Contexto técnico
Me metí en last30days-skill no por curiosidad, sino por la práctica: en la automatización con IA, lo que más falla no es el agente, sino su investigación con datos frescos. Los modelos razonan muy bien, pero cuando necesitas una señal de los últimos 30 días, la búsqueda común se convierte rápidamente en basura SEO.
La idea es simple y muy sensata: /last30days ejecuta barridos paralelos por varias fuentes y luego las clasifica no por el volumen de titulares, sino por el engagement real. Ya cubre bien Reddit, Hacker News, Polymarket y GitHub, y en las descripciones del proyecto también se mencionan X, YouTube, TikTok y la web.
Me gustó que no es otro "agregador de enlaces" más. El pipeline considera la velocidad de interacción, la similitud textual, la autoridad de la fuente, el solapamiento temático entre plataformas y la caída temporal. Es decir, la herramienta intenta captar no solo el ruido, sino lo que realmente empieza a converger en una tendencia.
En cuanto a la forma, también es inteligente: el skill se integra en entornos de agentes, no vive como un script Frankenstein aparte. Según el README, la configuración cero ya permite empezar sin complicaciones, y las actualizaciones de julio añadieron configuración guiada y un plugin nativo de Codex. Para mí, eso indica que el autor piensa no solo en demos, sino en una integración real de IA en flujos de trabajo reales.
Otra ventaja: almacenamiento local, SQLite, licencia MIT, sin telemetría externa obligatoria. Si estás construyendo un agente de investigación interno para un equipo de producto, análisis de inversión o inteligencia competitiva, esto es mucho más agradable que meter diez servicios SaaS en tu stack y luego averiguar quién se llevó los datos a dónde.
Impacto en negocio y automatización
Veo tres efectos directos. Primero: el pre-sales y la investigación de mercado se abaratan porque el agente puede recopilar señales frescas sobre el mercado, competidores y nuevos lanzamientos por sí mismo, sin navegación manual por Reddit y HN.
Segundo: cambia la arquitectura. Antes, para este escenario, montaba un pipeline personalizado con scraper, ranking y resumen. Ahora parte del desarrollo de soluciones de IA se puede cubrir con un skill open-source, y así centrarse en la lógica que se construye encima.
Tercero, y más duro: pierden los equipos que todavía alimentan a los agentes solo con búsqueda web y creen que eso es contexto "suficientemente fresco". Ya no lo es.
Pero tampoco hay magia. Las fuentes son ruidosas, el acceso a algunas plataformas es inestable, y una buena investigación agéntica aún requiere configurar criterios, memoria y verificación de resultados. En Nahornyi AI Lab cubrimos precisamente esos cuellos de botella: si necesitas construir automatización con IA para monitorización de mercado, generación de leads o inteligencia técnica, Vadym Nahornyi y yo podemos ayudarte a convertirlo en un sistema funcional, no solo en una captura de pantalla bonita para una demo.