GitHub - NanaDad/dartlab: Korean DART + SEC EDGAR filings as structured Python data for company analysis

DartLab

종목코드 하나. 기업의 전체 이야기.

Korean DART + US SEC EDGAR 공시를 한 줄의 Python 으로 읽고 비교한다.

문서 · Skill OS · Skill Market · 블로그 · Colab에서 열기 · Molab에서 열기 · English · 후원

터미널 — 블룸버그식에 도전하다

종목 하나로 재무·주가·공시·신용·산업·매크로를 한 화면에서 읽는 블룸버그식 터미널에 도전하는 DartLab 터미널. 라이브러리가 만든 비교 가능한 데이터를 그대로 화면 위에 올렸다.

이 터미널은 @youngchangjo 님의 스레드에서 받은 영감으로 시작됐습니다.

DartLab 무엇을 해주는가

DartLab은 DART와 EDGAR 공시를 종목코드 하나로 비교 가능한 데이터로 바꾸는 Python 라이브러리다. 재무제표, 사업보고서 본문, 공시 목록, 비율, 신용위험, 산업 맵, 매크로 맥락을 같은 Company 인터페이스로 읽는다.

핵심은 단순 수집이 아니다. 회사마다 다른 계정명과 공시 목차를 topic × period, account × period 형태로 수평화해서 작년과 올해, 삼성전자와 애플, 한 종목과 전체 시장을 같은 질문으로 비교하게 만든다.

Before	After
사업보고서 여러 해를 열고 목차를 맞춘다	`c.panel()`
XBRL 계정명과 한글 항목명을 직접 매핑한다	`c.panel("IS")`
전 종목 재무비율을 직접 수집·정규화한다	`dartlab.scan("profitability")`
AI 답변의 숫자를 다시 검산한다	`dartlab.ask(...)` + 실행 근거 ref

세 가지 시작점

DartLab은 AI / Python / CLI 세 길을 같은 데이터·같은 엔진 위에 올려놓는다. 자기 맥락에 맞는 길로 진입하면 된다.

사용 방식	코드 길이	첫 결과	이런 사람에게 맞다
AI로 바로 사용	1 줄	~1 분	질문을 던지고 근거 있는 답변을 받고 싶은 분석가
Python 코드로 사용	3-5 줄	~3 분	재무제표·공시·스캔 데이터를 직접 다루는 개발자
CLI 로 사용	1 명령	~2 분	단발 조회·자동화 스크립트·셸 파이프라인 사용자

각 경로는 모두 dartlab.Company 와 같은 분석 엔진을 호출한다. 출발점만 다를 뿐 결과는 같다.

AI로 바로 사용

기업 이름이나 종목코드를 넣고 자연어로 물어보면, DartLab AI는 내부에서 Company, analysis, credit, scan, macro 같은 도구를 직접 실행한다. 답변만 만드는 것이 아니라 어떤 데이터와 계산을 썼는지 추적 가능한 ref를 함께 남긴다.

import dartlab

dartlab.ask("삼성전자 재무건전성 분석해줘")
# AI가 필요한 데이터를 직접 조회하고, 계산 결과와 근거 ref를 함께 반환

AI 경로의 장점:

분석 흐름을 직접 설계 — 질문에 맞춰 공시, 재무제표, 신용, 매크로, peer 비교 도구를 조합한다.
숫자 검산 가능 — 답변 속 숫자와 표는 실행 결과 ref에 연결된다.
공시 본문은 데이터로만 처리 — DART/EDGAR/웹 본문 안의 지시는 따르지 않고 분석 근거로만 쓴다.
외부 LLM 연동 가능 — MCP로 Claude Code, Codex CLI, Cursor 같은 도구에서 같은 표면을 호출한다.

claude mcp add dartlab -- dartlab mcp
codex  mcp add dartlab -- dartlab mcp

Claude Desktop · 원격 SSE · 절대 경로 옵션은 MCP 섹션 참조.

Python 코드로 사용

코드 경로는 Company가 중심이다. 종목코드 하나로 재무제표, 공시 본문, 정형 보고서, 비율을 c.panel 단일 표면에서 같은 방식으로 호출한다. c.panel 을 잡는 순간 항목×기간 격자가 된다.

uv add dartlab

import dartlab

c = dartlab.Company("005930")       # 삼성전자

c.panel()                           # 전체 공시 수평화 격자 (항목 × 기간)
c.panel("IS")                       # 손익계산서 (finance 정규화 숫자)
c.panel("is")                       # native 손익 — 사업보고서 항목 그대로 (XBRL+옛 통합 2013~)
c.panel("ratios")                   # native 재무비율 (5표 항목으로 계산)
c.panel("사업")                      # 사업 개요 등 공시 본문 행 검색
c.filings()                         # 원문 공시 링크

# 같은 인터페이스, 다른 시장
kr = dartlab.Company("005930")
us = dartlab.Company("AAPL")

kr.panel("IS")
us.panel("IS")

Python 경로의 장점:

API 키 없이 시작 — 사전 구축 데이터는 HuggingFace에서 자동 다운로드하고 로컬에 캐시한다.
기간 비교가 기본 — 공시 본문과 재무제표를 기간 축으로 맞춘다.
한국과 미국을 같은 인터페이스로 조회 — DART와 EDGAR의 차이는 provider가 흡수한다.
엔진 결과를 재사용 가능 — analysis, credit, macro, quant, industry, story 결과를 코드에서 직접 다룬다.

CLI 로 사용

설치 후 셸에서 dartlab 명령으로 같은 엔진을 호출한다. 단발 조회·셸 자동화·파이프라인 친화적.

uv add dartlab

dartlab help "외인 매수"            # 도움말 + 매칭 capability 탐색
dartlab list scan                    # scan 카테고리 recipe 인덱스
dartlab show 005930 IS               # 손익계산서 출력 (Python c.panel("IS") 등가)
dartlab analyze 005930 --aspect credit
dartlab mcp                          # MCP 서버 진입 (외부 LLM 도구 등록용)

CLI 경로의 장점:

API 키 없이 단발 호출 — HuggingFace 캐시 자동 사용
셸 파이프라인 친화 — dartlab show ... --json | jq ... 식으로 합성
MCP 서버 진입점 동일 — dartlab mcp 한 명령으로 외부 어시스턴트 도구 노출

CLI 명령 전체 목록 + 옵션은 dartlab --help 또는 Skill OS (src/dartlab/skills/specs/operation/code.md) 참조.

결과 예시

아래는 Python 경로에서 바로 얻는 대표 결과다. 공시 본문, 재무제표, 원문 링크가 같은 Company 객체에서 나온다.

import dartlab

c = dartlab.Company("005930")       # 삼성전자

c.panel()                           # 모든 항목, 모든 기간, 나란히 — 잡는 순간 격자
# shape: (223, 14) — 공시 항목 × 기간
#                     2026Q1  2025Q4  2025Q3  2024Q4  ...
# (표지)                  v       v       v       v
# 사업의 내용             v       v       v       v
# 재무상태표              v       v       v       v

텍스트와 숫자의 시계열 수평화 — 전 기간 비교 가능성의 핵심

c.panel("IS")                       # 손익계산서 — finance 정규화 (분기 기본)
c.panel("IS", freq="year")          # freq로 연간 합산

finance 정규화 — XBRL 표준계정(snakeId) + 한글 항목명, 원 단위 정밀 숫자

c.panel("is", freq="year")          # native 손익 — 사업보고서 항목 그대로 (2013~)
c.panel("ratios")                   # native 재무비율, 5표 항목으로 계산

소문자=native — 사업보고서 항목 그대로, XBRL 이전까지 닿는 깊은 history (2013~)

c.panel("사업")                      # 사업 개요 등 공시 본문 행 검색
c.panel.search("재고")               # 본문 전체 검색

c.filings()                         # 모든 보고서 — DART 뷰어로 바로 연결

사업보고서부터 분기보고서까지, dartUrl로 원문 즉시 확인

# 같은 인터페이스, 다른 나라
us = dartlab.Company("AAPL")
us.panel("business")
us.panel("ratios")

# 자연어로 질문
dartlab.ask("삼성전자 재무건전성 분석해줘")
# → AI가 코드를 실행하며 분석: "영업이익률이 8.6%→21.4%로 반등..."

API 키 불필요. HuggingFace에서 자동 다운로드, 로컬 캐시로 즉시 로드.

세 겹의 분석

Company가 종목코드 하나로 데이터를 준비하면, 세 겹이 분석한다.

분석 엔진 — 숫자를 만든다. 마진 추이, 현금흐름 패턴, 부도 확률, 업종 비교, 매크로 사이클. 해석하지 않는다. 숫자와 근거만 제공한다.
story (L3 조합기) — 분석엔진 X. L2 5 분석엔진 끼리의 import 순환을 막기 위해, story 가 단독으로 다중 결합 책임을 짊어진다. 엔진 데이터를 블록 단위로 조합하여 11가지 보고서 타입 × 7가지 기업유형 템플릿. 해석은 제공하지 않는다 — 다양한 관점의 근거를 체계적으로 배치한다.
AI — 엔진을 직접 쓰고 판단한다. 결과를 의심하고, 원본으로 검증하고, 이상하면 가정을 바꿔서 재계산한다. dartlab을 대표하는 적극적 분석가.

DartLab은 무엇인가

하나의 호출 계약. dartlab.엔진() 으로 가이드 보고 dartlab.엔진("축") 으로 실행.

처음이라면? Company → Story → Ask 순서로. 종목코드로 데이터를 보고, 보고서를 만들고, AI에게 물어본다.

엔진 이름을 클릭하면 사용법 4 섹션 (공개 호출 방식 · 호출 동작 · 대표 반환 형태 · 기본 검증) 으로 진입한다. 모든 엔진이 같은 4 섹션을 갖는다.

레이어	엔진	하는 일	진입점	노트북
Data	Data	HuggingFace 사전 구축, 자동 다운로드	`Company("005930")`	—
L1	Company	provider facade — 공시 + 재무제표 + 정형 데이터를 종목코드 하나로 통합	`c.panel()`	Colab · marimo
L1	Gather	외부 시장 데이터 (주가/수급/매크로/뉴스)	`dartlab.gather()`	Colab · marimo
L1.5	Scan	전 종목 사전 빌드 (거버넌스/비율/현금흐름 등 parquet)	`dartlab.scan()`	Colab · marimo
L2	Analysis	재무 심층 분석 (수익성/안정성/현금흐름) + 가치평가 + 전망	`c.analysis("financial", "수익성")`	Colab · marimo
L2	Quant	가격 기반 정량 신호 (기술/리스크/팩터/백테스트)	`c.quant()`	Colab · marimo
L2	Credit	독립 신용평가 (dCR 등급, 부도확률, 건전도)	`c.credit("등급")`	Colab · marimo
L2	Macro	시장 레벨 매크로 (사이클/금리/유동성/심리/자산 + 시나리오 110)	`dartlab.macro("사이클")`	Colab · marimo
L2	Industry	산업 매퍼 — 전 상장사 × 공정·역할·스트림 + 공급망 엣지 (산업지도 `/map`)	`c.industry()`, `dartlab.industry("semiconductor")`	—
L3	Story	조합기 (분석엔진 X) — L2 5엔진 (analysis · credit · macro · quant · industry) + L1.5 scan 블록 조합. 순환참조 방지 책임자. 11 타입 × 7 템플릿 (해석 안 함)	`c.story("수익성")`	Colab · marimo
L4	AI/Skills	skills 검색 + DartLab 실행 + ref 검산을 쓰는 분석 작업대 (사람도 L4)	`dartlab.ask()`	Colab · marimo
L4	Channel	외부 공유 — `dartlab channel` 한 줄로 폰에서 PC dartlab 사용	`dartlab channel`	—
core	Search	공시 시맨틱 검색 (beta — 인덱스 신선도 부족)	`dartlab.search()`	Colab · marimo
facade	Listing	종목/공시/topic 카탈로그 API	`dartlab.listing()`	Colab · marimo
viz	Viz	차트/다이어그램 (`emit_chart`)	`emit_chart({...})`	—

모든 노트북: marimo · colab ·

Company

설계: engines.company

세 가지 데이터 소스 — docs(전문 공시), finance(XBRL 재무제표), report(DART API 정형 데이터) — 를 하나의 객체로 통합. HuggingFace에서 자동 다운로드, 설정 불필요.

c = dartlab.Company("005930")

c.panel()                       # 잡는 순간 격자 -- 공시 항목 × 기간 전체
c.panel("BS")                   # 재무상태표 -- finance 정규화 숫자
c.panel("bs")                   # native 재무상태표 -- 사업보고서 항목 그대로 (2013~)
c.panel("ratios")               # native 재무비율 -- 5표 항목으로 계산
c.panel("매출")                  # 항목명 행 검색 (raw 공시)

주석(Notes) — BS/IS 총액 이면의 항목별 분해. c.panel("topic")으로 재무제표와 같은 패턴으로 접근. DART(K-IFRS HTML 파싱)와 EDGAR(US-GAAP XBRL 태그) 동일 인터페이스.

`c.panel(...)`	내용	DART	EDGAR
`"inventory"`	원재료/재공품/제품 분해	✅	✅
`"borrowings"`	단기/장기 차입금 분해	✅	✅
`"tangibleAsset"`	유형자산 취득원가/감가상각/장부가	✅	✅
`"intangibleAsset"`	영업권/개발비 등	✅	✅
`"receivables"`	매출채권 + 대손충당금	✅	✅
`"provisions"`	보증/소송/구조조정 충당부채	✅	✅
`"eps"`	기본/희석 주당이익	✅	✅
`"segments"`	부문별 매출/이익	✅	✅
`"costByNature"`	원재료/급여/감가상각 성격별 비용	✅	✅
`"lease"`	사용권자산/리스부채	✅	✅
`"affiliates"`	관계기업 지분법 투자	✅	✅
`"investmentProperty"`	투자부동산 공정가치/장부가	✅	✅

Scan — 전 종목 횡단 비교

설계: engines.scan

전 종목 대상 횡단 분석. 거버넌스, 인력, 주주환원, 부채, 현금흐름, 감사, 내부자, 이익의 질, 유동성, 네트워크, 계정/비율 비교 등.

dartlab.scan("governance")            # 전종목 지배구조
dartlab.scan("ratio", "roe")          # 전종목 ROE
dartlab.scan("account", "매출액")      # 전종목 매출액 시계열

2,500+ 종목의 매출액을 한 번에 — 분기별 시계열로 즉시 비교

Compare — 회사 간 N사 비교

설계: engines.panel

Company.panel이 한 회사를 항목×기간으로 수평화한다면, dartlab.compare는 2~6개 회사를 같은 토픽·시점 격자로 정렬한다. scan처럼 단어 하나로 부르는 톱레벨 verb — 회사 간 비교의 공식 표면이다.

import dartlab

# 주석·서술 비교 — disclosureKey·scope·leafType 정렬키로 회사 간 한 행 정렬
dartlab.compare(["005930", "000660"], topic="재고")

# 재무제표 셀 비교 — acode 단위, 값은 원 환산 (단위·라벨 착시 제거)
dartlab.compare(["005930", "000660"], topic="is", freq="year")

# 다기간 — 셀 컬럼이 {code}␟{period} 로 회사·시점 namespace
dartlab.compare(["005930", "000660"], topic="유형자산", period=["2025Q4", "2024Q4"])

label-drift 자동 해소 — 같은 항목이 회사마다 다른 절 번호(삼성 "7. 유형자산" ↔ SK "11. 유형자산")여도 한 행에 정렬한다.
확신 오정렬 차단 — 연결↔별도(scope)·표↔서술(leafType)이 다르면 같은 행에 병치하지 않는다.
결손은 NaN 유지 — 0 채움·forward-fill 없이 빈 칸을 그대로 둔다(honest-gap, 추세 왜곡 방지).
시장 경계 — KO↔US 혼합은 막는다. US(EDGAR)는 현재 row 비교만, 재무 셀 비교는 DART(원 환산)만 열려 있다.

Gather — 외부 시장 데이터

설계: engines.gather

주가, 수급, 거시지표, 뉴스 — Polars DataFrame으로.

dartlab.gather("price", "005930")             # KR OHLCV
dartlab.gather("price", "AAPL", market="US")  # US 주가
dartlab.gather("macro", "FEDFUNDS")           # 자동 US 감지
dartlab.gather("news", "삼성전자")             # Google News RSS

대량 데이터 batch 순회 — 인사이더 거래·지분·뉴스를 generator 로 분할 yield (메모리 안전, 전 종목 스캔용):

from dartlab.gather.accessors import DefaultFinanceAccessor
a = DefaultFinanceAccessor()
for batch in a.iterNews("삼성전자", days=30, batchSize=100):
    process(batch)
# 동행: a.iterInsiderTrades("005930") · a.iterOwnership("005930")
# 일괄: a.fetchInsiderTrades / fetchOwnership / fetchNews

getDefaultGather() 싱글턴은 thread-safe (멀티스레드 환경 단일 인스턴스 보장). 캐시 통계·source fallback 신호는 getCacheStatsSnapshot() · DARTLAB_TELEMETRY=stdout 으로 추적.

Analysis — 재무 인과 분석

설계: engines.analysis

수익구조 → 수익성 → 성장성 → 안정성 → 현금흐름 → 자본배분 → 가치평가 → 전망. 원본 재무제표를 인과 서사로 가공한다.

c.analysis("financial", "수익성")       # 수익성 분석
c.analysis("수익성")                     # 단축형 (financial 자동)

print(c.credit())                            # 사용 가능한 축 가이드 DataFrame (self-discovery)
c.credit("등급")                             # dCR-AA, 건전도 93/100
c.credit("등급", detail=True)                # 등급 + 서사 + 지표 시계열

Credit — 독립 신용분석

설계: engines.credit | 보고서: eddmpython.github.io/dartlab/blog/credit-reports

3-Track 모델(일반/금융/지주) + Notch Adjustment + CHS 시장 보정 + 별도재무 블렌딩.

79개사 검증: 대기업 87% (26/30), 중대형 82% (41/50), 전체 70% (55/79, v5.0 과대평가 수정 후 재측정 예정). 삼성전자 AA+ 정확 일치. 검증 방법론은 methodology 참조.

print(c.credit())            # self-discovery — 사용 가능한 축 + 종합 등급

cr = c.credit("등급")        # 종합 등급
print(cr["grade"])          # dCR-AA+
print(cr["healthScore"])    # 96 (0-100, 높을수록 건전)
print(cr["pdEstimate"])     # 0.01% 부도확률

cr = c.credit("등급", detail=True)  # 등급 + 서사 + 지표 + 괴리 설명
print(cr["divergenceExplanation"])  # 신평사와 왜 다른지

신용분석 보고서 발간 (credit 서사 + 신평사 대조가 story 5막에 자동 통합):

from dartlab.story.publisher import publishReport
publishReport("005930")               # 6막 보고서 (credit narrative + audit 포함)

Macro — 종목코드 없이 경제를 읽다

설계: engines.macro

Company 없이 경제 환경을 분석한다. import dartlab 하나로.

dartlab.macro("사이클")          # 경기 4국면 판별
dartlab.macro("금리")            # 금리 + Nelson-Siegel 수익률곡선
dartlab.macro("예측")            # LEI + 침체확률 + Hamilton RS + GDP Nowcast
dartlab.macro("종합")            # 매크로 종합 + 투자전략 + 포트폴리오 매핑

시장 사이클·금리·유동성·심리·자산 신호와 글로벌 거시 분석 방법론(Hamilton EM, Kalman DFM, Nelson-Siegel, Cleveland Fed 프로빗, Sahm Rule, BIS Credit-to-GDP)을 numpy만으로 직접 구현.

백테스트 실증 (2000-2024, FRED): Cleveland Fed 프로빗이 미국 3/3 침체를 2-16개월 전에 사전 감지, recall 90%.

Story — 분석을 보고서로

설계: engines.story

analysis를 구조화 보고서로 조립. 4개 출력 형식: rich(터미널), html, markdown, json.

c.story()              # 전체 보고서
dartlab.ask()            # 보고서 + AI 종합의견

삼성전자 보고서 미리보기: "매출 +23.8% 성장, 영업이익률 8.6%→21.4% 반등. FCF 양수 전환, ROIC > WACC — 재투자가 가치를 창출하는 구간."

이야기꾼 — 숫자가 아니라 이야기다

설계: engines.story · 시리즈: 기업이야기

기업분석은 비율 나열이 아니다. DartLab은 5개 엔진(analysis, credit, scan, quant, macro)의 결과를 6막 스토리텔링 구조로 조합해 블로그에 발간 가능한 기업이야기를 자동 생성한다.

from dartlab.story.publisher import publishReport
publishReport("068270")    # 셀트리온 — 6막 기업이야기 자동 발간

발간된 기업이야기:

기업	이야기
SK하이닉스	한국 반도체 30년의 미스터리, 영업이익률 58%
삼양식품	라면 빅3 꼴등이 매출 2.3조 글로벌 식품 거인이 되기까지
두산에너빌리티	부채비율 305%에서 129%까지, 9년 다이어트의 진짜 모습
알테오젠	9년 적자 바이오텍이 한 건의 라이선스로 영업이익 +1,069억
HMM	시장이 아니라 사이클이 주가를 결정하는 회사
셀트리온	IMF로 직장 잃은 41세, 5천만원으로 시작해 25년 후 무형자산 13.78조
한화에어로스페이스	삼성이 8,400억에 버린 무기가 수주잔고 37조가 됐다
HD현대일렉트릭	7년 전 적자 1,006억이 올해 1조가 됐다, 변압기 하나로
고려아연	50년 만에 첫 순손실 2,457억, 그런데 영업이익은 사상 최대
에이피알	화장품 회사가 가전을 4,070억 팔았다, 그게 시작이었다

셀트리온 이야기 보기 · DartLab 30초 데모 · 유튜브 채널

Search — 공시·뉴스를 의미로 검색

설계: engines.search

HuggingFace current search artifact 를 자동 사용한다. Search Index Delta 와 Data Prebuild 가 source manifest 기준으로 증분 반영하며, source별 최신성은 결과의 dataAsOf/sourceRef 로 확인한다. 당일 미러 전 단일 종목 공시 확인은 Company.disclosure / Company.liveFilings 를 함께 사용한다.

모델 없음, GPU 없음, cold start 없음. 400만 문서 95% 정밀도 — 임베딩보다 정확, 1/100 비용. 벤치마크 상세는 methodology 참조.

dartlab.search("유상증자 결정")                     # 유상증자 공시 찾기
dartlab.search("대표이사 변경", corp="005930")       # 종목 필터
dartlab.search("회사가 돈을 빌렸다")                 # 자연어도 동작

AI — skills 기반 분석 작업대

설계: operation.opsAsSkills · 루프 개요: 상단 통합 아키텍처

dartlab.ask("삼성전자 재무건전성 분석해줘")
dartlab.ask("삼성전자 분석", provider="gemini")  # 무료 provider 사용 가능

Provider: gemini(무료), groq(무료), cerebras(무료), oauth-codex(ChatGPT 구독), openai, ollama(로컬) 등. Rate limit 시 자동 대체.

Channel — 외부에서 내 PC dartlab 접근

설계: runtime.channel

PC에서 한 줄이면 폰에서 dartlab UI 그대로 사용. Microsoft DevTunnels 자동 셋업.

dartlab channel

흐름:

winget으로 devtunnel CLI 자동 설치 (최초 1회)
GitHub OAuth 1회 인증 (브라우저 자동 오픈)
영구 URL + QR 발급 (https://<id>-8400.<region>.devtunnels.ms)
폰 Chrome에 URL/QR 입력 → dartlab UI 그대로 동작

도메인 0개, 토큰 트릭 0개. VS Code Remote Tunnels와 동일 인프라라 모바일 호환성 검증됨. 메시징 봇 옵션 (--telegram/slack/discord) 도 지원.

EDGAR (미국)

같은 인터페이스, 다른 데이터 소스. SEC API에서 자동 수집, 사전 다운로드 불필요.

# Korea (DART)                          # US (EDGAR)
c = dartlab.Company("005930")           c = dartlab.Company("AAPL")
c.panel()                               c.panel()
c.panel("사업")                          c.panel("business")
c.panel("BS")                           c.panel("BS")
c.panel("ratios")                       c.panel("ratios")
c.panel("매출")                          c.panel("revenue")

MCP — AI 어시스턴트 연동

루프·도구 표면 개요: 상단 통합 아키텍처

MCP 서버 내장. canonical 6 도구 + ask 메타로 외부 LLM 이 dartlab 라이브러리를 RunPython 안에서 직접 호출하는 패턴 (도구 표면을 좁혀 토큰 비용 ↓, 도구 선택 정확도 ↑).

Claude Desktop / Claude Code / Cursor (stdio, 권장)

uvx dartlab mcp 의 cold start 가 Claude Desktop attach timeout 안에 들어가지 못하므로 사전 설치 + entry point 직접 호출 이 정본입니다. command: "python" 은 Microsoft Store Python 환경에서 spawn ENOENT 로 실패할 수 있어 (이슈 #28), command: "dartlab" 으로 entry point 를 직접 호출하는 게 가장 견고합니다.

# 1. 사전 설치 (한 번만) — .local/bin/dartlab(.exe) entry point 생성
uv tool install dartlab        # 또는: pipx install dartlab

// 2-A. Claude Desktop — %APPDATA%\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "dartlab": {
      "command": "dartlab",
      "args": ["mcp"],
      "env": { "PYTHONUNBUFFERED": "1", "PYTHONUTF8": "1" }
    }
  }
}

# 2-B. Claude Code 한 줄 설정
claude mcp add dartlab -- dartlab mcp

# 2-C. Codex CLI
codex mcp add dartlab -- dartlab mcp

dartlab 명령이 PATH 에 잡히지 않는 환경 (한정적) 이라면 절대 경로로 적어주세요:

{
  "mcpServers": {
    "dartlab": {
      "command": "C:\\Users\\<user>\\.local\\bin\\dartlab.exe",   // Windows
      // "command": "/Users/<user>/.local/bin/dartlab",              // macOS / Linux
      "args": ["mcp"],
      "env": { "PYTHONUNBUFFERED": "1", "PYTHONUTF8": "1" }
    }
  }
}

같은 출력은 dartlab mcp --config claude-desktop / dartlab mcp --config claude-code 로도 받을 수 있습니다. 프로젝트 .mcp.json 자동 생성: dartlab mcp --install.

원격 MCP (Claude Code · Cursor 등 SSE 지원 클라이언트만)

{
  "mcpServers": {
    "dartlab": {
      "url": "https://eddmpython-dartlab.hf.space/mcp/sse"
    }
  }
}

HuggingFace Spaces 호스팅. DART API 키 불필요. Claude Desktop 데스크톱 앱은 stdio 만 받으므로 이 URL 방식을 reject 합니다 — 위 stdio 경로를 사용하세요.

도구 표면

실제 tools/list 표면은 아래 11 개입니다. Skill 본문 전체 조회는 별도 advertised tool 이 아니라 ReadSkill 결과와 dartlab://skills/{id} resource 경로로 처리합니다.

도구	역할
ask	dartlab chat-native 루프 — LLM 자율 도구 호출 + Ref 검산 일괄
ReadSkill	공식 Skill OS 검색 + frontmatter + 본문 preview
ReadCapability	dartlab 공개 API/docstring 검색
RunPython	dartlab + Polars 코드 실행 → executionRef/valueRef/tableRef
WebSearch	외부 최신 정보 → webRef (untrusted 마커 자동 적용)
SaveArtifact	큰 표·차트 별도 저장 → artifactRef
CompileVisual	차트 spec codegen → visualRef
LookAheadGuard	답변 전 누락된 다음 질문·검산 포인트 점검
GroundingCheck	숫자·날짜·출처 grounding 검산
RequestUserInput	MCP elicit 지원 클라이언트에서 사용자 입력 요청

옛 33 generated 도구 (companyAnalysis/companyStory/marketScan 등) 는 0.10 부터 폐기 — 모두 RunPython 안에서 dartlab.Company / dartlab.scan / dartlab.macro 직접 호출. 마이그레이션은 CHANGELOG 참조.

Skill OS 와 Skill Market

DartLab 에는 두 가지 스킬 층이 있습니다.

층	위치	역할
builtin Skill OS	`src/dartlab/skills/specs/**` · `/skills`	공식 운영·엔진·분석 절차입니다. 패키지와 함께 배포되며 AI 가 먼저 검색합니다.
community Skill Market	GitHub Discussions · `/skills/market` · 정적 `marketIndex.json`	사용자가 공유한 분석 질문을 Forge 가 구조화한 커뮤니티 스킬입니다. 패키지 builtin 에 포함되지 않습니다.

운영 흐름은 단순합니다. 사용자가 GitHub Discussions 에 분석 질문을 씁니다. DartLab Forge 가 원문과 댓글을 읽고 intent, inputs, dataSources, procedure, executionPlan, outputs, outputSchema, criteria, forbidden, completionCriteria 를 구조화합니다. 초안과 보완 중인 항목은 marketIndex.json 에만 남고 최종 스킬 snapshot 을 만들지 않습니다. Maintainer 가 완성 조건을 충족한다고 검토해 /market runnable, /market curated, /market builtin-candidate 로 현재 revision 을 확정할 때만 GitHub Action 이 items/{id}.json accepted snapshot 을 생성합니다. 랜딩의 Skill Market 과 AI 도구 ReadSkillMarket 이 이 정적 artifact 를 검색합니다.

여기서 스킬은 카드가 아니라 반복 가능한 분석 행위의 계약입니다. 최종 공유스킬은 어떤 DartLab 엔진이나 recipe 를 어떤 순서로 호출하는지 executionPlan 에 포함해야 합니다. mappedBuiltinSkills 는 참고 연결일 뿐이며, executionPlan 이 없으면 marketCurated 댓글이 있어도 최종 snapshot 을 만들지 않습니다.

marketCurated 는 Skill Market 안에서 완성된 공유스킬입니다. builtin 편입을 뜻하지 않습니다. 완성된 공유스킬은 Discussion 과 accepted item snapshot 에 남고, AI 는 sourceUrl 과 trustTier 를 표시한 뒤 보조 절차로 사용할 수 있습니다. builtinCandidate 는 예외적인 장기 검토 상태입니다. 기본 운영 경로는 토론에서 완성한 공유스킬을 Skill Market 에 남기는 것입니다.

최종 스킬은 Discussion 의 마지막 댓글이나 body 자체가 아니라 승인된 items/{id}.json snapshot 입니다. items/{id}.json 이 없으면 아직 최종 스킬이 아닙니다. 댓글은 토론과 기여 기록입니다. 완성 뒤 새 댓글이 달리면 기존 최종 스킬은 즉시 바뀌지 않고 revisionStatus: pendingReview 로 표시됩니다. Maintainer 가 revision draft 를 검토하고 다시 승격하면 그때 item snapshot, marketIndex.json, 랜딩 검색 결과가 갱신됩니다.

Discussion 운영은 아이디어 → Caller Audit → executionPlan 초안 → 예시 입력/기대 출력 → 운영자 확정 → accepted snapshot 순서입니다. 댓글이 추가되면 기존 snapshot 은 유지되고 새 댓글은 pending revision 으로만 표시됩니다. 다시 토론해서 운영자가 확정하면 items/{id}.json 이 vN+1 로 갱신됩니다.

dartlab-lite — 브라우저·엑셀에서 설치 없이 (Pyodide)

상세: 블로그 — 엑셀·브라우저·노트북에서 설치 없이 dartlab 쓰기 (Pyodide)

Pyodide가 CPython을 WebAssembly로 포팅한 덕에 파이썬이 설치되지 않은 환경에서도 dartlab이 그대로 돈다. 같은 API, 같은 데이터.

지원 환경: xlwings Lite (Excel) · Anaconda Code (Excel) · JupyterLite · Google Colab WASM 런타임 · marimo (pyodide) · 순수 HTML 임베드.

👉 웹 엑셀에서 바로 열어보기 — OneDrive 공유 워크북 — xlwings Lite + dartlab 세팅 완료. 버튼만 누르면 시트에 재무제표가 찍힌다.

두 가지 사용 방식 — script형 vs func형

xlwings Lite는 두 데코레이터를 제공한다. @script는 버튼형(명령형), @func는 수식형(선언형). dartlab은 둘 다 지원하며, 함수형이 dartlab을 엑셀답게 쓰는 방법이다.

1. @script — 사이드바 버튼 → 시트에 채우기

import dartlab
import xlwings as xw
from xlwings import arg, func, script

@script(name="isTest")
def finance(book: xw.Book):
    c = dartlab.Company('000020')
    df = c.panel('IS')
    data = [list(df.columns)] + [list(r) for r in df.iter_rows()]
    sheet = book.sheets.active
    sheet["A3"].value = data

2. @func — 엑셀 셀에 수식처럼 =GETFINANCE("005930")

@func
def getFinance(code: str):
    c = dartlab.Company(code)
    df = c.panel('IS')
    data = [list(df.columns)] + [list(r) for r in df.iter_rows()]
    return data

VLOOKUP과 나란히 =GETFINANCE가 엑셀 네이티브 함수로 동작한다. 종목코드를 바꾸면 셀 재계산으로 전부 갱신된다.

설치 (xlwings Lite · 한 줄)

import micropip
await micropip.install(["diff-match-patch", "openpyxl"])
await micropip.install(
    "https://huggingface.co/eddmpython/dartlab-data/resolve/main/pyodide/dartlab-latest-py3-none-any.whl",
    deps=False,
)

import dartlab
c = dartlab.Company("005930")
c.panel("IS")

또는 xlwings Lite 사이드바의 requirements.txt에 dartlab 한 줄 — 그것만으로 끝. 로컬 파이썬 0줄, uv 0줄, venv 0줄.

제약 (브라우저 런타임의 한계)

기능	Pyodide	비고
`Company()` · `c.panel()` · `analysis` · `story` · `credit`	✅	HF parquet 자동 다운로드
`dartlab.ask()`	✅	API 키 설정 필요 (gemini·openai CORS OK)
`dartlab.scan()`	❌	사전 빌드 parquet 271MB (브라우저 비현실적)
`dartlab.gather()`	❌	Naver·Yahoo·Google News CORS 차단

스레드 없음 · MEMFS 휘발 · CORS 미허용 API 불가 — 이 세 제약이 근본이다. 상세와 빌드 파이프라인은 pyodide/README.md, 설치 5단계 스크린샷은 블로그 글을 본다.

OpenAPI — 원본 공공 API

from dartlab import OpenDart, OpenEdgar

# 한국 (opendart.fss.or.kr 무료 API 키 필요)
d = OpenDart()
d.filings("삼성전자", "2024")
d.finstate("삼성전자", 2024)

# 미국 (API 키 불필요)
e = OpenEdgar()
e.filings("AAPL", forms=["10-K", "10-Q"])

데이터

모든 데이터는 HuggingFace에 사전 구축 — 자동 다운로드. EDGAR는 SEC API 직접 수집. 사용자는 데이터 카테고리를 보고 새 Skill Market 아이디어의 입력으로 삼을 수 있다.

카테고리	포함 데이터	대표 사용
DART docs	사업보고서·분기보고서 원문 섹션, 주석, 텍스트 토픽	공시 변화, 리스크, 사업 설명
DART finance	K-IFRS XBRL 재무제표, 표준 계정, 기간 비교	`Company.show`, `analysis`, `credit`
DART report	OpenDART 정형 항목, 임원·직원·배당·지분 등	지배구조, 배당, 인력, 자본정책
DART scan	전종목 횡단 스캔용 프리빌드 지표	peer 비교, 랭킹, 이상치 탐색
EDGAR	SEC filing, US-GAAP XBRL, 10-K/10-Q/8-K	미국 기업 분석, 한미 비교
Gather	가격, 수급, 뉴스, 거시지표(FRED·ECOS), 외부 보조 데이터	시장 반응, 이벤트, macro recipe
Reference	산업 맵, capability, 렌더링·매핑 기준	Skill OS, 차트, 보고서 조립

파이프라인: 로컬 캐시(즉시) → HuggingFace(자동 다운로드) → DART API(키 필요). 대부분 처음 두 단계로 충분.

바로 시작하기

노트북 (Colab): Company · Gather · Scan · Quant · Analysis · Macro · Credit · Story · AI

노트북 (marimo): 전체 목록 — import 반복 없는 단일 진입, 셀마다 주석 설명, 마크다운 셀 미사용

문서

문서 · 빠른 시작 · Skills

블로그 (120+ 글): 전체 · 기업이야기 · 신용평가 보고서

안정성

Tier	범위
Stable	DART Company (panel, show, trace, diff, BS/IS/CF, CIS, index, filings, profile), EDGAR Company core, valuation, forecast, simulation
Beta	EDGAR 파워유저 (SCE, notes, freq, coverage), credit, insights, distress, ratios, timeseries, network, governance, workforce, capital, debt, chart/table/text 도구, ask/chat, OpenDart, OpenEdgar, Server API, MCP
Experimental	AI 도구 호출, export, viz (차트)

자세한 기준은 operation.stability 를 본다.

설계 선택

다른 재무 라이브러리와 다른 의식적 결정 — 사용자가 설치 후 마주칠 차이를 미리 명시한다.

결정	의미	이유
단일 base install — `[extras]` 분리 없음	`pip install dartlab` 한 번에 분석·서버·MCP·viz·AI provider 가 함께 들어온다	분석 도구에 "이것도 설치하세요" 가 누적되면 첫 사용까지 마찰이 늘어난다. 단일 진입 SSOT 가 우선. wheel 크기·cold start 비용은 PEP 562 lazy load 와 pyodide 분기로 흡수한다.
사전 구축 데이터, API 키 0 으로 시작	`Company("005930")` 호출 시 HuggingFace 에서 자동 다운로드 → 로컬 캐시. DART API 키는 재수집 만 필요	"키 만들고 환경변수 세팅" 단계를 1순위 사용 경로에서 제거. 키 발급은 `dartlab collect` 같은 raw 재수집 흐름에서만 등장.
공시 본문은 데이터, 지시 아님	외부 본문은 직렬화 시 `[EXTERNAL CONTENT START — untrusted ...]` 마커로 자동 감쌈	DART/EDGAR/뉴스 본문 안의 "이전 지시 무시" 같은 패턴이 AI 동작을 바꾸지 못하도록 직렬화 단에서 강제. 마커 안 숫자·날짜·고유명사는 1차 출처 재검증 후 인용.
AI 엔진 = chat-native + LLM 자율 tool calling	`BRIEF/WORK/CRITIQUE/COMPOSE/GATE/HARVEST` 식 고정 노드 그래프 없음. 본체는 `ai/agent.py`, 능력은 `ai/tools/`	0.7.15 에서 15,420 줄 삭제로 회귀 차단. graph 식 강박은 verify 강제·workbench 본체화 회귀를 부르고 LLM 자율성을 잠근다.
L0~L4 단방향 import (4 형제 cross 금지)	core ← gather/providers ← scan/frame/synth/reference ← analysis 5종 ← story ← ai/mcp	`import-linter` + `dartlabGuard.py strict --scope l0-l15` 가 PR 게이트. 외부 기여자가 어디에 코드를 더할지 한 그림으로 판단 가능.
테스트 직렬화 강제 (Polars OOM 가드)	`pytest -v` 전체 호출 금지. `tests/test-lock.sh tests/ -m "<marker>"` 경유	Company 1개 ≈ 200~500 MB Rust 힙은 `gc.collect()` 회수 불가. CI 와 로컬을 같은 lock wrapper 명령으로 통일.
메시지 한국어 우선, API 영어	`Company`, `pastInsight`, `analysis` 등 symbol 은 영어. CLI 에러·진행 메시지는 한국어	classifier 에 `Natural Language :: Korean / English` 둘 다 선언. PyPI 영어 사용자 대상 영문 진입은 README_EN.md 와 영문 docstring 으로 별도 트랙.
단일 SSOT — Skill OS	외부 LLM·사용자가 `capabilities()` 한 줄로 304 specs 카탈로그 질의	코드·문서·계약을 같은 파일 (`src/dartlab/skills/specs/**`) 로 운영. README ↔ docs ↔ 코드 drift 를 SSOT 한 곳에서 방지.
부채 시계열 공개	`uv run python -X utf8 src/dartlab/skills/measureProgress.py` 로 baseline · docstring backlog · pytest marker 분포 3 축 추세 측정. master push 마다 `_progress/measureHistory.jsonl` 한 줄 적재	"신규 회귀 0" 가드 외에 상환 도 정량으로 본다. 외부 기여자가 "부채를 줄이고 있는가" 를 시계열 한 파일에서 확인 가능.

30초 안에 첫 결과

pip install dartlab

import dartlab
c = dartlab.Company("005930")   # HuggingFace 자동 다운로드 (최초 ~수십 MB, 로컬 캐시)
c.panel("IS")                   # 손익계산서, 분기 기본

세 줄 — API 키 0, 환경변수 0. 영문 사용자는 README_EN.md, 다른 진입 경로 (CLI · AI · MCP) 는 위 "두 가지 시작점" 참조.

기여

기여는 무엇이든 환영합니다. 버그 리포트, 기능 제안, 문서 개선, 예제 추가, 데이터 매핑 수정처럼 작은 변경도 dartlab을 더 좋게 만듭니다.

한국어와 영어 이슈·PR 모두 편하게 열어주세요. 어디서 시작할지 모르겠다면 이슈로 먼저 이야기해도 좋습니다.

라이선스

Apache License 2.0 — 자유롭게 사용하되, NOTICE 파일의 출처 표기를 포함해주세요.

Name		Name	Last commit message	Last commit date
Latest commit History 6,183 Commits
.githooks		.githooks
.github		.github
blog		blog
infra/workers		infra/workers
landing		landing
mainPlan		mainPlan
notebooks		notebooks
pyodide		pyodide
src/dartlab		src/dartlab
tests		tests
ui		ui
.env.example		.env.example
.gitignore		.gitignore
.pre-commit-config.yaml		.pre-commit-config.yaml
.python-version		.python-version
CHANGELOG.md		CHANGELOG.md
CITATION.cff		CITATION.cff
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CONTRIBUTING.md		CONTRIBUTING.md
DEPRECATION.md		DEPRECATION.md
LICENSE		LICENSE
NOTICE		NOTICE
README.md		README.md
README_EN.md		README_EN.md
SECURITY.md		SECURITY.md
codecov.yml		codecov.yml
package-lock.json		package-lock.json
package.json		package.json
product-smoke-quick.json		product-smoke-quick.json
pyproject.toml		pyproject.toml
uv.lock		uv.lock

Folders and files

Latest commit

History

Repository files navigation

DartLab

터미널 — 블룸버그식에 도전하다

DartLab 무엇을 해주는가

세 가지 시작점

AI로 바로 사용

Python 코드로 사용

CLI 로 사용

결과 예시

세 겹의 분석

DartLab은 무엇인가

Company

Scan — 전 종목 횡단 비교

Compare — 회사 간 N사 비교

Gather — 외부 시장 데이터

Analysis — 재무 인과 분석

Credit — 독립 신용분석

Macro — 종목코드 없이 경제를 읽다

Story — 분석을 보고서로

이야기꾼 — 숫자가 아니라 이야기다

Search — 공시·뉴스를 의미로 검색

AI — skills 기반 분석 작업대

Channel — 외부에서 내 PC dartlab 접근

EDGAR (미국)

MCP — AI 어시스턴트 연동

Claude Desktop / Claude Code / Cursor (stdio, 권장)

원격 MCP (Claude Code · Cursor 등 SSE 지원 클라이언트만)

도구 표면

Skill OS 와 Skill Market

dartlab-lite — 브라우저·엑셀에서 설치 없이 (Pyodide)

두 가지 사용 방식 — script형 vs func형

설치 (xlwings Lite · 한 줄)

제약 (브라우저 런타임의 한계)

OpenAPI — 원본 공공 API

데이터

바로 시작하기

문서

안정성

설계 선택

30초 안에 첫 결과

기여

라이선스

About

Resources

License

Code of conduct

Contributing

Security policy

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages