[ blog · use-case ]9 min read

Budowa agenta due diligence na dokumentach SEC (10-K, 10-Q, 8-K, wyniki kwartalne)

Sarah Choy·Opublikowano 3 maja 2026·9 min czytania

Czytanie 10-K to głównie Ctrl+F. Robienie tego dla pięćdziesięciu spółek to już praca na etat. Zastąp nudne 80% agentem wyszukująco-ekstrahującym działającym na SEC EDGAR — i zostaw te 20%, które naprawdę liczą się dla analityka-człowieka.

TL;DR

• •Architektura: wyszukanie tickera → SEC Filings Search (dokumenty + wyniki + statystyki akcji) → URL Extract dla długich fragmentów → odpowiedź LLM z przypisami na poziomie sekcji.
• •Pułap kosztów: SEC Filings Search to 120 kredytów za wywołanie (≈$0,12); typowy przegląd spółki z 3 pytaniami kosztuje ~$0,40 w kredytach + ~$0,05 w tokenach LLM.
• •W czym agent jest dobry: fakty do sprawdzenia (przychody segmentów, trend nakładów inwestycyjnych, ład korporacyjny, zmiany czynników ryzyka rok do roku), podsumowania wynagrodzeń zarządu, ostatnie zdarzenia 8-K.
• •Co nadal wymaga człowieka: oceny jakości zarządu, pozycjonowania rynkowego, kwestii specyficznych dla transakcji, wszystkiego, co wykracza poza treść dokumentu.

Dlaczego warto to zautomatyzować

Pierwsze podejście do due diligence spółki giełdowej jest w większości mechaniczne: pobierz najnowszy 10-K, przejrzyj czynniki ryzyka i MD&A, sprawdź ostatnie 8-K, rzuć okiem na najświeższą konferencję wynikową. Analityk na poziomie associate poświęca na to 2–4 godziny na spółkę. Wynik rzadko jest głębokim spostrzeżeniem — to ustrukturyzowany wzorzec faktów, nad którym potem rozumuje inna, bardziej doświadczona osoba.

To właśnie ten krok „wzorca faktów” może przejąć niewielki agent. Przeszukaj SEC, wyekstrahuj odpowiednie fragmenty, podsumuj z przypisami. Osoba senior nadal wykonuje rozumowanie — ale zaczyna od 5-minutowej lektury zamiast 4-godzinnej.

Trzy rzeczy sprawiają, że jest to teraz praktyczne:

• Wyszukiwanie semantyczne po dokumentach oznacza, że możesz zapytać „jak zmieniły się przychody segmentu” i otrzymać właściwy akapit z właściwego formularza, zamiast czytać 200 stron.
• LLM-y o długim kontekście potrafią utrzymać w pamięci roboczej cały 10-K plus kilka 8-K i odpowiadać na pytania obejmujące wiele dokumentów.
• Dyscyplina cytowania w promptcie sprawia, że wynik da się zweryfikować w kilka sekund — dokładnie tego wymagają procesy compliance i przeglądu.

Architektura

question + ticker
       │
       ├─ /api/company/facts (2 credits)
       │  ↳ confirm ticker, get CIK and sector
       │
       ├─ /api/search/sec (120 credits)
       │  ↳ semantic search across 10-K/10-Q/8-K/earnings/equity stats
       │
       ├─ /api/extract (2 credits per URL)
       │  ↳ pull full text of the top 3-5 most relevant filings
       │
       └─ Claude / GPT-4 with citation-required prompt
          ↳ "answer + [Form, Fiscal Period, Section]"

Koszt pojedynczego pytania: ~130 kredytów (~$0,13) za API + ~$0,03 za LLM. Przegląd spółki z trzema pytaniami (trend finansowy, diff czynników ryzyka, ostatnie zdarzenia istotne) wypada na ~$0,45–$0,60. W porównaniu z godziną pracy analityka przy jakiejkolwiek rozsądnej stawce, rachunek jest oczywisty.

System prompt, który zarabia na siebie

Najważniejszym czynnikiem decydującym o jakości wyniku w finansowym RAG jest zdecydowanie system prompt. Ten, którego używamy:

You are a financial research assistant for an investment team. You answer
questions about US public companies using SEC filings, earnings call
transcripts, and equity statistics retrieved by your tools.

Rules — non-negotiable:

1. Cite every numeric claim with: [Form, Fiscal Period, Section]. Example:
   "Operating income rose 12% YoY to $4.1B [10-K FY2025, Item 7 MD&A]."

2. Quote numbers verbatim. Do not round, paraphrase, or convert. If a
   filing says "$4,127M", do not say "$4.1B" unless the filing itself does.

3. If the answer requires content you have not extracted, say so:
   "I could not retrieve the FY2024 10-K for the segment-level breakdown.
   Please re-run with that filing in scope."

4. Do not infer from training-data knowledge. If your tools didn't return
   it, you don't know it.

5. Default to the most recent fiscal period available. State the period
   you used.

6. Format multi-figure answers as a small markdown table with one column
   per fiscal period. Always end with a one-line "How I read this" summary.

Tone: precise, terse, no marketing language.

Zasady 1, 2 i 4 razem eliminują ~90% problemów z konfabulacją, które zmierzyliśmy. Zasada 3 (eleganckie „nie wiem”) jest tym, co odróżnia to rozwiązanie od chatbota, który z pewnością siebie zmyśla liczby.

Przykładowe zapytania, z którymi agent radzi sobie czysto

• „Porównaj trend przychodów z usług Apple w ciągu ostatnich 5 lat obrotowych.” → sięga do odpowiednich 10-K, zwraca tabelę z przypisami do MD&A.
• „Co zmieniło się w czynnikach ryzyka NVIDIA między FY2023 a FY2025?” → diff między dokumentami, z odniesieniem do Item 1A w każdym formularzu.
• „Podsumuj ostatnie 4 dokumenty 8-K dla $TICKER.” → wyszukiwanie semantyczne filtrowane do 8-K, uporządkowane według daty złożenia.
• „Co CFO Microsoftu powiedział o nakładach inwestycyjnych na AI podczas ostatniej konferencji wynikowej?” → przeszukuje transkrypcje, ekstrahuje odpowiedni fragment Q&A, cytuje dosłownie.

Gdzie zawodzi — i właściwe przekazanie człowiekowi

Agent potyka się w trzech przewidywalnych miejscach:

• Oceny jakości zarządu. Dokument mówi ci, co zrobili, a nie czy są kompetentni. Nie pytaj o to agenta.
• Porównania branżowe spoza dokumentu. Jeśli pytanie brzmi „jak ta marża brutto wypada na tle konkurentów”, agent zna tylko to, co jest w przeszukanych dokumentach. Do porównania z konkurentami potrzebujesz albo osobnego zbioru danych, albo uruchomienia agenta raz na spółkę i agregacji.
• Komentarze dotyczące przyszłości. Dokumenty zawierają forward-looking statements, ale model traktuje je dosłownie, o ile nie zostanie poinstruowany inaczej. Dodaj do promptu: „Oznaczaj forward-looking statements wprost. Nie przedstawiaj prognoz jako faktów.”

Minimalna działająca wersja

Obowiązuje ten sam wzorzec pętli tool-use Claude z przewodnika po agencie badawczym — zmieniają się tylko narzędzia i system prompt:

from anthropic import Anthropic
import requests

KEY = "pk_yourkey"
client = Anthropic()

def fetch_tool(path: str) -> dict:
    return requests.get(f"https://www.apipick.com{path}/tool-schema").json()["claude"]

TOOLS = [
    fetch_tool("/api/search/sec"),
    fetch_tool("/api/extract"),
    fetch_tool("/api/company/facts"),
]

def call_tool(block):
    name_to_path = {
        "sec_search": "/api/search/sec",
        "extract_urls": "/api/extract",
        "company_facts": "/api/company/facts",
    }
    path = name_to_path[block.name]
    method = "GET" if block.name == "company_facts" else "POST"
    if method == "GET":
        resp = requests.get(
            f"https://www.apipick.com{path}",
            params=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    else:
        resp = requests.post(
            f"https://www.apipick.com{path}",
            json=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    return {
        "type": "tool_result",
        "tool_use_id": block.id,
        "content": resp.text,
        "is_error": resp.status_code != 200,
    }

def due_dil(question: str) -> str:
    messages = [{"role": "user", "content": question}]
    while True:
        r = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=2048,
            system=SYSTEM_PROMPT,  # the one above
            tools=TOOLS,
            messages=messages,
        )
        messages.append({"role": "assistant", "content": r.content})
        if r.stop_reason == "end_turn":
            return "\n".join(b.text for b in r.content if b.type == "text")
        if r.stop_reason == "tool_use":
            results = [call_tool(b) for b in r.content if b.type == "tool_use"]
            messages.append({"role": "user", "content": results})

print(due_dil("Compare Snowflake's product revenue YoY for the last 4 quarters."))

Jak to rozwinąć dalej

• Szablony do powtarzalnych przeglądów. Opakuj agenta w niewielki CLI, który przyjmuje ticker i emituje brief w markdown o stałym formacie: „Ostatnie 8-K”, „Trend przychodów segmentu”, „Delta czynników ryzyka”. Ten sam agent, oskryptowane prompty.
• Tryb watchlist. Uruchamiaj agenta na tickerze każdego ranka i porównuj dzisiejszą odpowiedź z wczorajszą. Wyciągaj na wierzch wyłącznie różnice. Dobrze łączy się ze wzorcem porannego briefingu.
• Połącz z patentami i rynkami predykcyjnymi. Dla nazw z branży tech/biotech dołóż Patent Search dla zmian w IP oraz Prediction Markets dla wyników implikowanych przez tłum (np. prawdopodobieństwo dopuszczenia leku).

Wzorzec daje się uogólnić. SEC to najgęstszy, najbardziej przyjazny schematom korpus, jaki dostarczamy — ale pętla („wyszukiwanie semantyczne → ekstrakcja URL → odpowiedź z przypisami”) stosuje się do każdego korpusu dokumentów ustrukturyzowanych, który cię interesuje: dokumentów prawnych, abstraktów naukowych, zastrzeżeń patentowych. Zbuduj najpierw agenta due diligence, a potem przenieś architekturę w bok.

Autor

Sarah Choy

CEO, API Pick

Sarah Choy jest CEO API Pick. Pisze o budowaniu produkcyjnych API dla agentów AI i przepływów pracy z LLM.