Contexte technique
J'ai plongé dans last30days-skill non par curiosité mais par pratique : dans l'automatisation IA, ce qui casse le plus souvent, ce n'est pas l'agent, mais sa recherche sur des données fraîches. Les modèles raisonnent très bien, mais quand on a besoin d'un signal des 30 derniers jours, une recherche ordinaire dérive vite en rebut SEO.
L'idée est simple et très saine : /last30days lance des parcours parallèles sur plusieurs sources, puis les classe non pas par le volume des titres, mais par l'engagement réel. Il couvre déjà bien Reddit, Hacker News, Polymarket et GitHub, et les descriptions du projet mentionnent aussi X, YouTube, TikTok et le web.
J'ai apprécié que ce ne soit pas un énième « agrégateur de liens ». Le pipeline tient compte de la vélocité d'engagement, de la similarité des textes, de l'autorité des sources, du chevauchement thématique entre plateformes et de l'atténuation temporelle. Autrement dit, l'outil essaie de capter non seulement le bruit, mais ce qui commence réellement à converger en tendance.
Sur la forme, c'est aussi bien pensé : le skill s'intègre dans des environnements d'agents, sans exister comme un script Frankenstein isolé. D'après le README, la configuration zéro permet déjà de démarrer sans tracas, et les mises à jour de juillet ont ajouté une configuration guidée et un plugin Codex natif. Pour moi, c'est le signe que l'auteur ne pense pas qu'aux démos, mais à une véritable intégration IA dans les workflows réels.
Autre avantage : stockage local, SQLite, licence MIT, sans télémétrie externe obligatoire. Si vous construisez un agent de recherche interne pour une équipe produit, de l'analyse d'investissement ou de la veille concurrentielle, c'est bien plus agréable que de traîner dix services SaaS dans votre stack et de devoir ensuite déterminer qui a emmené vos données où.
Impact sur les entreprises et l'automatisation
J'y vois trois effets directs. Premièrement : le pré-vente et l'étude de marché deviennent moins chers, car l'agent peut collecter lui-même des signaux frais sur le marché, les concurrents et les nouvelles sorties, sans surf manuel sur Reddit et HN.
Deuxièmement : l'architecture change. Avant, pour ce scénario, je construisais un pipeline personnalisé avec scraping, classement et résumé. Désormais, une partie du développement de solutions IA peut être couverte par un skill open-source, ce qui permet de se concentrer sur la logique construite par-dessus.
Troisièmement, et c'est plus dur : les équipes qui continuent de nourrir leurs agents uniquement avec la recherche web et considèrent ce contexte comme « assez frais » vont perdre. Ce n'est plus suffisant.
Mais il n'y a pas de magie non plus. Les sources sont bruyantes, l'accès à certaines plateformes est instable, et une bonne recherche agentique exige toujours de configurer des critères, une mémoire et une vérification des résultats. Chez Nahornyi AI Lab, nous couvrons précisément ces goulets d'étranglement : si vous avez besoin de construire une automatisation IA autour de la surveillance du marché, de la génération de leads ou de la veille technologique, Vadym Nahornyi et moi pouvons vous aider à en faire un système fonctionnel, pas seulement une belle capture d'écran de démo.