过去一年，大模型领域最明显的变化之一，不是模型参数继续增长，也不是上下文窗口不断扩展，而是越来越多开发者开始把大模型当作真正的Agent使用。
从Claude Code、Codex CLI，到Gemini CLI、Cursor，各类Agent工具正在快速普及。
相比传统聊天机器人，这些Agent不再只是回答问题，而是开始主动搜索信息、调用工具、分析数据，甚至完成完整的研究任务。
但一个现实问题也逐渐暴露出来。
当用户让Agent调研一个新产品、分析一家创业公司，或者追踪某个技术趋势时，Agent能够获取的信息往往仍然局限于网页搜索结果。
而在今天的互联网环境中，真正有价值的信息越来越不只存在于网页之中。
Reddit上的开发者讨论、X上的实时观点、YouTube的深度评测、GitHub的代码活动、Hacker News的社区反馈，往往比新闻报道更早反映一个产品的真实情况，也更能体现技术社区的关注方向。
于是，一个名为last30days-skill的开源项目开始受到大量关注。
这个项目并没有试图打造新的搜索引擎，而是尝试解决另一个问题：如何让Agent一次性理解过去30天互联网真正发生了什么。
短短数月时间，该项目已经在GitHub获得45.4k Star。
- github链接：https://github.com/mvanhorn/last30days-skill
01
从搜索到研究，
Agent的信息处理链路
（一）搜索之前，先理解研究对象
从技术角度来看，last30days最有意思的地方并不是支持多少个平台，而是它重新设计了Agent的研究流程。
传统搜索通常遵循一个简单链路：提出问题、搜索结果、整理答案。
而在last30days中，Agent会先尝试理解研究对象本身。
例如搜索OpenAI时，系统并不会立即开始抓取内容，而是会进入一个预研究阶段。
在这个阶段，Agent会自动识别与OpenAI相关的重要实体，例如ChatGPT、GPT 系列模型、Sam Altman、开发者社区以及相关开源项目等信息，然后再围绕这些实体展开扩展搜索。
这种设计最大的价值在于避免关键词搜索带来的信息遗漏。
很多时候，用户输入的只是一个名称，但真正重要的信息可能分散在多个不同实体之中。通过预研究机制，Agent能够建立更完整的搜索上下文，从而获得更丰富的结果。
（二）从信息汇总到事件理解
当来自多个平台的数据返回之后，系统还需要解决另一个问题。
同一个事件通常会同时出现在多个社区。
某款AI产品发布后，可能会同时出现在Reddit、X、YouTube和Hacker News。如果直接汇总所有结果，最终报告会充满重复信息。
因此，项目引入了跨平台聚类机制。
系统会自动识别不同来源中描述的是否属于同一事件，并将这些内容进行合并处理。最终呈现给用户的是一个统一的事件视图，而不是大量重复信息。
这种设计非常接近当前许多Deep Research Agent的实现思路。
除了聚类之外，项目还增加了一个名为Agent Judge的分析模块。
它不仅关注内容是否相关，还会综合考虑讨论热度、传播范围以及社区参与度等因素，对结果进行进一步排序。
换句话说，系统不仅试图回答“发生了什么”，还试图回答哪些事情最值得关注。
最终生成的内容已经不再是搜索结果的简单堆积，而更接近一份经过筛选和提炼的研究报告。
（三）Person Mode：让人物研究自动化
另一个颇具特色的功能是Person Mode。
对于技术社区而言，很多时候研究的对象并不是产品，而是具体的人。
例如：
/last30days Andrej Karpathy系统不仅会搜索相关新闻，还会分析其GitHub活动、代码提交情况、社区讨论以及公开发言内容。
过去如果想完成类似研究，往往需要同时浏览GitHub、社交媒体、播客访谈以及各种技术社区，整个过程既耗时又容易遗漏信息。
而在Person Mode中，这些原本分散的数据会被自动聚合并统一分析。
最终生成的报告更接近于一份人物动态研究，而不仅仅是简单的信息检索结果。
从整体架构来看，last30days已经超出了普通搜索工具的范畴。
它更像是一个面向Agent的研究框架，通过搜索、聚类、分析和总结等多个阶段，将原本需要人工完成的信息收集流程自动化。这也是为什么很多开发者将其视为 Deep Research Agent生态的重要基础组件。
如果从Agent系统架构的角度来看，last30days实际上对应了当前Deep Research Agent 的几个关键阶段。
（1）信息发现（Discovery），负责寻找相关内容；
（2）信息组织（Organization），负责聚类和去重；
（3）信息评估（Evaluation），通过 Agent Judge 判断内容价值；
（4）信息生成（Synthesis），形成结构化研究报告。
过去这些工作往往需要分析师手动完成，而在last30days中，它们被整合进了一条自动化流水线。
这也是为什么许多开发者将其视为Agent Research Stack中的重要组成部分。
02
几分钟接入Claude Code、
Cursor与Codex
在部署体验上，last30days延续了当前Agent Skill生态的设计思路。
项目支持Claude Code、Codex CLI、Cursor、Gemini CLI、GitHub Copilot 等多个主流Agent运行环境，用户无需搭建复杂服务即可快速开始使用。
对于Claude Code用户，可以直接通过插件市场完成安装：
/plugin marketplace add mvanhorn/last30days-skill/plugin install last30days
安装完成后，即可通过简单命令发起研究任务：
/last30days OpenAInpx skills add mvanhorn/last30days-skill -g后续如果需要升级到最新版本，只需执行：
npx skills update last30days -g从官方文档来看，项目已经兼容包括Claude Code、Cursor、Codex CLI、Gemini CLI、Windsurf、Continue、GitHub Copilot等在内的多个Agent Runtime，基本覆盖了当前主流开发者生态。
默认情况下，项目已经集成Reddit、GitHub、Hacker News以及Polymarket等主要信息源，因此安装完成后即可直接体验核心能力。
对于希望获得更丰富搜索结果的用户，还可以进一步配置YouTube、X、Bluesky、Brave Search以及OpenRouter Sonar等扩展数据源。例如在本地安装YouTube抓取工具后：
brew install yt-dlpAgent便能够直接将YouTube内容纳入研究流程。
整体来看，last30days更像一个即插即用的Agent能力扩展包，而不是传统意义上的搜索系统。
开发者无需自行维护爬虫、构建索引或整合多平台API，只需完成简单安装，便能够获得一套覆盖多个社区平台的研究能力。
03
last30days揭示了一种
新的Agent研究范式
回顾互联网的发展历程，搜索引擎解决的是信息在哪里的问题。
而在Agent时代，一个新的问题正在出现：过去一个月，互联网究竟在讨论什么？
last30days给出的答案并不是建立更大的索引库，而是让Agent直接进入社区。
通过连接Reddit、X、YouTube、GitHub、Hacker News等多个平台，它试图帮助Agent理解真实用户的讨论、社区情绪以及技术趋势，而不仅仅是寻找网页链接。
从产品形态来看，它是一款 Skill；从技术演进角度来看，它更像是下一代Deep Research Agent的缩影。
当越来越多工作开始交给Agent完成时，搜索的价值或许也会发生变化。
未来的搜索系统不再只是返回答案，而是帮助用户理解事件、发现趋势、形成判断。
而last30days，正是这一方向上颇具代表性的一次探索。
