last30days-skill：AI 全网研究助手从入门到精通

预计阅读时间：28 分钟 | 难度：⭐⭐⭐

目标读者：做 AI 辅助研究、信息聚合、趋势追踪的研究人员、投资者、产品经理、开发者与内容创作者 核心问题：如何让 AI Agent 自主检索全网近期讨论，聚合跨平台信号，生成有出处的深度简报？ 难度：⭐⭐⭐（中级） 预计阅读时间：28 分钟

本文以 v3.25.0（2026-09-18 发布）为口径。数据读数（stars、数据源清单、评分机制）核对于 2026-09-22，项目迭代很快，以仓库现行文档为准。

一、它解决什么问题

1.1 LLM 的知识截止日期

大语言模型有一个绕不开的局限：训练数据有时间边界。模型对截止日期之后的事件、新发布的工具、正在进行的社区讨论一无所知。而下面这些场景恰恰都活在"最近"里：

1.2 传统检索的盲区

搜索引擎聚合的是编辑与 SEO 信号。Reddit 的评论区、X 上的专家串、YouTube 45 分钟深度视频里的某句话——这些"人真正在说什么"的内容，Google 搜不到，ChatGPT 只签了 Reddit 一家，Gemini 只有 YouTube。每个平台都是带独立 API、独立鉴权的围墙花园。

last30days 的思路是自带钥匙（bring your own keys）：把你各平台的 API key 和浏览器会话拼在一起，让一个 AI Agent 同时搜遍所有花园，再按"真实用户的互动量"互相打分。它的自我定位一句话就能说清：Google 聚合编辑，/last30days 搜索人。

1.3 三类别人拿不到的信号

• 社交互动：Reddit 的 upvote、X 的 likes、HN 的 points——几百万人每天用注意力投票；
• 真金白银：Polymarket 预测市场的赔率背后是实打实的资金仓位，比评论员的猜测难反驳得多；
• 长内容转写：YouTube 完整转写稿、TikTok 文案、Instagram 口播——搜索引擎索引不到的深度内容。

二、架构分析：v3 流水线

2.1 两层结构：契约与引擎

项目由两层组成：

• skills/last30days/SKILL.md（约 258KB）：运行时契约，规定宿主 Agent（Claude Code、Codex、Gemini CLI 等）的行为——如何理解用户意图、何时调用引擎、如何合成报告。宿主模型就是"规划器 + 合成器"。
• scripts/last30days.py + scripts/lib/（90 余个模块）：Python 引擎本体，负责多源并行检索、评分、聚类与渲染。主入口是单文件 last30days.py（约 184KB），检索编排集中在 pipeline.py。

无头运行（cron、CI）时没有宿主模型，引擎会用一条自动检测链找推理模型做规划与重排：Gemini → OpenAI → xAI → OpenRouter → 本地确定性兜底。

2.2 一次研究的完整流程

README 的"How it works"七步：

1. 输入主题——人物、公司、产品、技术、“X vs Y"均可；
2. 解析谁在参与——搜索发生之前，先把话题涉及的 X 账号、GitHub 仓库、subreddit、TikTok 话题标签、YouTube 频道解析出来（见 2.3）；
3. 全部数据源并行检索——多查询扩展，各源并发抓取；
4. 拿别人没有的深度——YouTube 完整转写、带 upvote 的热门评论、TikTok 文案、Polymarket 赔率，不只是标题和链接；
5. 同一件事合并成一个簇——Reddit 上的公告、X 上的讨论、TikTok 上的视频指向同一新闻时，合并为一条证据簇而非三条孤立条目；
6. 合成一份简报——按真实互动量排序、逐条注明出处；
7. 变成你的专家——跑完一次，当前会话就掌握了社区近 30 天的认知，可以接着追问、写提示词、起草邮件。

2.3 搜索前的情报解析

v3 引擎在发起任何 API 调用之前，先跑一个"搜索前大脑”：把话题解析成具体的检索目标——人物对应哪个 X 账号、产品对应哪个 GitHub 仓库、话题活跃在哪个 subreddit。解析是双向的：可以从人物找到公司，也可以从产品找到创始人。

X 账号解析是最能体现价值的一步。以搜索"Dor Brothers"（一个电影制作团队）为例：他们发帖时不会每次都写自己的名字，关键词搜索容易漏掉当事人的帖子。SKILL.md 指导 Agent 先做一次定向搜索找到官方账号（核对蓝标、官网互链、命名一致性，排除仿冒号，比如认 @thedorbrothers 而不是 @DorBrosFan），然后把账号作为 --x-handle 参数传给引擎，直接检索该账号的帖子——把"没提自己名字"的当事人内容捞回来。

2.4 数据源与密钥

v3 已覆盖 20 个数据源（README"Sources"表口径）：Reddit、X、YouTube、TikTok、Instagram Reels、Hacker News、Polymarket、GitHub、Digg、arXiv、Techmeme、LinkedIn、Meta Ads、StockTwits、Threads、Pinterest、小红书、Bluesky、Perplexity、Web，另有 Truth Social 等小众源在路上。

按获取成本分三档：

X 是结构最复杂的一路：后端按 bird（浏览器 cookie 驱动的内置 Bird 客户端，免费）→ xai（XAI_API_KEY）→ xurl → xquik 的顺序自动降级；官方 X API（X_BEARER_TOKEN）与 grok CLI 通道需显式 opt-in。官方 API 只覆盖最近约一周的帖子，除非你的 X 开发者项目有全档检索权限。X 检索分 FROM 与 ABOUT 两条泳道：当事人自己发的、和社区谈论当事人的，两边都能排序上榜。

小红书（Xiaohongshu/RED）是显式请求制：本机运行已登录的 xiaohongshu-mcp 服务后，用 --search xhs 按次启用，引擎自动探测 localhost:18060。

2.5 评分与重排：让真实互动说了算

检索结果怎么排序，是这个项目的核心竞争力。v3 的重排器（lib/rerank.py）把几类信号融合成一个最终分：

• LLM 评审分：检索相关性由"以查询为中心"的匹配引擎（lib/relevance.py）给出 0–1 分，精确短语命中得高分；重排阶段再由评审模型按 0–100 细化。
• 实体惩罚：标题与摘要完全没提主实体的候选扣 25 分。源码注释解释了这个数字的来历——短名单的典型分差在 30–70 分之间，25 分足以把跑题项压到有效分之下，又不至于一刀切清零。
• 一手帖加成：由已解析官方账号发出的帖子加 5 分——目的只是不被埋掉，强势的第三方内容依然可以赢过它。
• 跨源佐证：同一件事每多一个独立来源，佐证加成 +15%。Reddit、X、YouTube 同时在讨论的故事排在最前。
• 新鲜度：按 1/√(发帖天数+1) 衰减。
• 速度主导：最终融合时互动速度（velocity）以 0.5x–1.5x 乘数调制得分，评审给出的"内容价值"参与调制比例。

另有两条防止评分失真的规则：单作者上限——同一作者最多 3 条上榜，防止大 V 刷屏；Best Takes——第二个并行评审模型专门给幽默、机智、病毒式传播潜力打分，把社区最好的段子放进简报的独立版块。

Polymarket 有专用评分。语义相关性占主导，市场质量只做调节：

relevance = text_score × (0.75 + 0.25 × market_quality)
market_quality = 0.50×成交量分 + 0.25×流动性分 + 0.15×价格变动分 + 0.10×竞争度

其中成交量分按 log1p(月成交量)/16 归一（约 900 万美元封顶）、流动性分按 log1p(流动性)/14（约 120 万美元封顶）、价格变动看单日变动（20% 封顶）、竞争度直接采用市场自身的 competitive 值——越接近 50/50 的市场争议越大，信号越有意思。已结算的市场会被过滤掉。

2.6 目录结构

mvanhorn/last30days-skill/
├── skills/last30days/
│   ├── SKILL.md              # 运行时契约（258KB，Agent 行为规范）
│   ├── scripts/
│   │   ├── last30days.py     # 引擎主入口（单文件）
│   │   ├── watchlist.py      # 定时监控的主题清单
│   │   ├── briefing.py       # 日/周摘要生成
│   │   ├── store.py          # SQLite 持久化
│   │   └── lib/              # 90+ 模块：pipeline、rerank、relevance、
│   │                         # polymarket、bird_x、xai_x、doctor……
│   ├── agents/               # 子 Agent 定义
│   └── references/
├── mcp/                      # Go 语言 MCP 服务器（Claude Desktop 用）
├── docs/                     # how-search-works、JSON 导出规范等
├── CONFIGURATION.md          # 全部配置项参考（82KB）
├── CONCEPTS.md               # 概念解析
└── CHANGELOG.md              # 版本历史（142KB）

三、使用指南

3.1 安装

宿主要求 Python 3.12+；没有系统 Python 时，向导会通过 uv 自动配置受管的 3.12。

3.2 首次运行：零配置即用，向导按需解锁

Reddit、HN、Polymarket、GitHub 不需要任何配置，装完就能跑。第一次执行 /last30days 会触发一次征求同意的引导流程（Claude Code 上是弹窗，其他宿主是对话式）：

1. 浏览器 cookie：询问是否读取 Firefox/Safari 的登录态以解锁 X 等平台（Chrome 默认不读，需显式配置）。macOS 上若权限不足，会引导开启"完全磁盘访问权限"；
2. ScrapeCreators 注册：提供 GitHub 设备授权登录，成功后密钥自动持久化到本地 .env（权限 600），解锁 TikTok、Instagram 及 YouTube 转写备份，附 1 万次免费调用；
3. 评论源选择：推荐档开启 TikTok + Instagram + YouTube 的评论抓取；“全部"档额外加入 Threads 与 Pinterest。评论默认开启，这两项是仅有的可选项。

3.3 配置密钥

密钥按优先级从三处读取：进程环境变量 > .env 文件 > macOS 钥匙串/Linux pass（最低优先级）。.env 支持两个位置：

• ~/.config/last30days/.env：用户级全局配置；
• .claude/last30days.env：项目级配置，必须先设置 LAST30DAYS_TRUST_PROJECT_CONFIG=1 才会被读取——不可信仓库里的项目配置不会被加载，防止恶意仓库劫持你的密钥。

一份常用的全局配置：

# ~/.config/last30days/.env（权限应为 600）
LAST30DAYS_MEMORY_DIR=~/Documents/Last30Days   # 研究报告保存位置

# ScrapeCreators：一个密钥解锁 TikTok/Instagram/Threads/Pinterest/LinkedIn
# 注册与设备授权: https://scrapecreators.com
SCRAPECREATORS_API_KEY=your_key_here

# X/Twitter：浏览器 cookie 方式（免费，推荐）
# 登录 x.com 后从 DevTools 复制 auth_token 与 ct0 两个 Cookie
AUTH_TOKEN=your_auth_token
CT0=your_ct0_token

# X 备用通道（可选）
XAI_API_KEY=xai-your_key              # xAI
X_BEARER_TOKEN=your_token             # 官方 X API，需 LAST30DAYS_X_BACKEND=xapi

# 其他可选源
BSKY_HANDLE=your.bsky.social          # Bluesky
BSKY_APP_PASSWORD=xxxx-xxxx-xxxx
BRAVE_API_KEY=your_key                # Web 搜索，每月 2000 次免费

每次研究的产物默认存为 ~/Documents/Last30Days/<主题slug>-raw.md，同一主题同日重跑会覆盖，不同日期会追加日期戳。

3.4 日常调用

/last30days Claude Code best practices
/last30days OpenClaw vs Hermes vs Paperclip        ← 单趟对比模式
/last30days prompting techniques for ChatGPT
/last30days what's exploding in AI agents?         ← 趋势发现模式

几个实用开关：--days=7 或 --days=90 调整时间窗口；--quick/--deep 控制深度（以 X 为例，默认档每个查询抓 30 条，deep 档 60 条）；跑完一次后输入 eli5 on 切换到通俗解读模式；--emit=html 产出可分享的自包含网页；--as-of 做历史回看；--hiring-signals 专门解读公司的招聘信号；--competitors 自动发现竞品并做横向对比。

无头/脚本场景直接调引擎：

python3 skills/last30days/scripts/last30days.py "AI coding agents" --emit=json

3.5 健康检查：doctor

多源系统最烦人的问题是"为什么 X 这次没结果”。doctor 命令把所有数据源过一遍，按四态给出体检报告——WORKING（正常）/ TURNED ON - UNVERIFIED（已开启未验证）/ NOT WORKING（故障）/ COULD BE ON（可开启未开启），每个故障项附具体的修复指引：缺哪个 key、哪个 CLI 不在 PATH、哪个 cookie 过期了。

python3 skills/last30days/scripts/last30days.py doctor              # 四态体检（文本）
python3 skills/last30days/scripts/last30days.py doctor --json       # 机器可读
python3 skills/last30days/scripts/last30days.py doctor --postmortem # 上次运行哪里出了问题
python3 skills/last30days/scripts/last30days.py doctor --probe      # 有界在线探测

doctor 与 --postmortem 不读浏览器 cookie、不消耗任何付费额度，退出码恒为 0（报告问题本身就是成功运行）；--probe 只对免费源做有界探测，信用计费源一概不碰。体检结果缓存 15 分钟（LAST30DAYS_DOCTOR_TTL 可调）。

3.6 趋势监控与研究库

默认模式每次产出一份快照。要持续追踪，仓库内置三件套：

SQLite 持久化。任意运行加 --store（或在 .env 设 LAST30DAYS_STORE=1），发现按 source_url 去重后写入 ~/.local/share/last30days/research.db——同一 URL 跨运行更新而非重复入库，形成时间序列。

主题清单 watchlist.py。登记需要定期研究的主题，由外部调度器（cron、launchd）触发：

# 登记主题（默认每天早 8 点，--weekly 改为每周一）
python3 skills/last30days/scripts/watchlist.py add "british airways middle east" --weekly

# 配置 Slack webhook：仅当出现新发现时推送
python3 skills/last30days/scripts/watchlist.py config delivery "https://hooks.slack.com/services/..."
python3 skills/last30days/scripts/watchlist.py run-all

配合 crontab 即可全自动化（示意）：0 8 * * 1 cd ~/project && python3 scripts/watchlist.py run-all。

简报与研究库。briefing.py 汇总日/周摘要；library feed 把历史研究变成带 Atom 订阅源的本地站点（index.html + feed.xml），library search 用 SQLite FTS5 离线检索你研究过的一切。新的研究会自动携带"From your library"小节，提示与你过去研究重叠的部分。

3.7 趋势发现模式

不知道该研究什么时，问一句"什么正在爆发"：

/last30days what's exploding in AI agents?

引擎切换到发现模式：先横扫 Reddit 分类榜、HN 前沿、Digg 聚类等榜单提名候选话题，再对每个候选做完整研究，最后给出 5–10 个按热度速度排序的话题，每个都附跨源数据、动量标签和一条可直接执行的跟进命令。每个话题必须跨过置信度门槛（跨源确认或单一来源的显著爆发），过不了就如实报告"本窗口没有可靠发现"，而不是硬凑榜单。脚本直调用 --discover；--drill 可以对上次结果中的任意证据簇做深挖追问。

四、扩展与工程质量

结构化输出。--emit=json 输出带版本的稳定 Agent 配置文件，字段规范见 docs/reference/json-export.md，适合接入下游工作流。

本地语料。--corpus <目录> 把你自己的 .md/.txt（装了 pdftotext 还支持 PDF）注册为私有检索源，命中内容以"From your files"版块出现。语料文件只在本地读取，不进任何网络请求，也不会写入对外发布的内容。

受众预设。--register exec/dev/creator/eli5 调整简报体裁：exec 决策优先、dev 偏技术信号、creator 突出传播钩子、eli5 通俗化——检索本身不变。

MCP 接入。mcp/ 目录是一个 Go 语言实现的 MCP 服务器，Claude Desktop 的 .mcpb 包即由它构建，把研究能力以 research 工具的形式暴露给任何支持 MCP 的客户端。

测试与供应链。2700+ 测试，覆盖率门槛从 60% 提到 84%；CI 集成 OpenSSF Scorecard、Semgrep、OSV-Scanner 与构建来源证明；HTML 渲染器修复过存储型 XSS。MIT 协议，无追踪无遥测，研究数据全部留在本机。

五、局限性

六、与其他工具对比

差异化在于： Perplexity 和 Google 回答"网上怎么说"，last30days 回答"人最近在说什么、押注什么"——互动数据和真金白银的赔率是前两者拿不到的信号。

七、版本演进

v2 时代的评分是纯启发式：Reddit 条目按 0.50×log1p(赞) + 0.35×log1p(评论) + 0.05×(好评率×10) + 0.10×log1p(顶评) 计算参与度，总分再按相关性 0.45、新鲜度 0.25、参与度 0.30 加权；Polymarket 用语义 30%、成交量 30%、流动性 15%、价格变动 15%、竞争度 10% 的五因子加权。v3 换成"LLM 评审 + 实体 grounding + 速度主导"的混合体系后，这些公式已整体退役。

这条演进线也解释了项目的测试策略：2026-04 的 v3.0.0 跑通 852 个测试，半年后测试数增长到 2700+——多源爬取系统的回归风险集中在平台接口变动上，测试密度就是它的保费。

八、参考资源

参考来源与口径说明

• 版本锚点：v3.25.0（2026-09-18 发布）。stars 62,628、forks 5,453、MIT 协议、最近推送 2026-09-20，均读自 GitHub API（2026-09-22）。
• 机制描述：检索/评分/doctor/监控各节对照仓库现行源码（lib/relevance.py、lib/rerank.py、lib/polymarket.py、scripts/watchlist.py）与官方文档（README、CONFIGURATION.md、SKILL.md、docs/how-search-works.md）；评分权重、超时与默认值均为源码读数，非转述。
• 历史口径：v2.9.4 评分公式与五因子权重对照该版本 tag 的 scripts/lib/score.py、scripts/lib/polymarket.py 原文；v2.9.x 止于 v2.9.4，其后直接进入 v3.0.0。
• 示例数据：3.4 节调用示例为语法演示；Dor Brothers 与 OpenClaw/Hermes/Paperclip 例句取自 SKILL.md 与 README 原文。文中未标注来源的具体运行数字一律不写。