 扩展（gemini-extension.json），以及通用的 CLI 接口，其他 Agent 框架也可以方便地集成。

适用场景

last30days-skill 特别适合以下场景：

场景 价值
技术选型 在选择新框架/工具前，快速了解社区反馈
竞品分析 对比多个产品的口碑和功能差异
行业观察 追踪某个新兴领域的最新动态
内容创作 获取最新的梗、案例、Prompt 灵感
投资研究 结 Polmarlet 的预测市场获取市场情绪

璞奇启示

last30days-skill 的设计逻辑为学习类产品带来了重要启示。

第一，信息时效性决定学习效率。

传统的学习路径是”先系统学习，再应用”，但 AI 时代知识半衰期极短。这提示我们：学习类产品应该加入”30天热点”模块，让用户在学习理论知识的同时，保持对领域动态的敏感度。

第二，多源交叉验证提升信息质量。

单一来源的信息容易被算法放大或扭曲，而 last30days-skill 通过跨平台聚合和评分机制，过滤噪音，放大真实信号。学习类产品可以借鉴：不是给用户更多信息，而是帮用户找到经过验证的高质量信息。

第三，主动推送优于被动搜索。

当用户需要”研究”时，工具已经主动整理好了简报。这种”主动服务”模式，比让用户在海量信息中自己摸索，效率提升何止十倍。

信息说明