每天刷 X、Reddit、YouTube、GitHub、Hacker News，最累的往往不是信息不够，而是信息没有变成判断。
同一个热点，你可能在 X 上看到一条转发，在 Reddit 里看到一堆抱怨，在 YouTube 里看到半小时测评，最后又在 GitHub issue 里发现真正的坑。它们都是真的，但分散在不同页面里。等你把这些页面拼起来，讨论可能已经过了两周。
最近我在用的开源 Skill Last30Days，想解决的就是这个问题：把“过去 30 天，真实社区正在讨论什么”变成一份可以继续追问、继续做决策的研究简报。
它不是一个替你“找答案”的万能搜索框，更像给 AI Agent 装上一套多源研究流程：给定主题，先拉取时间窗口内的平台内容，再参考点赞、评论、观看、讨论等互动信号，最后把相似事件和观点归到一起。
先说结论：如果你经常做 AI 工具研究、产品调研、内容选题，Last30Days 值得装上；但要把它当作“发现证据和问题的第一步”，而不是直接拿结果当事实结论。官方仓库也把它定义为由 AI Agent 驱动、以真实互动信号排序的研究工具，而不是编辑筛选过的新闻聚合器。官方 README
为什么单靠刷信息流，很难获得“最近的判断”
搜索引擎很擅长找网页，信息流很擅长让你不断点开下一条。但当你的问题变成“这个 AI 视频工具最近为什么突然被讨论”“用户到底在吐槽哪一步”“某个开源项目近一个月有没有真实进展”时，问题会变成三层。
第一层是时间。搜索结果里常混着半年前的教程、去年的测评和今天的转发。它们不一定没价值，但无法回答“这个月发生了什么”。
第二层是平台语境。X 上的第一时间反应、Reddit 里的长评论、YouTube 的实测、Hacker News 的工程师争论、GitHub 的 PR 和 issue，讲的不是同一种语言。只看其中一个，很容易把单个平台的情绪误当成共识。
第三层才是最难的：信号强度。有人写过一篇文章，不等于有人在乎；一个高赞评论、一串反复出现的抱怨、一次发布后持续增长的 issue，往往比一篇孤立的“新品介绍”更值得继续查。
Last30Days 的思路不是让你订阅更多频道，而是先把研究窗口钉在近 30 天，再把跨平台内容放到同一个研究流程里处理。
它到底在做什么：把碎片信息变成一条研究链
给它一个主题，例如：
/last30days AI video tools
在支持该 Skill 的 Agent 环境中，这条指令会启动一轮研究。它的典型链路可以这样理解：
| 环节 | 它做的事 | 你真正获得的东西 |
|---|---|---|
| 设定问题 | 传入工具、人物、产品、事件或对比对象 | 一条有时间边界的研究任务，而不是泛搜索 |
| 多源检索 | 从配置可用的平台获取最近窗口内的帖子、视频、讨论、项目活动等 | 不必手工切换十几个站点 |
| 互动排序 | 参考点赞、评论、观看、讨论热度或预测市场概率等信号 | 先看到更可能有真实关注度的内容 |
| 证据聚类 | 把同一事件、同一争议或同一工作流的多处讨论归在一起 | 看见“反复出现的模式”，而不是一条条链接 |
| Agent 归纳 | 输出趋势、用户观点、分歧、可追问方向 | 一份能接着交给 AI 或团队讨论的研究底稿 |
这里有个很重要的区别：它不是承诺“替你找出真相”，而是尽量把不同平台里可供验证的信号拉到一张桌上。
比如你在研究 AI video tools，真正值得关注的可能不是“今天又出现了一个模型名”，而是下面这些更能推动决策的问题：
- 哪些工具被反复提到，讨论是在增长还是只是一次发布带来的噪声？
- 评论区抱怨的是价格、生成一致性、首尾帧控制，还是商用版权？
- 教程作者展示的工作流，普通人是否能复现？
- GitHub 上的开源替代方案是有稳定 release，还是只有一张漂亮的首页？
这才是多源研究相比“刷到一条消息”的价值。
先把能力边界说清：默认可用，不等于所有来源都无需配置
这类工具最容易被写成“一个命令搜遍全网”。实际情况要更谨慎。
官方 README 说明，Reddit、Hacker News、Polymarket 和 GitHub 可以直接开始；首次运行的设置向导会帮助启用 X、YouTube、TikTok、arXiv、Techmeme 等更多来源。不同来源还可能需要浏览器会话、平台授权或可选 API Key。安装与来源说明
所以更准确的说法是：它有一个零配置的基础研究层，也有一个按权限和配置逐步扩展的多源层。 如果某个来源没有授权、限流或暂时不可用，结果就应该被理解为“当前覆盖下的发现”，不能据此写成“这个平台完全没有讨论”。
第一次使用前，建议先跑预检，而不是直接把浏览器 Cookie 或一堆 Key 塞进去：
python3 ~/.codex/skills/last30days/scripts/last30days.py --preflight
预检会展示配置来源、计划使用的浏览器 Cookie、可能写入的位置和可选依赖，让你先知道它将做什么。官方文档也明确区分了公开数据读取、可选浏览器会话和本地保存的研究记录。配置说明
如果你使用 Codex、Cursor、Copilot 或 Gemini CLI 一类 Agent Skills 宿主，官方给出的全局安装方式是：
npx skills add mvanhorn/last30days-skill -g
-g 表示安装到当前用户的全局技能目录。安装完成后，重新开启一个对话，再让 Agent 用 last30days 或 /last30days 加主题执行研究即可。不同宿主的唤起形式可能略有差异，但运行时的核心是同一份 last30days.py 研究引擎。官方安装方式
三种最值得马上用起来的场景
很多工具介绍会停在“它可以搜索很多平台”。真正决定你会不会留下它的，是研究结果能不能进入你的工作流。
1. 研究 AI 工具：先找正在形成的工作流，再决定要不要试
假设你想跟进 AI 视频方向。直接问“最近有什么 AI 视频工具”通常只会得到一串名字，更好的提问是：
/last30days AI video tools
或者把问题压得更具体一些：
/last30days AI video consistent characters
前者用来建立候选池，后者用来验证一个具体痛点是否真的在升温。看结果时，不要急着选“出现次数最多”的工具，而是先找三种证据：有没有跨平台讨论、有没有具体可复现的流程、有没有重复出现的限制或失败案例。
一个实用的后续动作是：从简报里挑出两三个名字，回到官方文档、定价页和实际产品里做第二轮验证。研究简报负责告诉你“该查什么”，产品实测负责回答“能不能用”。
2. 做产品研究：把“用户抱怨”从截图变成假设
做竞品调研时，最常见的低效动作是收藏一堆评价截图。截图能制造紧迫感，却很难判断它是个例，还是一个持续存在的模式。
此时可以围绕产品名、关键能力或竞品对比发起研究：
/last30days Notion vs Obsidian
你要找的不是一份胜负榜，而是更细的线索：用户是在什么任务里选择替代品？抱怨发生在入门、协作、性能还是迁移？那些高互动讨论里，有没有一句话能把问题说得足够具体？
把结果落成产品动作时，可以用这个小模板：
| 简报中的发现 | 不要直接得出的结论 | 更好的下一步 |
|---|---|---|
| 多个高互动讨论提到“同步慢” | “所有用户都认为同步慢” | 访谈目标用户，复现网络与数据规模条件 |
| 教程作者偏爱某个工作流 | “这就是行业最佳实践” | 分析适用人群、成本和失败条件 |
| 竞品被频繁比较 | “它们一定直接竞争” | 看用户是在替换、搭配还是仅作类比 |
研究工具的价值，在这里是帮你更快提出一个可验证的产品假设，而不是替产品团队做结论。
3. 做内容选题：找“正在形成分歧”的问题，而不是追热点名词
内容选题最怕两件事：看见热点时已经太晚，或者只写“某工具发布了”的二手复述。
Last30Days 有发现趋势的使用路径，例如：
/last30days trending AI agents
相比盯着热度榜，这类研究更适合找“正在形成分歧”的话题。一个可写的题目，往往至少同时满足三件事：有人在讨论、有具体冲突、读者能从中学到判断方法。
举个选题筛法：如果你发现近期围绕某个 Agent 工具的讨论集中在“自动化很强，但权限边界不清”，那篇文章就不应该只写《某某工具发布了》。更有价值的切口是：它解决了哪些重复工作，哪些权限必须在执行前确认，以及怎么给它划出可撤销的操作范围。
热点只是入口，判断框架才是内容的交付物。
想让结果更好，问题不要只写一个名词
/last30days AI Video 可以跑，但它太宽。宽问题适合摸底，不适合拿来做明确决策。
下面这组改写就很有用：
| 你的原问题 | 更好的研究问题 | 为什么 |
|---|---|---|
AI Video | AI video consistent characters | 把话题缩到一个可观察的技术痛点 |
Cursor | Cursor IDE team workflow | 避开泛评测，直接看团队协作的实际用法 |
MCP | MCP production security | 从概念热度转向上线时的具体风险 |
AI agents | trending AI agents | 明确你是想发现议题，而不是研究某个实体 |
产品名 | 产品名 vs 竞品名 | 强迫输出关注差异、替代关系和适用条件 |
这里有的小伙伴可能会问：那我直接把一个很长的需求塞进去不就行了？通常也不理想。一个研究问题最好只服务一个决策：找新工具、验证痛点、比较替代方案，或者发现内容主题。问题越明确，后续越容易知道该验证什么。
它的输出，怎么继续交给 AI 用
这也是这个 Skill 和“搜索结果页”不同的地方。研究完成后，你可以把简报当成下一轮工作的上下文，而不是把它丢进收藏夹。
例如，拿到 AI video consistent characters 的研究结果后，可以继续让 Agent：
根据这份研究，列出 5 个关于角色一致性的可验证主张；
每个主张写明支持它的证据、反例风险，以及我应该去查的官方资料。
或者在产品调研场景继续问：
把用户抱怨按“首次上手、日常使用、协作、价格”分类。
不要替我下结论，只给出需要访谈验证的问题。
这样一来，Last30Days 的定位就更清楚了：它负责把最近的外部信号带进你的 Agent 上下文；你负责定义问题、核验关键事实，并决定下一步。
使用前后的检查清单
在开始前：
- 先问自己，这一轮研究要服务什么决策？
- 主题是否带上了足够的上下文，而不是一个过宽的名词？
- 哪些来源是基础覆盖，哪些需要你主动授权或配置？
- 是否先运行了
--preflight，了解 Cookie、依赖和本地文件写入计划？
拿到结果后：
- 区分“跨平台重复出现”与“单一来源的高热度”。
- 把用户评论当成线索，而不是统计意义上的事实。
- 对价格、功能、版本、政策等会变化的内容，回到官方来源复核。
- 要做购买、发布或产品方向决策时，补上真实用户访谈、产品实测或一手数据。
信息差时代，真正值钱的不是知道得更多，而是更早发现“什么正在发生”，并且能分辨它究竟是短暂噪声、真实需求，还是一个值得亲自验证的机会。
Last30Days 没有替你省掉判断，但它能把原本散落在多个平台上的最近信号，压缩成一条更短、更可追溯的研究路径。对经常在 AI 工具、产品和内容之间切换的人来说，这已经很有用了。