Technischer Kontext
Ich bin nicht aus Neugier in last30days-skill eingestiegen, sondern aus der Praxis: In der KI-Automatisierung bricht meist nicht der Agent, sondern seine Recherche nach aktuellen Daten. Modelle argumentieren schön, doch wenn ein Signal der letzten 30 Tage nötig ist, driftet eine normale Suche schnell in SEO-Müll ab.
Die Idee ist einfach und sehr vernünftig: /last30days führt parallele Durchläufe über mehrere Quellen aus und bewertet sie dann nicht nach Schlagzeilen-Lautstärke, sondern nach echtem Engagement. Es deckt bereits Reddit, Hacker News, Polymarket und GitHub gut ab, und in den Projektbeschreibungen werden auch X, YouTube, TikTok und das Web genannt.
Mir gefiel, dass es kein weiterer „Link-Aggregator“ ist. Die Pipeline berücksichtigt Engagement-Geschwindigkeit, Textähnlichkeit, Quellenautorität, thematische Überschneidungen zwischen Plattformen und zeitlichen Verfall. Das Werkzeug versucht also, nicht nur Lärm, sondern das einzufangen, was wirklich beginnt, zu einem Trend zu konvergieren.
Auch formal ist es klug gemacht: Der Skill bettet sich in Agentenumgebungen ein, statt als separates Frankenstein-Skript zu existieren. Laut README ermöglicht Zero-Config bereits einen problemlosen Start, und die Juli-Updates brachten Guided Setup und ein natives Codex-Plugin. Für mich ein Zeichen, dass der Autor nicht nur an Demos denkt, sondern an echte KI-Integration in reale Workflows.
Ein weiteres Plus: lokale Speicherung, SQLite, MIT-Lizenz, keine obligatorische externe Telemetrie. Wenn Sie einen internen Recherche-Agenten für Produktteams, Investmentanalyse oder Wettbewerbsaufklärung aufbauen, ist das weit angenehmer, als zehn SaaS-Dienste in Ihre Umgebung zu ziehen und später herauszufinden, wer Ihre Daten wohin gebracht hat.
Auswirkungen auf Geschäft und Automatisierung
Ich sehe hier drei direkte Effekte. Erstens: Pre-Sales und Marktforschung werden günstiger, weil der Agent selbstständig aktuelle Signale zu Markt, Wettbewerbern und neuen Releases sammeln kann – ohne manuelles Surfen auf Reddit und HN.
Zweitens: Die Architektur verändert sich. Bisher hätte ich für dieses Szenario eine maßgeschneiderte Pipeline aus Scraper, Ranking und Zusammenfassung gebaut. Jetzt lässt sich ein Teil der KI-Lösungsentwicklung mit einem Open-Source-Skill abdecken und man kann sich auf die darüberliegende Logik konzentrieren.
Drittens, und das ist härter: Teams, die ihre Agenten immer noch nur mit Websuche füttern und das für „frisch genug“ halten, werden verlieren. Es reicht nicht mehr.
Aber Magie gibt es auch keine. Die Quellen sind verrauscht, der Zugang zu einigen Plattformen ist instabil, und gute agentische Recherche erfordert nach wie vor die Konfiguration von Kriterien, Gedächtnis und Ausgabeprüfung. Bei Nahornyi AI Lab decken wir genau diese Engpässe ab: Wenn Sie KI-Automatisierung rund um Marktüberwachung, Lead-Generierung oder Tech-Intel aufbauen müssen, können Vadym Nahornyi und ich Ihnen helfen, daraus ein funktionierendes System zu machen – nicht nur einen hübschen Demo-Screenshot.