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, 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.

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.

DataHub: 전 계층 하나의 데이터 진입점

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 설계 문서에 있다.

공시에서 판단까지

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.

다섯 분석 렌즈

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.

렌즈	답하는 질문	대표 호출
Analysis	이 회사의 사업, 이익, 현금, 자본배분과 가치는 어떻게 연결되는가?	c.analysis("종합평가")
Credit	이 회사는 빚을 감당할 수 있고, 무엇이 등급을 깨는가?	c.credit("등급", detail=True)
Industry	이 회사는 가치사슬 어디에 있고, 이익 풀과 비교기업은 누구인가?	c.industry()
Quant	공시 펀더멘털 변화와 시장 기대, 가격 반응 사이에 괴리가 있는가?	c.quant("괴리")
Macro	거시 변화가 어떤 경로로 이 회사의 재무와 가치에 전달되는가?	c.macro("전파")

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.

판단 워크플로

작업	하는 일	대표 호출
Story와 Report	필요한 렌즈의 독립 결론, 근거, 한계를 한 보고서에 배치	c.story(type="full")
Simulate	결정론 시나리오와 렌즈 가정을 하나의 가정 원장으로 추적	c.simulate(scenario="adverse")
Ask	렌즈 결론과 기준시점을 valueRef, dateRef로 인용해 설명	dartlab.ask("삼성전자 하방 위험을 근거와 함께 분석해줘")
Scan과 Screener	전체 상장사에 같은 조건을 적용하고 제외 이유를 설명	dartlab.scan("screen", "resilientCompounders", explain=True)

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 ·

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, 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.

Analysis: 재무 인과 분석

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

Credit: 독립 신용분석

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")

Industry: 가치사슬과 비교기업

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"])

Quant: 기대와 가격 반응의 괴리

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")

Macro: 기업까지 닿는 거시 전달경로

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%.

Story: 분석을 보고서로

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."

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 · 팟캐스트 (YouTube Music)

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: 설치형 Agent Runtime

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

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

지원 runtime은 codex, claude, cline이다. 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. 설치와 MCP 설정은 dartlab agent가 exact argv와 SHA-256 digest를 먼저 보여 주고, 사용자가 같은 digest를 명시했을 때만 실행한다.

Channel: 외부에서 내 PC dartlab 접근

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.

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

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

도구	역할
ask	dartlab chat-native 루프: LLM 자율 도구 호출 + Ref 검산 일괄
ReadSkill / GetSkillBody / ReadSkillMarket	공식 Skill OS 검색·본문 조회·외부 마켓 보완
ReadCapability	dartlab 공개 API/docstring 검색
EngineCall	capability 결과 중 engineCallable=true인 단일 공개 API 호출
RunPython	dartlab + Polars 코드 실행 → executionRef/valueRef/tableRef
Read / WebSearch / ExternalReachDoctor	로컬 문서·외부 최신 정보·연결 상태 확인
SaveArtifact / CompileVisual / CreateUserSkill	산출물·시각화·사용자 스킬 작성
PeerCompareN / DCFValuation / CompileFinancialDashboard	비교·가치평가·재무 대시보드
RegressionForecast / SensitivityAnalysis / CreditScorecard	예측·민감도·신용 분석
ScenarioCompareN / ScenarioOverlay / SearchPastSessions	시나리오·과거 세션 조회

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

<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.

설치 (xlwings Lite · 한 줄)

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.

제약 (브라우저 런타임의 한계)

기능	Pyodide	비고
Company() · c.panel() · analysis · story · credit	✅	HF parquet 자동 다운로드
dartlab.ask()	❌	설치형 agent CLI와 로컬 process가 필요
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·Agent Runtime 호스트가 함께 들어온다	분석 도구에 "이것도 설치하세요" 가 누적되면 첫 사용까지 마찰이 늘어난다. 모델 실행은 사용자의 설치형 agent가 맡고 DartLab wheel은 runtime adapter와 금융 능력만 제공한다.
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 = Bring Your Agent Runtime	Codex app-server, Claude stream-json, ACP를 provider-neutral AgentEvent로 정규화한다. 고정 graph 없이 agent가 Skill OS와 MCP 도구를 자율 사용한다.	인증·모델·native session은 CLI에 두고 DartLab은 금융 capability, 근거, 권한·process 경계에 집중한다.
내부 단방향 import	제품 설명과 별개로 코드 폴더는 단방향 의존을 유지한다	자세한 레이어와 기여 규율은 ARCHITECTURE.md에 둔다. import-linter와 dartlabGuard.py strict --scope l0-l15가 PR 게이트다.
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 세 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.

북극성 (개발 운영 지표)

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 정의·앵커·축별 채점 근거의 정본은 채점 기준이다. 현재 총점은 72.0/120, 평균 6.0/10이다.

차원	10점의 의미
근거	모든 결과가 출처와 기준시점을 달고, 검산 여정이 반복 검증된다
커버리지	목표 유니버스(전 상장사·전 기간·전 표면)를 빠짐없이 커버한다
검증강도	핵심 행동 전부가 실패 가능한 자동 게이트로 단언된다
직관성	배울 것 없이 첫 결과까지 한 줄, 이름과 문법이 자명하다
속도	첫 결과와 재호출이 체감 즉시이고 실측치가 있다
효율성	중복 빌드 0, 사본 0, 자원 예산 준수로 같은 결과를 더 싸게 낸다
안정성	회귀 가드가 상주하고 실패는 정직한 상태로 강등된다
혁신성	기존 대안이 주지 못하는 능력을 실측으로 증명한다

축	근거	커버리지	검증강도	직관성	속도	효율성	안정성	혁신성	종합
Python 공개 계약	8.5	8.0	8.5	8.0	7.0	7.0	8.0	8.5	7.9
데이터 인프라 (HF SSOT)	8.5	8.0	8.0	8.5	7.5	8.5	8.0	7.5	8.1
미국 (EDGAR)	7.0	4.5	5.0	7.0	5.5	6.0	5.5	6.5	5.9
다섯 분석 렌즈	8.0	7.0	6.5	7.5	6.5	7.0	7.0	8.0	7.2
리포트·스토리	7.5	6.0	6.0	7.0	6.0	6.5	6.5	7.5	6.6
시뮬레이션	6.0	4.5	5.5	5.0	5.5	5.5	5.0	6.0	5.4
AI 워크벤치 (ask)	8.0	7.0	6.5	8.0	6.0	6.5	7.0	8.0	7.1
MCP 서버	7.5	7.0	7.5	7.0	6.0	7.0	7.0	7.0	7.0
Agent Runtime (Bring Your Agent)	2.0	1.5	1.0	1.5	1.0	1.5	1.0	2.5	1.5
터미널	7.0	7.5	6.5	7.0	6.5	7.5	6.5	7.0	6.9
노트북·브라우저 (Pyodide)	6.5	5.5	6.0	7.5	5.5	6.5	6.0	7.5	6.4
북극성 측정 (productOutcome)	3.0	1.5	1.0	2.0	2.0	2.5	1.5	2.5	2.0

축	현 상태	도달할 상태
Python 공개 계약	9개 계약 엔진(gather·scan·analysis·macro·quant·industry·credit·dataHub·simulate)과 Company·story 파사드가 dartlab.{engine}("{axis}", ...) 한 문법으로 돌고, L0~L4 전 계층 안정화 판정이 끝났다. 노트북·블로그·Skill OS 코드펜스의 계약 위반은 AST 가드가 기계 차단하고, 공개 API manifest 대조와 product smoke가 CI에서 돈다. 실사용자 여정의 반복 계측은 남았다.	어떤 진입 표면에서든 같은 문법과 같은 근거 문법으로 공개 계약이 호출된다.
데이터 인프라 (HF SSOT)	DART 공시 원문 섹션·XBRL 재무·정형 항목·전종목 스캔 프리빌드·가격·거시가 HuggingFace 공개 데이터셋으로 서고, 런타임은 별도 빌드 없이 SSOT를 직독해 로컬 캐시로 돈다. API 키 0으로 첫 결과가 난다. 수집은 온라인, 프리빌드는 오프라인 전용으로 분리되고 offline 가드 3종이 CI에서 강제된다. 전체 공시 목록은 월별 parquet로 백필된다. 신선도 완결 여정의 자동 계측은 남았다.	전 상장사·전 기간이 공개 SSOT에서 재현 가능하게 열리고 신선도가 계측된다.
미국 (EDGAR)	Company("AAPL")가 SEC 원본 제출물의 XBRL을 자급 파싱해 한국과 같은 인터페이스(panel·주석 12토픽·ratios·filings)로 열린다. 가치사슬 taxonomy는 한국 한정이라 EDGAR industry는 가짜 매핑 대신 blocked 결손을 반환한다. 터미널 도달 배선은 재정렬 중이고 가격·지수 구조만 확정됐다.	미국 종목이 한국과 같은 터미널·렌즈 여정으로 열린다.
다섯 분석 렌즈	analysis·credit·industry·quant·macro가 conclusion·drivers·evidence·confidence·gaps·falsifiers·asOf 공통 문법의 product 외피로 돌고, 단일 종합점수를 만들지 않으며 결손을 usable·partial·blocked로 그대로 노출한다. credit은 79개사 실측 검증(대기업 87%, 전체 70%)이 있다. 렌즈 결론의 실사용 반복 검증과 v5.0 재측정은 남았다.	각 렌즈가 실제 질문에서 반복 검증된 근거 충족도로 답한다.
리포트·스토리	c.story() 6막 서사와 Company.reportModel 공개 계약, 프로 리포트 emitter까지 완결됐고 발간 파이프라인으로 기업이야기 10편이 블로그에 실발간됐다. 랜딩이 같은 모델을 소비하는 단계는 운영자 결정 대기다.	회사 하나의 전체 이야기가 리포트로 나오고 모든 표면이 같은 모델을 소비한다.
시뮬레이션	dartlab.simulate 결정론 드라이버 DAG 코어가 계약 엔진으로 돌고 가정 원장을 남긴다. 거시 시뮬레이션 엔진은 완결됐다(회사단 거시 재무 브리지는 데이터 벽으로 미빌드 확정). Play UI·fan 차트와 시나리오 실사용 여정은 미완이다.	시나리오가 재현 가능하게 돌고 결과를 터미널에서 만진다.
AI 워크벤치 (ask)	dartlab.ask가 chat-native 자율 tool calling으로 돌고 답변 속 숫자·표는 실행 근거 ref로 검산 가능하다. 외부 본문(DART·EDGAR·웹)은 직렬화 단에서 untrusted 마커로 격리돼 본문 안 지시가 동작을 바꾸지 못한다. 답변에서 근거 확인까지의 완결 루프 계측(북극성 분자)은 아직 없다.	질문 하나가 검증 완료 분석 루프 한 건으로 끝난다.
MCP 서버	tools/list가 광고하는 canonical 도구만 실행되고, 단일 호출은 EngineCall allowlist, 다단 가공만 RunPython으로 분리된다. 옛 generated 도구 33종은 0.10에서 폐기됐고 agent와 MCP의 도구 목록 드리프트는 단일 SSOT로 기계 대조된다. stdio와 원격 SSE 둘 다 산다. 외부 LLM 실사용의 반복 검증은 남았다.	외부 LLM이 같은 계약·같은 근거 문법으로 DartLab을 쓴다.
Agent Runtime (Bring Your Agent)	설치된 CLI를 쓰는 runtime이 구현됐다. Claude와 Codex 실제 ask가 ReadSkill·EngineCall을 호출해 exact ref 답변을 반환했고, local GUI SSE도 같은 계약을 완주했다. Cline embedded는 현재 ACP가 session MCP를 노출하지 않아 fail-closed다. 점수는 주간 review 전까지 유지한다.	사용자의 설치된 agent가 DartLab 작업대에서 검증 루프를 반복 완주한다.
터미널	공개 터미널이 전 상장사를 커버하고 재무·주가·공시·신용·산업·매크로를 한 화면에 올린다. 모든 데이터 호출은 단일 진입점 공통배선으로 잠겨 있고 가드가 상주한다. 로컬 앱은 공개 바닥의 상위집합이다. 스크리너 재구축은 구현 완료 후 눈검수 대기다. 화면 안 근거 확인 여정의 반복 검증은 남았다.	전문가 계기판에서 질문과 근거 확인이 화면 안에서 끝난다.
노트북·브라우저 (Pyodide)	설치 없이 xlwings Lite·JupyterLite·marimo·Colab WASM에서 Company·panel·analysis·credit·story·macro가 실행되고 엑셀 수식으로도 닿는다. scan 프리빌드 용량과 gather CORS는 브라우저 경계로 남는다. Colab·marimo 노트북 9종이 계약 문법으로 산다. 교육 SSOT는 블로그 연재다.	실데이터 실습이 설치 없이 교육 서사와 이어진다.
북극성 측정 (productOutcome)	로컬 상태 원장, bounded evidence resolve, exact ref hash 검증이 구현됐다. 실제 local GUI operator journey에서 2026Q1 삼성전자 매출 값 근거를 열어 verified=1 전이를 확인했다. 이는 로컬 실증이며 주간 cohort가 없어 전역 값은 계속 미측정이다. 점수는 주간 review 전까지 유지한다.	verified 루프가 자동 계수되고 주간 리뷰가 이 표를 재판정한다.

결과 수명주기, goal ID, 주간 운영 주기의 전체 계약은 mainPlan/dartlab-north-star에 있다. 점수 재판정은 주간 outcome review에서만 하며, 근거 없는 상향은 무효다. 실측·게이트와 연결되지 않은 차원 점수는 재판정에서 우선 하향 대상이다.

2026-08-02 점수표 고정 이후 Agent Runtime production vertical slice와 local Product Outcome 원장이 구현됐다. 위 점수는 즉시 올리지 않았으며, exact evidence를 확인한 operator journey를 주간 outcome review에서 검증한 뒤 재판정한다. 구현 근거는 Agent Runtime 진행 원장과 북극성 진행 원장에 기록한다.

라이선스

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.