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

  

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.

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.

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

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

기업 이름이나 종목코드를 넣고 자연어로 물어보면, PC에 설치된 Codex CLI, Claude Code, Cline 중 하나가 DartLab MCP의 Company, analysis, credit, scan, macro 도구를 실행한다. 로그인·모델·대화 원문은 해당 agent CLI가 소유하고 DartLab은 계산 결과와 추적 가능한 ref만 연결한다.

import dartlab

dartlab.ask("삼성전자 재무건전성 분석해줘")
# 설치된 agent가 DartLab MCP로 계산하고 근거 ref를 함께 반환

# 셋 중 이미 쓰는 agent 하나를 설치하고 해당 CLI에서 로그인
npm install -g @openai/codex
codex login

# DartLab이 설치·버전·MCP 상태를 확인
dartlab agent status --refresh

# 명령을 먼저 검토하고, 출력된 digest를 붙였을 때만 MCP 설정 실행
dartlab agent connect codex
dartlab agent connect codex --approve-digest <출력된-digest>

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.
• 내 계정 그대로 사용: DartLab에 모델 API key나 OAuth token을 입력하지 않는다.
• 복구 동작이 한곳에 있음: 로컬 UI의 Runtime Center가 탐지, 설치 계획, MCP 연결, runtime 선택을 담당한다.

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

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

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.

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.

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.

dartlab.dataHub는 특정 스캐너나 AI 전용 도구가 아니다. L1 원천, L1.5 횡단 데이터, L2 분석 자산을 하나의 catalog와 query 계약으로 발견하고 외부 Python, HTTP, 시뮬레이터가 함께 쓰는 독립 데이터 플랫폼 엔진이다. Factor store는 별도 제품이 아니라 이 작업대의 factor projection과 immutable materialization을 조합한 사용 방식이다.

import dartlab

catalog = dartlab.dataHub(
    "catalog",
    query={"layers": ["L1", "L1.5", "L2"], "search": "financialFeatures"},
)

first = dartlab.dataHub(
    "query",
    query={
        "requests": [
            {
                "assetId": "analysis.dartFinancialFeatures",
                "requestId": "krListed",
                "universe": {"markets": ["KR"], "membership": "listed"},
                "projection": {
                    "kind": "factor",
                    "measures": [
                        "financial.revenue",
                        "financial.operatingMargin",
                    ],
                },
                "time": {"knownAt": "20260723"},
            },
            {
                "assetId": "analysis.edgarFinancialFeatures",
                "requestId": "usListed",
                "universe": {"markets": ["US"], "membership": "listed"},
                "projection": {
                    "kind": "factor",
                    "measures": [
                        "financial.revenue",
                        "financial.operatingMargin",
                    ],
                },
                "time": {"knownAt": "20260723"},
            },
        ],
        "budget": {
            "maxRows": 100000,
            "maxBytes": 64 * 1024 * 1024,
            "timeoutMs": 120000,
            "maxAssets": 4,
            "maxSubjects": 20000,
            "maxConcurrency": 2,
        },
        "materialization": {"mode": "refresh"},
    },
)

for page in first.iterPages():
    consume(page)

이 호출 하나가 현재 상장 KR 2,661개와 US 7,669개의 작업을 등록한다. 종목별 API를 호출자가 반복하거나 전 데이터를 첫 응답 RAM에 올리는 방식이 아니다. 작업대가 row, byte, time 상한 안에서 opaque continuation을 소비하고, 성공하지 못한 종목도 구조화 gap과 coverage에 남긴다.

Cold refresh는 terminal generation을 동기적으로 완성하므로 즉시 반환 경로가 아니다. 같은 DARTLAB_HOME을 보는 다른 프로세스의 warm reuse와 receipt 기반 offline은 저장된 Arrow page를 owner와 source 재호출 없이 읽는다. 외부 프로세스는 DataHubClient 또는 AsyncDataHubClient로 /api/dataHub/v1 계약을 호출하고, 분산 노드는 pull worker로 같은 job ledger를 소비한다. 자세한 계약은 engines.dataHub와 데이터 작업대 계약에 있다.

DartLab은 DART와 EDGAR 공시를 비교 가능한 기업 데이터로 바꾸고, 다섯 개의 분석 렌즈로 근거 있는 기업 판단을 만드는 오픈소스 리서치 시스템이다.

공시 원문 → Company와 Panel → 다섯 분석 렌즈 → Story, Simulate, Ask
                              ↘ Scan과 Screener

• Company와 Panel은 회사마다 다른 공시 목차와 계정을 항목과 기간의 격자로 맞춘다.
• Scan과 Screener는 같은 조건을 전체 상장사에 적용하고, 통과와 탈락 이유를 함께 남긴다.
• 다섯 분석 렌즈는 서로 다른 질문에 독립적으로 답한다. 하나의 종합점수로 합치지 않는다.
• Story, Simulate, Ask는 렌즈가 만든 결론과 근거를 재계산하지 않고 조사 목적에 맞게 조합한다.

각 렌즈의 대표 결과에는 conclusion, drivers, evidence, confidence, gaps, falsifiers, asOf, dataAsOf가 같은 문법으로 들어간다. confidence.score는 수익률 예측 확률이 아니라 해당 판단에 필요한 근거 충족도다. 세부 축은 그대로 공개되며, 대표 호출에서 시작해 필요한 근거까지 내려갈 수 있다.

Industry의 Company 대표 호출은 현재 검증된 DART 가치사슬 taxonomy가 있는 한국 기업을 대상으로 한다. EDGAR 기업은 Story와 공개 렌즈 bundle에서 가짜 산업 매핑 대신 blocked 결손과 사유를 반환한다.

analysis = c.analysis("종합평가")
credit = c.credit("등급", detail=True)
industry = c.industry()
quant = c.quant("괴리")
macro = c.macro("전파")

print(analysis["product"]["conclusion"])
print(credit["product"]["gaps"])
print(macro["product"]["time"])

product는 기존 엔진 결과에 추가되는 공통 외피다. 기존 등급, 비율, 가치사슬, 기술지표와 전파 경로는 그대로 유지되므로 세부 분석 능력을 숨기지 않는다.

Story JSON과 ReportModel은 렌즈별 원문을 lensProducts에 보존한다. 렌즈 간 단일 등급은 만들지 않으며, usable, partial, blocked 상태와 데이터 결손을 그대로 노출한다.

모든 노트북: marimo · colab ·

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.

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

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.

설계: engines.gather

주가, 수급, 거시지표, 뉴스를 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.

설계: engines.analysis

이 회사의 사업, 이익, 현금, 자본배분과 가치는 어떻게 연결되는가?

대표 결과는 사업, 이익, 현금, 회복력, 자본배분, 가치, 위험의 직접 계산을 한 흐름으로 묶는다. 필수 영역의 데이터가 없으면 판단을 막거나 partial로 낮추며, 세부 22축은 그대로 drilldown할 수 있다.

result = c.analysis("종합평가")
print(result["product"]["conclusion"])
print(result["product"]["drivers"])
print(result["product"]["gaps"])

c.analysis("수익성")                  # 세부 축
c.analysis("현금흐름")                # 세부 축
c.analysis("가치평가")                # 세부 축

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

이 회사는 빚을 감당할 수 있고, 무엇이 등급을 깨는가?

3-Track 모델(일반/금융/지주), Notch Adjustment, CHS 시장 보정과 별도재무 블렌딩으로 dCR 등급을 만든다. 대표 제품은 등급과 부도확률뿐 아니라 동인, 명시적 가정, 하방 스트레스와 tripwire를 함께 반환한다.

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())            # 세부 축 가이드

cr = c.credit("등급", detail=True)
print(cr["grade"])          # dCR-AA+
print(cr["product"]["conclusion"])
print(cr["product"]["scenarios"])
print(cr["product"]["falsifiers"])

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

from dartlab.story.publisher import publishReport
publishReport("005930")

설계: engines.industry

이 회사는 가치사슬 어디에 있고, 이익 풀과 비교기업은 누구인가?

산업 이름만 붙이는 분류기가 아니다. 공정과 역할, upstream과 downstream 관계, 동종 stage, profit pool과 관계 근거를 한 제품으로 반환한다. 직접 관계나 최신성이 부족하면 그 범위를 gaps에 남긴다.

position = c.industry()
print(position["product"]["conclusion"])
print(position["peers"])
print(position["relationships"])

설계: engines.quant

공시 펀더멘털 변화와 시장 기대, 가격 반응 사이에 괴리가 있는가?

대표 제품은 공시 이익 변화, 횡단면 이익 서프라이즈 프록시, 실제 가격 반응을 비교해 미반영, 확인, 과열, 악화 반영 또는 판단 보류로 분류한다. 실제 애널리스트 컨센서스가 없는 경우 프록시를 컨센서스로 가장하지 않는다.

gap = c.quant("괴리")
print(gap["classification"])
print(gap["product"]["conclusion"])
print(gap["product"]["gaps"])

c.quant("판단")                    # 세부 가격 판단
c.quant("베타", benchmarkMode="sector")

설계: engines.macro

거시 변화가 어떤 경로로 이 회사의 재무와 가치에 전달되는가?

대표 제품은 최신 거시 관측에서 산업 노출, 회사 재무 근거, 가치 레버까지 이어지는 edge를 보여준다. 기업 직접 근거가 없으면 sector prior 또는 template 상태로 남겨 시장 해석과 기업 해석을 구분한다. 시장 자체를 읽는 세부 축도 그대로 제공한다.

transmission = c.macro("전파")
print(transmission["product"]["conclusion"])
print(transmission["edges"])
print(transmission["product"]["gaps"])

dartlab.macro("사이클")          # 시장 국면
dartlab.macro("금리")            # 금리와 수익률곡선
dartlab.macro("위기")            # 금융 건전성

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%.

설계: engines.story

필요한 렌즈의 제품 결과를 재계산 없이 구조화 보고서로 조립한다. 각 렌즈의 결론, 근거 충족도, 시점과 결손은 독립적으로 유지하며 단일 종합점수는 만들지 않는다. 출력 형식은 rich, html, markdown, json 네 가지다.

story = c.story(type="full")
print(story.lensProducts["analysis"]["conclusion"])
print(story.toMarkdown())

simulation = c.simulate(scenario="adverse")
print(simulation.assumptionLedger)

dartlab.ask("삼성전자 하방 위험을 근거와 함께 분석해줘")

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

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:

셀트리온 이야기 보기 · DartLab 30초 데모 · 유튜브 채널 · 팟캐스트 (YouTube Music)

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

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

dartlab.ask("삼성전자 재무건전성 분석해줘")
dartlab.ask("삼성전자 분석", runtimeId="claude")

dartlab setup codex --yes
dartlab invest 005930 --runtime codex

지원 runtime은 codex, claude, cline이다. dartlab setup은 설치, 공식 로그인, DartLab MCP 연결, 기본 runtime 선택을 한 번의 승인 흐름으로 완료하며 이미 끝난 단계는 반복하지 않는다. DartLab은 provider API key, OAuth token, 모델 다운로드를 관리하지 않는다. CLI 설치와 DartLab MCP 연결이 모두 확인된 groundedReady runtime만 실행되며, 미연결 runtime은 비근거 답변을 만들지 않고 연결 계획을 안내한다. 투자분석 전용 dartlab invest는 중심논지, 반대논지, 밸류에이션, 시나리오, 촉매, 리스크와 다음 점검 시점을 같은 근거 계약으로 분석한다.

질문은 Skill OS의 241개 공개 capability를 질문별 informationCoverage로 좁힌다. 실행 가능한 182개는 구조화된 실행 계약을 사용하고 reference-only 경로는 canonical replacement로 연결한다. 답변은 표·문서·값·기준일의 exact ref payload와 값·기간·대상·문서 주장이 일치할 때만 공개된다. 로컬 GUI는 답변이 실제 사용한 근거, 보조 근거, 미충족 근거, artifact와 실행 영수증을 분리해서 보여 준다.

설계: runtime.channel

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

dartlab channel

흐름:

1. winget으로 devtunnel CLI 자동 설치 (최초 1회)
2. GitHub OAuth 1회 인증 (브라우저 자동 오픈)
3. 영구 URL + QR 발급 (https://<id>-8400.<region>.devtunnels.ms)
4. 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.

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")

루프·도구 표면 개요: 상단 통합 아키텍처

MCP 서버 내장. 외부 LLM은 tools/list가 광고하는 canonical 도구만 호출하며, 단일 공개 API는 EngineCall, 여러 결과의 결합·가공만 RunPython을 사용합니다.

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.

{
  "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.

실제 이름·스키마·실행 권한의 정본은 서버의 tools/list입니다. 아래는 역할별 요약이며, 목록에 없는 legacy alias나 AI 내부 도구는 직접 호출해도 tool_not_advertised로 거부됩니다.

옛 generated 도구(companyAnalysis/companyStory/marketScan 등)는 0.10부터 폐기됐습니다. 단일 호출은 EngineCall({"apiRef": ..., "args": {...}}), 다단 결합·가공만 RunPython으로 옮기세요. 마이그레이션은 CHANGELOG 참조.

DartLab 에는 두 가지 스킬 층이 있습니다.

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.

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.

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

<img src=".github/assets/xlwings-lite-func.webp" alt="xlwings Lite: @func 모드, 셀에 =GETFINANCE("005930")만 쳐도 5분기 IS가 자동 스필" width="720">

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

import micropip
# 한 줄이면 끝. deps(diff-match-patch·openpyxl 등)와 빌트인 C 확장은 wheel 메타데이터 마커로 자동 해소.
await micropip.install("dartlab")

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.

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

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"])

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

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

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 · 빠른 시작 · Skills

블로그 (120+ 글): 전체 · 기업이야기 · 신용평가 보고서

자세한 기준은 operation.stability 를 본다.

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

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 세 가지 시작점 참조.

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.

이 섹션은 사용법이 아니라 개발 운영 기록이다. DartLab을 쓰는 데는 필요 없고, 무엇을 우선 만들고 어디가 약한지 판단하는 기준이다.

DartLab은 실제 기업·시장·공시 질문을 가진 사용자가 정식 엔진의 계산과 출처를 거쳐, 스스로 근거를 확인할 수 있는 분석 결과에 도달하도록 돕는다.

북극성은 주간 검증 완료 분석 루프(weeklyVerifiedAnalysisLoops) 하나만 센다. 실제 질문이 DartLab 정식 엔진을 거쳐 근거 있는 결과가 되고, 사용자가 그 결과의 정확한 evidence 또는 artifact를 직접 확인했을 때만 한 건이다. 모델 응답, tool call 수, 페이지뷰, 테스트 통과 수는 세지 않는다. 현재 전역 값은 미측정이며, 권위 있는 측정이 서기 전에는 성장 목표를 만들지 않는다.

점수는 축별 성숙도이며, 여덟 능력 차원 점수의 산술평균이다. 각 차원 10점은 실사용 환경에서 그 능력이 반복 검증된 상태다. 점수의 근거는 실제로 도는 게이트와 실측 여정이며, 자동으로 실행되지 않는 경로는 구현돼 있어도 점수로 세지 않는다. 차원 정의와 완료 판정의 정본은 북극성 skill이다. 현재 총점은 72.0/120, 평균 6.0/10이다.

결과 수명주기와 주간 운영 주기의 현재 계약은 북극성 skill과 operation.productCycle에 있다. 점수 재판정은 주간 outcome review에서만 하며, 근거 없는 상향은 무효다. 실측과 게이트에 연결되지 않은 차원 점수는 재판정에서 우선 하향 대상이다.

2026-08-03 Agent Runtime 실질 Ask에서 삼성전자 최근 5개년 매출과 영업이익의 10개 claim cell을 모두 덮고 근거 commit을 확인했다. 이 단일 로컬 실행만으로 주간 점수를 올리지는 않는다. 현재 동작과 재검증 절차는 Agent Runtime 운영에 기록한다.

코드는 Apache License 2.0, 데이터셋은 CC BY 4.0 입니다. 사용·수정·포크·재배포·인용 모두 자유롭게 하세요.

한 가지만 부탁합니다. 출처를 남겨주세요. dartlab 을 쓴 프로젝트에는 NOTICE 의 Built with dartlab (https://github.com/eddmpython/dartlab) 한 줄을, 글이나 논문에서 인용한다면 CITATION.cff 를 그대로 달아주면 됩니다. 그거면 충분합니다.