Технічний контекст
Я поліз у last30days-skill не з цікавості, а з практики: в AI-автоматизації найчастіше ламається не сам агент, а його дослідження за свіжими даними. Моделі гарно розмірковують, але коли потрібен сигнал за останні 30 днів, звичайний пошук швидко скочується в SEO-сміття.
Ідея проста й дуже здорова: /last30days запускає паралельні проходи по кількох джерелах і потім ранжує їх не за гучністю заголовка, а за реальним залученням. У базі вже нормально покриті Reddit, Hacker News, Polymarket та GitHub, а в описах проєкту також заявлені X, YouTube, TikTok та веб.
Мені сподобалося, що це не черговий «агрегатор посилань». Пайплайн враховує швидкість залучення, схожість текстів, авторитет джерела, перетин тем між платформами та згасання з часом. Тобто інструмент намагається зловити не просто шум, а те, що дійсно починає конвергуватися в тренд.
За формою це теж зроблено розумно: skill вбудовується в агентні середовища, а не живе окремим Frankenstein-скриптом. Згідно з README, zero-config уже дозволяє стартувати без зайвих рухів, липневі оновлення додали guided setup і нативний Codex plugin. Для мене це сигнал, що автор думає не лише про демо, а й про нормальну AI-інтеграцію в реальний workflow.
Ще один плюс: локальне зберігання, SQLite, MIT-ліцензія, без обов’язкової зовнішньої телеметрії. Якщо ви будуєте внутрішнього дослідницького агента для продуктової команди, інвест-аналітики чи конкурентної розвідки, це набагато приємніше, ніж тягнути в контур десять SaaS-сервісів і потім розбиратися, хто куди виніс дані.
Вплив на бізнес та автоматизацію
Я бачу тут три прямі ефекти. Перший: дешевшим стає pre-sales і market research, бо агент може сам збирати свіжі сигнали по ринку, конкурентам і новим релізам без ручного серфінгу на Reddit та HN.
Другий: змінюється архітектура. Якщо раніше для такого сценарію я б збирав кастомний пайплайн зі скрапера, ранжування та сумаризації, то тепер шматок AI solution development можна закрити open-source skill і зосередитися на логіці поверх нього.
Третій момент жорсткіший: програють команди, які досі годують агентів лише веб-пошуком і вважають це «достатньо свіжим» контекстом. Уже не достатньо.
Але й магії тут немає. Джерела шумні, доступ до деяких платформ нестабільний, а хороший агентний ресерч усе одно вимагає налаштування критеріїв, пам’яті та перевірки виводу. Ми в Nahornyi AI Lab саме такі вузькі місця й закриваємо: якщо вам потрібно build AI automation навколо моніторингу ринку, лідогенерації чи техрозвідки, я з Vadym Nahornyi можу допомогти зібрати це в робочу систему, а не в красивий скріншот для демо.