Технический контекст
Я полез в last30days-skill не из любопытства, а из практики: в AI automation чаще ломается не агент, а его ресерч по свежим данным. Модели красиво рассуждают, но когда нужен сигнал за последние 30 дней, обычный поиск быстро скатывается в SEO-мусор.
Здесь идея простая и очень здравая: /last30days гоняет параллельные проходы по нескольким источникам и потом ранжирует не по громкости заголовка, а по реальному вовлечению. В базе уже нормально покрыты Reddit, Hacker News, Polymarket и GitHub, а в описаниях проекта также заявлены X, YouTube, TikTok и веб.
Мне понравилось, что это не очередной «агрегатор ссылок». Пайплайн учитывает скорость вовлечения, схожесть текстов, авторитет источника, пересечение тем между платформами и затухание по времени. То есть инструмент пытается поймать не просто шум, а то, что реально начинает конвергироваться в тренд.
По форме это тоже сделано умно: skill встраивается в агентные среды, а не живет отдельным Frankenstein-скриптом. По README zero-config уже позволяет стартовать без плясок, июльские апдейты добавили guided setup и нативный Codex plugin. Для меня это сигнал, что автор думает не только про демо, но и про нормальную AI integration в реальный workflow.
Еще один плюс: локальное хранение, SQLite, MIT-лицензия, без обязательной внешней телеметрии. Если вы строите внутреннего исследовательского агента для команды продукта, инвест-аналитики или конкурентной разведки, это сильно приятнее, чем тащить в контур десять SaaS-сервисов и потом разбираться, кто куда унес данные.
Влияние на бизнес и автоматизацию
Я здесь вижу три прямых эффекта. Первый: дешевле становится pre-sales и market research, потому что агент может сам собирать свежие сигналы по рынку, конкурентам и новым релизам без ручного серфинга по Reddit и HN.
Второй: меняется архитектура. Если раньше для такого сценария я бы собирал кастомный пайплайн из скрапера, ранжирования и суммаризации, то теперь кусок AI solution development можно закрыть open-source skill и сосредоточиться на логике поверх него.
Третий момент жестче: проигрывают команды, которые до сих пор кормят агентов только веб-поиском и считают это «достаточно свежим» контекстом. Уже не достаточно.
Но и магии тут нет. Источники шумные, доступ к некоторым платформам нестабилен, а хороший агентный ресерч все равно требует настройки критериев, памяти и проверки вывода. Мы в Nahornyi AI Lab как раз такие узкие места и закрываем: если вам нужно build AI automation вокруг мониторинга рынка, лидогенерации или техразведки, я с Vadym Nahornyi могу помочь собрать это в рабочую систему, а не в красивый скриншот для демо.