mvanhorn/last30days-skill 项目解析：给 AI Agent 装上"最近 30 天"的社区情报引擎
摘要：大模型很聪明，但它并不天然知道"最近真实用户在讨论什么"。
mvanhorn/last30days-skill是一个面向 AI Agent 的近 30 天社区研究 Skill，它让 Claude Code、Codex、Cursor 等 Agent 在回答前先检索 Reddit、X、YouTube、Hacker News、Polymarket、GitHub 和 Web 等高信号来源，再把热度、评论、视频 transcript、PR 活动等信息综合成有来源的研究简报。本文从项目定位、架构、多源信号、安装使用、风险边界和开发者启发，分析它为什么代表 Agent 工具从"单次调用"走向"可复用工作流"。
TL;DR
- 场景：AI Agent 缺少对"最近真实社区讨论"的感知，普通 Web 搜索被 SEO 旧文和官网信息主导
- 结论 ：
last30days-skill是一个面向 Claude Code/Codex/Cursor 等宿主 Agent 的"近 30 天研究 Skill"，通过SKILL.md规范流程 + Python 脚本调度多源信号（v3.0.2，2026-06 发布） - 产出：可在写作选题、工具选型、产品调研、热点跟踪场景直接复用的研究工作流
版本矩阵
| 功能 | 状态 | 说明 |
|---|---|---|
| 多源社区检索（Reddit/X/YouTube/HN/Polymarket/GitHub） | ✅ 已验证 | 仓库 README 列出完整支持平台 |
| SKILL.md + Python 双层架构 | ✅ 已验证 | skills/last30days/SKILL.md + scripts/last30days.py |
| Claude Code Plugin/Marketplace 安装 | ✅ 已验证 | /plugin marketplace add mvanhorn/last30days-skill |
| Codex/Cursor/Copilot/Gemini CLI 安装 | ✅ 已验证 | npx skills add mvanhorn/last30days-skill -g |
| v3.0.2 修复 Claude Code v2.1.105+ slash command | ✅ 已验证 | 2026-06-07 Release 记录 |
| 跨源 cluster merging 聚类 | ✅ 已验证 | v3 README 明确说明 |
| Polymarket 资金权重信号 | ✅ 已验证 | README 列为支持来源 |
| person-mode 人物研究模式 | ✅ 已验证 | README 描述的智能搜索能力 |
| 全量平台数据源配置 | ⚠️ 待验证 | 依赖 API Key/cookie/本地 CLI 配置 |
| TikTok/Instagram Reels 长期稳定性 | ⚠️ 待验证 | 平台访问规则经常变化 |
| 输出作为可追溯 SQLite/Markdown 资产 | ✅ 已验证 | 支持 --emit 多种格式 |
文章正文
大模型很聪明，但它并不天然知道"最近真实用户在讨论什么"。
mvanhorn/last30days-skill是一个面向 AI Agent 的近 30 天社区研究 Skill，它让 Claude Code、Codex、Cursor 等 Agent 在回答前先检索 Reddit、X、YouTube、Hacker News、Polymarket、GitHub 和 Web 等高信号来源，再把热度、评论、视频 transcript、PR 活动等信息综合成有来源的研究简报。本文从项目定位、架构、多源信号、安装使用、风险边界和开发者启发，分析它为什么代表 Agent 工具从"单次调用"走向"可复用工作流"。
为什么这个项目值得关注？
如果你长期用 AI 写代码、写文章、做产品调研，会发现一个问题：模型很聪明，但它不天然知道最近真实用户在讨论什么。
模型有训练数据边界。即使接入普通网页搜索，拿到的也常常是官网、博客、新闻、SEO 页面。这些内容有价值，但并不等同于真实用户最近的讨论现场。
很多高信号内容先出现在社区：开发者吐槽在 Hacker News，真实踩坑在 Reddit 评论，产品传播在 X、YouTube、TikTok，市场预期在 Polymarket，开源项目进展在 GitHub issue、PR 和 release note。
last30days-skill 解决的正是这个问题。它不是普通搜索工具，也不是单纯 prompt 模板，而是一个面向 AI Agent 的"近 30 天研究技能"：用户给出主题，Agent 围绕主题搜索多个高信号平台，并综合点赞、评论、观看、转发、赔率、PR 活动等信号，生成有来源、有侧重、有时间感的研究简报。
一句话概括：
text
last30days-skill 让 AI 不只是回答"它知道什么"，而是先理解"最近真实的人在说什么"。项目定位：不是 Web Search，而是 Agent Skill
官方 README 对它的定位很明确：研究任意主题在最近 30 天内的 Reddit、X、YouTube、Hacker News、Polymarket、Web 等公开讨论，并生成 grounded summary。
这个定位里有三个关键词。
第一是"最近 30 天"。它不是百科，也不是官方文档替代品，而是专门捕捉近期动态。AI Agent 框架、模型 API、Cursor、Claude Code、Codex、Qwen、vLLM、MCP、RAG 这类领域变化很快，半年前的文章可能已经过期。
第二是"people actually say"。它更关注真实用户、开发者、创作者、交易者和社区成员最近怎么表达，而不是只看媒体报道和 SEO 页面。
第三是"Agent Skill"。它不是独立 SaaS 页面，而是可被 Claude Code、Codex、Cursor、Gemini CLI 等 Agent Harness 调用的 Skill。Skill 的核心是 SKILL.md：它把触发条件、执行流程、约束、自检规则、脚本入口和输出格式打包成可复用能力。
所以这个项目可以理解成一个"研究型 Agent 能力包"：SKILL.md 负责流程规范，Python 脚本负责多平台检索与处理，宿主模型负责总结、归纳和再加工。
它解决了什么痛点？
假设你要写一篇文章：《最近开发者怎么看 Claude Code Skills？》
普通做法是打开 Google，再分别看 Reddit、X、HN、YouTube、GitHub。你要判断哪些内容是最近的，哪些只是 SEO 旧文，哪些是少数情绪，哪些是社区真正反复讨论的问题。
这个流程很耗时间。技术内容尤其如此，因为你需要的不是"资料"，而是"最近 30 天的真实语境"：大家关心安装体验、安全风险、跨平台兼容、Skill 分发标准，还是 Claude Code 与 Codex 对 Skills 的支持差异？
last30days-skill 把这个流程自动化了。它会先做意图解析和预研究，判断要搜索哪些平台、关键词、账号、subreddit、GitHub repo、YouTube channel 或 hashtag；再并行搜索多个来源，根据相关性、热度、参与度和新鲜度排序聚类，最后合成为一份简报。
这不是保证所有结论绝对正确，而是把"人工打开几十个标签页做调研"的成本降下来。对内容创作者，它能帮助选题验证；对开发者，它能补充真实使用反馈；对产品经理，它能更快找到用户语言。
项目架构：Skill 指令层 + Python 引擎层
从仓库结构看，last30days-skill 不是只有一个 Markdown 文件。核心运行文件位于 skills/last30days，并配套 scripts、docs、fixtures、tests、插件配置等目录。
第一层是 Skill 指令层。
skills/last30days/SKILL.md 是行为规范核心，包含名称、描述、支持工具、环境变量、运行前检查、首次设置向导、用户意图解析、查询类型判断、搜索策略、输出格式、引用规则和自检规则。
这一层决定 Agent 怎么"思考和行动"。例如用户输入 /last30days AI video tools，Agent 不应该直接泛泛回答，而要先解析主题、判断查询类型、生成子查询、决定搜索源、执行引擎、读取完整输出、补充 WebSearch，再综合最终答复。
第二层是 Python 引擎层。
仓库里的 scripts/last30days.py 是 CLI 入口，负责解析 --quick、--deep、--days、--emit、--save-dir、--store、--diagnose、--github-user、--github-repo、--competitors 等参数，再调用内部 pipeline、render、schema、env、html_render 等模块。
这种设计很适合 Agent：模型负责规划、判断和综合，传统代码负责检索、解析、持久化、格式化和确定性处理。纯 prompt 难以稳定处理复杂 I/O，纯脚本又缺少语义弹性；Skill 把二者连接起来。
多源信号：不同平台提供不同答案
last30days-skill 最吸引人的地方是多源整合。README 提到的主要来源包括 Reddit、X/Twitter、YouTube、TikTok、Instagram Reels、Hacker News、Polymarket、GitHub、Threads、Bluesky、Perplexity 和 Web 等。
这些来源的价值不一样。
Reddit 更适合看真实用户意见。长评论、踩坑反馈、工具推荐和负面体验，往往比官网更接近实际使用。
X/Twitter 更适合看实时反应、专家观点、行业传播和观点扩散。
YouTube 的价值在长内容和 transcript。一个 40 分钟工具评测，可能包含大量实际使用细节。
Hacker News 更适合看工程师共识。高赞评论经常暴露架构复杂度、商业模式、隐私风险、开源许可证和性能瓶颈。
Polymarket 是带资金权重的预测信号。它不能代表事实，但可以作为市场预期维度。
GitHub 更偏工程事实。对于开源项目和工具链，它可以看 PR、release、issue、star 和 repo 活跃度。
重点不是"平台越多越好"，而是不同平台代表不同类型的信号。一个主题只在新闻里出现，可能只是媒体事件；如果同时在 Reddit、X、HN、YouTube、GitHub 出现，就说明它已经形成跨社区讨论。
搜索流程：先理解主题，再搜索平台
普通搜索工具往往是关键词搜索。用户输入什么，它就搜什么。
last30days-skill 更像 Agent：它在搜索前先理解主题。README 把这类能力称为 intelligent search，也就是在真正搜索前识别主题相关的人、账号、社区、repo、频道和标签。
例如用户输入一个产品名，系统不应该只搜索产品名，还应该识别创始人、官方账号、相关 GitHub repo、subreddit、YouTube 频道。用户输入一个人名，也不应该只搜这个名字，而要切换到 person-mode，看这个人最近在 GitHub 合并了什么 PR、在哪些项目活跃、社区如何讨论。
这一步很重要，因为真实世界的信息并不总是使用同一个关键词。一个开源项目可能有项目名、组织名、创始人名、CLI 名、repo 名、缩写名和社区昵称。只搜一个关键词，很容易漏掉大量内容。
聚类、评分和综合
多源检索之后，最大的问题是噪音和重复。
某个 AI 工具发布，GitHub 上有 release，X 上有作者线程，HN 上有讨论，Reddit 上有吐槽，YouTube 上有评测。普通搜索会给你一堆重复链接；真正需要的是把这些信号合并成一个"事件簇"。
last30days-skill 的 v3 README 提到 cross-source cluster merging，也就是当同一个故事出现在多个来源时，系统会尝试合并为 cluster，而不是展示成互不相关的结果。
这有两个意义：第一，降低阅读负担；第二，提高置信度。一个只出现在单一来源的小消息，和一个同时出现在 Reddit、X、YouTube、HN 的话题，重要性并不一样。
但要注意：高互动不等于高质量，高热度不等于正确。争议话题可能因为情绪强而获得大量互动，低调但重要的技术变更可能热度很低。所以这类结果应该被看作"研究入口"和"舆论信号"，不是最终事实判决。
安装、配置与使用
Claude Code 可使用 plugin/marketplace 方式安装：
bash
/plugin marketplace add mvanhorn/last30days-skill
/plugin install last30days对于 Codex、Cursor、Copilot、Gemini CLI 等支持 Agent Skills 的宿主，可以使用：
bash
npx skills add mvanhorn/last30days-skill -g常见使用方式类似：
bash
/last30days AI video tools
/last30days Claude Code skills
/last30days OpenAI vs Anthropic vs xAI
/last30days Peter Steinberger更完整的数据源通常需要配置 API Key、cookie 或本地 CLI。配置文件可以放在全局目录 ~/.config/last30days/.env，也可以放在项目目录 .claude/last30days.env。项目级配置优先级更高，适合给不同客户或项目设置不同数据源。
输出默认保存到 ~/Documents/Last30Days/，也可以通过 LAST30DAYS_MEMORY_DIR 或 --save-dir 修改。它还支持 raw markdown、HTML、JSON、SQLite store 等输出形态，可以把每次研究变成可追溯资产。
适合哪些场景？
第一，技术博客选题。写文章前先看最近 30 天社区信号，能避免只凭经验写大纲。比如写 Agent Skills 工具链研究，可以先看安装体验、安全风险、Skill 和 MCP 区别、跨平台兼容、Marketplace 等近期讨论。
第二，工具选型。比较 OpenClaw vs Claude Code vs Codex，不能只看官网和 GitHub stars，还要看真实用户抱怨：哪个安装麻烦，哪个上下文管理差，哪个生态更快，哪个适合团队协作。
第三，产品需求调研。如果你准备做本地语音 Agent、SEO 工具、Prompt 管理器、Agent Memory 系统，社区讨论往往比竞品官网更能暴露需求。
第四，会前研究。对某个人或公司做近 30 天研究，比只看官网、LinkedIn 更接近当前状态。
第五，热点跟踪。把主题加入 watchlist，定期生成 briefing，就接近一个个人化情报系统。
和 Web Search、MCP 的区别
普通 Web Search 解决的是"有没有网页提到这个东西"。last30days-skill 更接近解决"最近真实社区如何讨论这个东西"。
它不应该替代官方文档和权威资料，而应该作为前置调研层。正确用法是：先用它看社区最近在讨论什么，再回到官方文档、GitHub release、issue、论文、API 文档中验证事实。
它和 MCP 也不同。MCP 更像给 Agent 提供外部工具和数据接口，强调"Agent 能调用什么"。Skill 更像给 Agent 提供可复用工作方法，强调"Agent 应该怎么做"。last30days-skill 可以调用脚本和外部服务，但它的核心价值是把近 30 天研究流程写进 Skill。
未来更强的形态可能是 Skill + MCP：Skill 负责研究方法论，MCP 负责连接 GitHub、YouTube transcript、Reddit、浏览器、内部知识库、Slack 等数据源。
限制和风险
第一，数据源依赖复杂。多平台意味着多认证、多 API、多格式、多失败点。X、YouTube、TikTok、Instagram 的访问规则经常变化，维护成本很高。
第二，结果质量依赖宿主模型。脚本能检索，Skill 能约束流程，但最终综合仍由模型完成。如果模型没有认真读取结果，可能生成看似合理但不忠于来源的总结。
第三，社区热度不等于事实。高赞帖子可能错，热门视频可能夸大，X 传播可能被圈层放大，Polymarket 赔率也不代表真相。
第四，隐私和安全需要审计。它可能读取本地配置、API Key、cookie、浏览器会话，甚至调用外部服务。安装第三方 Skill 前，应该审计脚本、依赖和网络访问行为。
对开发者的启发
这个项目最值得学习的，不只是它能搜 Reddit 或 X，而是它展示了一种新型 Agent 工具设计方法。
过去工具通常有两种模式：写 CLI，稳定但不懂语义；写 prompt，灵活但不稳定。Skill 把两者合并了。
SKILL.md 是操作手册，告诉模型何时使用、如何判断、如何输出、如何自检。scripts 是工具箱，处理确定性的部分。模型不是凭空发挥，而是在 Skill 的约束下调度脚本和工具。
这意味着很多 AI 工具不一定一开始就做 SaaS，也不一定只做 MCP。可以先做成高质量 Skill：写博客前的资料调研 Skill、Java 项目重构 Skill、vLLM 部署排查 Skill、VPS 安全加固 Skill、SEO 工具页优化 Skill、GitHub issue triage Skill。
这些任务都有共同点：不是单次工具调用，而是一套多步骤流程。只要流程能写清楚，部分步骤能脚本化，就适合做成 Skill。
总结
mvanhorn/last30days-skill 不是重新发明搜索引擎，而是重新组织搜索流程。它不试图成为权威事实源，而是把近 30 天的社区讨论、平台热度、开发者反馈、视频 transcript、市场赔率和 GitHub 活动压缩成一份可继续追问的研究上下文。
它真正展示的是一种新范式：把人的研究流程写进 Skill，把确定性工作交给脚本，把语义综合交给模型，把最终结果变成可追溯的研究资产。
未来的 AI Agent 不会只靠大模型本身变强。它们会通过 Skills、MCP、插件、脚本、本地知识库和工作流模板不断获得新的能力。
last30days-skill 的意义就在这里：它不是让 AI 更会"回答"，而是让 AI 更会"研究"。
错误速查卡
| 症状 | 根因 | 定位 | 修复 |
|---|---|---|---|
/last30days 返回 Unknown command |
Claude Code v2.1.105+ 升级后 plugin.json 未声明 skills 目录 | /doctor 报错 Path escapes plugin directory |
升级到 v3.0.2+，确认 .claude-plugin/plugin.json 包含 "skills": ["skills"] |
出现重复的 last30days-3@last30days-skill |
用户作用域与项目作用域安装冲突 | /plugin list 出现两条同名记录 |
删除 user-scope 重复安装，仅保留 project-scope |
| 检索结果只显示单一来源 | 主题过于狭窄，缺少智能扩展 | 关键词搜索未触发 intelligent search | 在 SKILL.md 流程中先做主题扩展（人名/账号/repo/channel） |
| 平台数据为空或频繁失败 | X/YouTube/TikTok 访问规则变化 | 认证 cookie 或 API Key 失效 | 检查 ~/.config/last30days/.env 配置并更新 token |
| 总结与来源内容对不上 | 宿主模型未认真读取 JSON 输出 | 输出文件存在但模型跳读 | 强化 SKILL.md 中"必须读取完整输出"自检规则 |
| 热门结论与事实不符 | 社区热度不等于事实质量 | 单源高赞贴不代表共识 | 至少要求 2 个独立来源交叉验证 |
| 安装后脚本拒绝运行 | 第三方 Skill 安全审计未通过 | 脚本请求网络访问或读取浏览器会话 | 安装前审计 scripts/last30days.py 网络/文件访问行为 |
| 输出保存到默认目录找不到 | 未配置 --save-dir 或环境变量 |
~/Documents/Last30Days 路径缺失 |
设置 LAST30DAYS_MEMORY_DIR 或传 --save-dir |
✍️ 作者：武子康的个人博客