跨平台舆情聚合实战：用 last30days 这个开源 Agent Skill，把海外 30 天的一手讨论变成一份带引用的研究简报

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

一句话结论先给你：last30days 是一个开源的 Agent Skill（可以理解为给 AI 助手加装的"技能插件"），给它一个话题，它会替你把 Reddit、X、YouTube、TikTok、Hacker News、GitHub、Polymarket 这些平台近 30 天的真实帖子和高赞评论一次性扒下来，按"真人互动热度"而不是"搜索引擎排名"排序，再交给 AI 综合成一份带引用来源的简报。这份简报本身你不用逐字读，它真正的价值是变成你后续和 AI 对话时的"上下文底座"——你随便追问，AI 都能基于这些一手讨论来回答你。 它到现在在 GitHub 上攒了将近 5 万个 star，长期挂在热榜上，免费的那几个数据源零配置就能跑。对想快速吃透一个 AI 新概念、又不想只读二手翻译稿的人来说，它是个挺趁手的学习工具。

想看完整拆解——它到底怎么工作、怎么装、我自己拿它学新概念踩过哪些坑、有哪些边界——往下翻。

一、先把问题说清楚：为什么"最近大家到底在聊什么"这么难查

我是辛梓煜，平时在词元二号站写东西，日常绕不开一件事：追新概念。AI 这个领域，一个词从冒头到烂大街，有时候也就两三周。等你看到国内一批内容号开始成篇成篇地讲某个新框架，海外的讨论往往已经进入"下半场"了——早期最有价值的争论、踩坑、反对声音，大多沉在那批第一时间开聊的人手里。

你可能会问，至于吗，晚知道一两周能怎样。对纯粹的旁观者当然无所谓，但只要你是靠"信息差"吃饭的人——写东西的、做研究的、做产品的、需要在饭桌上聊得上话的——早一步看到真实讨论，和晚一步看到被磨圆的通稿，差的就是那点最金贵的判断力。信息这东西有个残酷的规律：越是新鲜、越是没被反复咀嚼过的，越值钱；一旦传播了几手、被无数人复述过，它就从"洞见"退化成了"常识"，谁都知道了，也就不值钱了。追新，追的从来不是热闹，是那口还没凉的一手信息。

问题是，这批一手讨论特别难捞。我自己总结下来，卡点主要在三个地方。

第一个卡点，搜索引擎给你看的，是被"编辑"和 SEO 过一遍的版本。 你去搜一个新名词，排在前面的常常是几篇为了流量精心优化过的博客、教程站、聚合号。它们不一定错，但有个共性：把复杂的东西磨圆了、说顺了，顺带把最尖锐的分歧藏起来了。真正在一线用这个东西的人，他们的原始吐槽和实测，很少能排到搜索首页。你看到的排序，是内容做了多少 SEO 决定的，不是有多少真人真的觉得它值得一看决定的。

第二个卡点，最值钱的信息，经常埋在评论区和回复里。 这一点凡是刷过社区的人都有体感。一个帖子的正文可能只是抛了个话题，真正的干货——"我按这个方案试了，结果在某个环节翻车了""其实还有个更省事的做法"——全在下面的评论、追问、反驳里。就像你逛社区不会只看正文一样，一定要翻评论。可绝大多数搜索工具和摘要工具，只看得到标题和正文，够不着评论区那层。

第三个卡点，信息是碎在十几个平台里的。 同一个话题，Reddit 上有一波技术流的深挖，X 上有一波从业者的短评和互怼，YouTube 有人录了长视频拆解，Hacker News 上又是另一群人从工程角度开杠。你想拼出一张完整的图，得挨个平台去翻、去搜、去读、去手动做笔记——一个话题折腾下来，小半天就没了。而且你还得记得住哪句话是在哪看到的，不然回头想引用都找不到出处。

我举个自己身上真实发生过的场景，你可能有共鸣。前段时间有个概念在海外先热了起来，我当时没在意，等到国内一批号开始成篇讲的时候我才回过神——点开一看，好几篇讲的东西高度雷同，连举的例子都像一个模子里出来的，因为大家参考的是同一批更早的英文源，一路转译、一路复述，观点被磨得越来越圆、越来越"安全"。等我真的翻回海外的原始讨论，才发现最早那批人吵得最凶的那几个点、最有价值的那几处反对声音，在中文的复述里几乎全被过滤掉了。那一刻我特别直接地意识到一件事：很多时候你不是缺信息，你是缺"没被二次咀嚼过的一手信息"。

这就是我后来会认真研究 last30days 的起点。它不产生新观点，它做的是把"直接去看一手讨论"这件事的门槛砸下来。

这三个卡点叠在一起，结果就是："最近大家真正在聊什么"这件事，理论上到处都是公开信息，实际做起来却又慢又累又容易漏。 last30days 想解决的，正是这块。

下面这张表，是我把"手动查"和"我想要的效果"摆一起对比了一下，你大概能感觉到差距在哪：

二、last30days 到底是什么：从一句话，一层层拆开讲

1）先给一句话定义

last30days 是一个开源的 Agent Skill：你丢给它一个话题，它驱动 AI 去把最近 30 天里各大海外社交平台上的真实讨论扒一遍，然后综合成一份带引用来源的研究简报。

它的作者是 Matt Van Horn（GitHub 上的 mvanhorn），项目采用 MIT 开源许可，代码全部公开，本身不做任何埋点和数据统计，你的研究内容留在自己机器上。项目从今年 1 月开源以来热度一路走高，多次冲上 GitHub 全站热榜第一，到我写这篇的时候，star 数已经逼近 5 万，仓库里挂着一千多个测试用例，社区贡献者上百人——对一个开源工具来说，这个体量足够说明它不是昙花一现的玩具。

值得一提的是作者的背景。Matt Van Horn 不是无名之辈，他此前参与创办过后来成长为知名出行平台的公司，也做过一些别的产品，是个连续创业者。这样一个人做出来的开源工具，工程上的成熟度和产品思维，往往比一时兴起的 demo 要扎实得多——你看它把"失败案例复盘""安全预检""多平台兼容""上千个测试用例"这些东西都做进去了，就能感觉到这不是随手一写。当然，作者的名气只是个参考，工具好不好用，最终还得你自己跑一遍才算数。

它的迭代也很勤。项目版本一路更新，社区不断在提功能、修问题，作者会把大家的想法吸收进来重写。这种活跃度，对使用者是个好信号：至少在可见的未来，它不会装完就烂尾。

2）这里得先插一句：什么是 "Agent Skill"

很多人卡在"Skill 到底是个啥"这一步，我用大白话讲清楚，后面才好聊。

你可以把 Agent Skill 理解成给 AI 助手装的一个"专项技能包"。它本质上就是一个文件夹，里面有一个叫 SKILL.md 的说明书文件（Markdown 格式，纯文本，普通人也能读懂），说明书里写清楚"这个技能是干嘛的、什么时候该用、具体分几步怎么做"，文件夹里还可以附带一些可执行的脚本、参考资料、模板。

这个格式最早是 Anthropic（Claude 的东家）在去年底提出来并开源成公开标准的，现在已经被一大票工具接住了——Claude、OpenAI 的 Codex、Cursor、GitHub Copilot、Google 的 Gemini CLI 等等几十个 AI 编程/助手工具都能用同一份 Skill。也就是说，一个 Skill 写好一次，能在很多地方复用。

Skill 最巧妙的设计叫**"渐进式披露"（progressive disclosure）**，听着玄乎，其实道理很朴素。AI 的"上下文窗口"（可以理解成 AI 一次能记在脑子里的工作台面）是有限的，塞得越满，反应越迟钝。渐进式披露就是让 AI 别一上来把所有说明书都背下来，而是分三层按需取用：

flowchart TD
    A["启动时：只加载技能的<br/>名字 + 一句话描述<br/>（几十个字，几乎不占地方）"] --> B{"当前任务<br/>用得上这个技能吗？"}
    B -- 用得上 --> C["读取完整的 SKILL.md<br/>说明书正文"]
    B -- 用不上 --> A
    C --> D{"某一步需要<br/>额外脚本 / 资料吗？"}
    D -- 需要 --> E["再去读对应的<br/>脚本或参考文件"]
    D -- 不需要 --> F["直接照说明书<br/>把活干完"]

这么设计的好处是：你可以给 AI 装几十个技能，平时它只记住每个技能"叫什么、干什么用"，真正用到哪个，才把那本厚说明书翻开。last30days 就是这样一个技能包，只不过它的"专项技能"是"跨平台舆情研究"。

顺便回答一个我被问过好几次的问题：Skill 和"我自己存一段很长的提示词"有啥区别？ 表面看都是"把一套做法教给 AI"，但差别在两点。第一，提示词是你每次手动复制粘贴进去的，塞进去就实打实占着 AI 的工作台面；而 Skill 靠前面说的渐进式披露，平时只占几十个字，用到才展开，AI 脑子更清爽、发挥更稳。第二，Skill 是个能带脚本、带资料、能被版本管理、能一键分发给整个团队的"文件夹"，它可以把"一段死板的文字说明"升级成"文字 + 可执行代码 + 参考资料"的组合。简单说，提示词是便利贴，Skill 是一本能自己翻页、还夹着工具的活页手册。

也正因为它是个开放标准，才会出现"一个 last30days 到处能装"的局面。你在 Claude Code 里能用，换到 Cursor、Codex、Gemini CLI 里还是同一个它。对使用者来说这是实打实的好处：你不用被某一个工具绑死，学会一次，走到哪用到哪。

3）近 5 万 star 背后，它到底解决了谁的痛

一个开源项目能在几个月里冲到近 5 万 star、反复登顶热榜，光靠"点子新"是不够的，得是真的戳到了一大批人的共同痛点。我观察下来，它戳中的是这么一群人：做 AI 相关的人、需要持续追新的研究者和从业者、以及所有被"我这个领域最近到底发生了啥"这个问题反复折磨的人。这个领域跑得太快，你离开讨论一周，可能就错过了一批重要进展。而它把"我错过了啥"这个问题，从"得手动巡十几个平台"压缩成"跑一条命令"。

它还有一个容易被忽略但我很看重的特质：克制。 它不做埋点、不做数据统计、采用宽松的开源许可，你的研究内容留在自己机器上。在一个什么工具都想采集你数据的年头，这种"我就干好本职、不惦记你的数据"的克制，反而成了加分项。

4）它到底能扫哪些源

这是我整理的它覆盖的主要数据源，以及各自要不要额外配置：

一个很实在的点：Reddit、Hacker News、GitHub、Polymarket 这四个源完全免费、零配置，装完立刻能跑。 对刚上手、只想先感受一下的人，这四个源拿来学新概念其实已经够用了。想要更全，再按需去解锁 X、YouTube、TikTok 这些。

顺带说说这四个免费源各自的脾气，你挑话题时心里能有个数。Reddit 适合看深度讨论，一个话题下面动辄几百上千条评论，观点交锋最充分；Hacker News 偏技术和创业圈，工程视角和"冷静唱反调"的声音多，特别适合祛魅；GitHub 直接看代码世界的动向——哪个项目在涨 star、issue 里大家在争什么、PR 在往哪个方向走，对判断一个工具的真实活跃度很有用；Polymarket 则是个另类但很有意思的信号源，它反映的是"人们愿意为哪种判断押上真金白银"，某种程度上比嘴上说的更诚实。四个源脾气不同，凑一起看，一个话题的立体感就出来了。

5）它跟"普通搜索"的两个根本差别

聊到这，你可能会想：这不就是个高级点的搜索吗？我一开始也这么以为，用下来发现差得挺远，核心就两条。

差别一：它是深度爬，不是只看标题。 前面提过评论区那层。举个通用点的例子——某个社区里有个几千点赞的热帖在讨论一个新工具，普通搜索最多把这个帖子的标题和链接给你；而 last30days 会把这帖子下面点赞最高的那几条评论，连着点赞数一起扒下来。往往正文只是个引子，评论里那句"我踩了这个坑"才是你最想看的。它把这层考虑进去了，而且是跨十几个平台一起这么干。

差别二：它按真人热度排，不按 SEO 排。 一条几千点赞的社区讨论，权重高于一篇没什么人看、但 SEO 做得很足的博客；一个几百万播放的视频，权重高于一篇公关稿。你最后看到的排序，背后是无数真人用点赞、转发、播放、甚至真金白银的下注"投票"投出来的。用作者自己的话来说，Google 排的是编辑写的东西，而这个工具排的是真人真的在乎的东西。

这两个差别合起来，效果是叠加的。你可以这么想象一个对比场景：同一个新概念，普通搜索给你的，可能是排在首页的三五篇"标题党 + 四平八稳"的教程，你读完只知道个大概；而 last30days 给你的，是十几个平台里真人吵得最凶、赞得最多、也踩坑踩得最惨的那批一手内容，连评论区的精华都替你捞上来了。前者像看一份被反复转述、越传越顺的通稿，后者像直接坐进了讨论现场。对"想真正搞懂、而不只是知道个名词"的人来说，这个差别是决定性的。

三、它的工作原理：从一个话题，到一份带引用的简报

把黑箱打开看一眼，你用起来会更有底。整个流程大致是这样的：

flowchart LR
    A["你给一个话题<br/>比如某个新框架"] --> B["并行去十几个<br/>平台抓取近 30 天内容"]
    B --> C["抓正文 + 高赞评论<br/>+ 互动数据"]
    C --> D["按真人互动热度<br/>打分、排序、聚成'证据簇'"]
    D --> E["AI 把证据簇<br/>综合成连贯的叙述"]
    E --> F["输出：带引用来源的<br/>研究简报"]
    F --> G["简报当作后续对话的<br/>'上下文底座'"]

我拆几个关键环节讲讲。

第一步，并行抓取。 你给一个话题，它不是一个平台一个平台慢慢排队查，而是十几个源同时开工，各扒各的近 30 天内容。这也是它比人手动快那么多的原因——你一个人只能一个标签页一个标签页翻，它是一把梭。

第二步，打分与排序。 抓回来的东西是海量的，得有个筛选逻辑。它的打分不看内容做了多少优化，只看真人的互动强度：点赞、点踩、回复量、播放量、预测市场里押的钱……这些加权算出一个热度分。分高的排前面，分低的往后靠。这一步把"看着热闹其实没人搭理"的内容筛掉了。

这里可以更具体一点。不同平台的"热度信号"是不一样的，它会因地制宜地看不同的指标，我把常见的几种整理成一张表，你就明白它"按真人投票排序"具体是怎么落地的：

最后那一行我觉得特别有意思。预测市场里的赔率，背后是真有人拿钱下注——比起随手一个赞，掏钱这个动作往往更能反映"人们是不是真信"。把这种"用钱投的票"也纳进来当信号，是它比一般聚合工具更狠的地方。

第三步，聚成"证据簇"再综合。 这里有个我觉得设计得很聪明的地方。它不会把一堆排好序的原始条目直接甩给你——那样你还是得自己读。它会先把讲同一件事的材料聚到一起（作者管这叫"证据簇"），然后让 AI 扮演一个"裁判"，把这些簇消化掉，写成一段一段连贯的、人话的叙述。也就是说，你拿到的不是一份链接清单，而是一篇"综合过的、每个结论后面都挂着出处"的简报。

值得单独说一句它对"引用"的较真。它内部有一套硬性规矩，比如：不许瞎编标题、不许把中间那些排好序的原始数据块原样倒给你当结果、每个说法都得能点回真实来源。作者甚至在项目文档里公开复盘过某几次"AI 偷懒、把原始证据块直接当输出吐出来"的翻车案例，然后用规则把这些坑一个个堵上。这种"把失败案例摊开写进说明书"的做法，说明它不是随手攒的，是真在一线打磨过的。

为什么这么较真"带引用"？因为这直接关系到你敢不敢信它。大家都知道 AI 有个老毛病：一本正经地瞎编，术语叫"幻觉"。对付幻觉最有效的办法之一，就是逼着它"说话得有依据"——每个结论后面都挂着一条能点开的真实来源。这样一来，就算它综合的时候有偏差，你也能顺着链接回到原帖，自己核一核到底是不是这么回事。能溯源的信息，和一段听着挺顺、却不知道从哪来的话，价值完全是两个量级。 它把"可溯源"做成硬规矩，等于给你上了一道保险：你可以偷懒不逐条核，但你随时有能力去核——这份"随时能核"的底气，比信息本身还重要。

最后，也是我觉得最该讲清楚的一点：这份简报，你不用逐字精读。 它真正的角色，是变成你接下来跟 AI 聊天时的"上下文底座"。AI 已经替你把这些一手讨论全读完、消化好了，接下来你想问什么，它都能基于这批材料回答你。这个体验，是普通搜索给不了的——普通搜索给你一篇文章，你读完就没了，再问它细节它根本不知道你在说哪篇；而这个不一样，它已经替你读完了相关的所有讨论，你只管随便问。

我想把这个心智转变再敲实一点，因为它是理解整个工具的钥匙：你要转变的，是"我要读一份报告"到"我要给 AI 装一个底座"的思路。 传统上我们查资料，脑子里的画面是"我去找一篇好文章读完"；而用这个工具，正确的画面是"我先让 AI 把一个话题的一手讨论全吃进肚子，然后我来当那个提问的人"。信息的消化，从你身上转移到了 AI 身上；你省下来的精力，用在了更值钱的地方——提问和判断。想通这一层，你就不会再纠结"那份报告好长我读不完"了，因为那份报告本来就不是给你逐字读的，它是喂给 AI 的粮。

四、我的实操：拿它学一个新概念，以 "Loop Engineering" 为例

光说不练没意思。我拿一个我自己最近在补的概念——Loop Engineering（循环工程）——走一遍完整流程，顺带把这个概念也给你讲明白。

1）先说这个概念本身，免得你一会儿看不懂

Loop Engineering 是今年 6 月前后在海外圈子突然火起来的一个词，起因是有人抛出一句话：别再一句一句地给你的 AI 编程助手写指令了，去设计一个能自动、反复驱动它干活的"循环"。 这句话据说带起来的那条帖子几天内被看了几百万次，一下就把这个说法炒热了。

用大白话讲：过去两年，你用 AI 编程助手的姿势是"写一句提示 → 看它输出 → 再写下一句 → 再看"，你得全程盯着、一轮一轮地喂。Loop Engineering 说的是换个姿势——你不再是那个坐在对话框前一句句敲的人，而是去搭一台"能自动喂它、检查它、让它反复重跑直到达成目标"的机器。人从"执行循环"里退出来，只负责设计这个循环。

它常被拆成几个基本构件：/loop（让助手重复一段动作，可以跑固定次数，也可以跑到某个条件满足为止）、/goal（定义什么算"成功"，没有这个循环就会漫无目的地转）、/routines（预先定义好的动作片段，需要时随时调用）。这套东西的思想根子，其实是控制论里的"反馈回路"：系统做一个动作，观察结果，拿结果决定下一步，如此往复。它也被看作是从"提示工程"到"上下文工程"再到"循环工程"这条演进线上的最新一环。

顺着这条演进线多说两句，你会更有画面感。最早大家琢磨的是"提示工程"——怎么把一句话写得更好，让模型答得更准；后来发现光有好提示不够，得把合适的资料、背景喂给它，于是有了"上下文工程"；再往后，当一个任务需要模型反复行动、自我纠正才能完成时，重点又从"喂什么"变成了"怎么让它自己转起来"，这就是"循环工程"。有意思的是，这个思路早在这个词火起来之前就有人在土法上马了：有人干脆把 AI 编程助手塞进一个最朴素的循环里——喂给它同一份任务说明，让它挑一件事做掉，然后开一个全新的实例，再喂同一份说明，如此重复，直到活干完。这种"新开一局、反复重来"的笨办法，反而意外地好使，也算是循环工程的雏形。

从"能不能转起来"再往前一步，人们开始区分不同的循环怎么设计。粗略讲有这么几类：跑固定次数的、跑到目标达成为止的、边跑边自我检查纠错的、以及多个循环并行各干各的。选哪一类，取决于你的任务是"重复劳动"还是"探索求解"。而一旦一个助手能带着自己的工作区独立转圈，你甚至能同时开好几个,让它们各自干活、你回头统一验收——所谓"让 AI 在你睡觉的时候替你干活"，说的就是这个。当然，硬币的另一面是：一个设计得好的循环能把一个好判断放大，一个设计得糟的循环，也会用同样的速度把一个坏判断放大，而且这时候盯着它的你还更少。 这也是为什么"循环怎么设计"本身，成了一门需要专门琢磨的手艺。

好，概念清楚了，回到正题——我想搞清楚的是：关于这个新词，最近大家讨论里最有洞见的点在哪、观点分歧在哪。 这种问题，你去搜教程站是搜不到的，教程站只会告诉你"它是什么"，不会告诉你"一线的人在为它吵什么"。这正是 last30days 的主场。

2）我实际是怎么问的

装好技能之后，我在对话里敲的是这么一句（提示词写得越具体，出来的东西越对味）：

/last30days 最近大家关于 loop engineering 的讨论，
比较有洞见的地方是啥？观点分歧在哪？

然后就等着。它在后台深度检索了几十条海外来源，横跨好几个平台——社区帖子、视频、短视频、技术论坛的讨论，外加网页搜索补充的一批链接。跑完之后，它生成了一份挺长的简报。

这份简报我没细看。 前面反复强调过，它的作用是给后面的对话当底座。我扫了一眼它抓到的来源分布，确认覆盖面够广、够新，就直接开始追问了。如果觉得某个角度挖得不够深，还可以让它就着那个点再往下钻一层。

3）追问的体验，和普通搜索的差别

接下来就是我最喜欢的部分：随便聊。因为 AI 已经把这几十条一手讨论全吃进去了，我问什么它都能接得住。比如我会问："支持派和怀疑派各自最硬的论据是什么？""有没有人实测翻车、翻在哪了？""这套做法对新手是利大于弊还是弊大于利？"——这些问题，它都能基于刚才那批真实讨论来回答，而不是泛泛地讲正确的废话。

我把这个体验和普通搜索摆一起对比过：

这一圈下来，我对 Loop Engineering 的理解，比我去啃三五篇教程要立体得多——尤其是那些"分歧点"和"翻车案例"，是教程里根本不会写的。

我特别想描述一下"下钻"这个动作的手感，因为它是整个体验里最爽的部分。第一轮它给我一份大而全的简报之后，我不会满足于此，而是揪着里面某个我最好奇的点继续问，比如"你刚才提到有人质疑这套做法会放大错误，能不能把这批质疑者的具体论据展开讲讲？"这时候它不会去重新搜一遍，而是直接从已经吃进去的那批讨论里，把相关的部分翻出来给我细讲。我可以就这么一层一层往下挖，从"大家在聊什么"挖到"具体某一派为什么这么想"，再挖到"这派人举了哪个真实例子"。整个过程像剥洋葱，而且每剥一层，出处都还在，我随时能点回原帖去核实。这种"带着一整个上下文陪你聊到底"的连续感，是我把它和普通搜索彻底区分开的关键体验。

五、安装与上手：先让免费源零配置跑起来

这一节给想动手的人。整体思路是：先用免费源把它跑起来，感受对了，再按需解锁更多源。 别一上来就折腾全套配置，容易劝退。

1）在 Claude Code 里安装

如果你用的是 Claude