dartlab ask — GPT 하나로 전자공시 AI 분석하는 법

Q: dartlab ask에 OpenAI API 키가 꼭 필요한가요?

아니다. ChatGPT Plus 구독 계정이 있으면 dartlab setup oauth codex로 API 키 없이 시작할 수 있다. Ollama를 설치하면 완전히 무료로 로컬에서 실행할 수도 있다.

Q: 무료 모델(Ollama)로도 쓸 수 있나요?

가능하다. dartlab setup ollama로 설정하면 로컬 LLM(Llama, Mistral 등)을 사용한다. tool calling도 지원하므로 Tier 2까지 동작한다. 다만 답변 품질은 GPT 4o 대비 떨어질 수 있다.

Q: 한 번에 분석할 수 있는 데이터 범위는?

기본적으로 해당 종목의 전체 sections(44개 모듈)과 최근 재무제표를 분석 대상으로 삼는다. include나 exclude로 범위를 조절할 수 있다.

Q: ask로 미국 기업(EDGAR)도 분석할 수 있나요?

가능하다. dartlab.ask("AAPL", "financial health analysis")처럼 ticker를 넣으면 EDGAR Company로 분석한다. 현재 베타 단계이며 10 K/10 Q 기반 분석을 지원한다.

Q: 스트리밍을 끄면 무엇이 달라지나요?

stream=False로 설정하면 전체 답변이 완성된 후 한 번에 문자열로 반환된다. 파이프라인에서 후처리가 필요할 때 유용하지만, 사용자 대면 환경에서는 스트리밍이 체감 속도가 훨씬 빠르다.

Q: 보고서 모드와 일반 모드의 차이는?

일반 모드는 질문에 초점을 맞춘 답변이다. 보고서 모드( report)는 질문과 무관하게 7개 섹션(기업 개요, 재무 분석, 수익성, 건전성, 성장성, 리스크, 종합 의견)을 모두 채운 전문 보고서를 생성한다.

전자공시시스템을 열고, 200페이지짜리 사업보고서를 스크롤하고, 재무제표 숫자를 하나씩 비교하고, 감사보고서에서 의견을 찾는다. 한 종목만 해도 30분이다.

dartlab ask는 이 과정을 한 줄로 줄인다. 종목 이름과 질문을 던지면 — 재무제표, 사업보고서, 감사보고서, 인사이트 등급까지 엔진이 자동으로 수집하고, LLM이 종합 분석한 결과를 스트리밍으로 돌려준다.

dartlab ask는 어떻게 동작하는가

ask의 내부 구조는 2단계다. Tier 1에서 시스템이 데이터를 수집·계산하고, Tier 2에서 LLM이 해석한다.

dartlab ask 2-Tier 아키텍처 — 시스템이 데이터를 준비하고 LLM이 해석한다

Tier 1: 시스템 주도 — 모든 LLM provider에서 동작한다.

질문을 분류한다 (건전성, 수익성, 성장성, 배당, 지배구조, 리스크, 종합)
분류에 맞는 분석 패키지를 선택한다 (financial, valuation, risk, dividend 등)
패키지가 지정한 엔진들을 병렬로 실행한다 — sections에서 공시 텍스트, finance에서 재무제표, insight에서 등급, rank에서 시장 순위
결과를 하나의 컨텍스트 패키지로 조립해서 LLM에 전달한다

Tier 2: LLM 주도 — tool calling을 지원하는 provider(OpenAI, Ollama)에서만 추가 동작한다.

Tier 1 결과를 본 LLM이 “데이터가 부족하다”고 판단하면 저수준 도구를 직접 호출한다. 특정 계정의 시계열, 공시 서술형 텍스트 검색, 복수 기업 비교 등을 LLM이 스스로 결정한다.

핵심은 LLM이 계산하지 않는다는 것이다. 재무비율, 등급 판정, 이상치 감지는 모두 dartlab 엔진이 수행하고, LLM은 그 결과를 해석하고 설명하는 역할만 맡는다.

5분 만에 첫 질문 던지기

# 1. 설치
pip install dartlab

# 2. API 키 설정 (OpenAI 예시)
dartlab setup openai
# → API key를 입력하면 로컬에 저장된다

# 3. 첫 질문
dartlab ask "삼성전자 재무건전성 분석해줘"

설치와 설정이 끝이다. API 키가 없다면 ChatGPT Plus 구독 계정으로도 시작할 수 있다.

# ChatGPT 구독 계정으로 시작
dartlab setup oauth-codex
# → 브라우저에서 로그인하면 완료

dartlab ask "현대차 배당 추세 분석해줘"

dartlab ask 데이터 흐름 — 자연어 입력에서 스트리밍 답변까지

어떤 provider를 선택하든 흐름은 같다. 자연어 → 종목 추출 → Company 로드 → 패키지 조립 → LLM 분석 → 스트리밍 답변.

CLI로 터미널에서 바로 분석하기

가장 빠른 경로는 CLI다. 질문에 종목 이름을 포함하면 자동으로 분리한다.

# 종목 이름 포함 (자동 추출)
dartlab ask "삼성전자 재무건전성 분석해줘"

# 종목코드 명시
dartlab ask --company 005930 "영업이익률 추세는?"

# provider/model 지정
dartlab ask "현대차 배당" --provider openai --model gpt-4o

답변은 터미널에 마크다운으로 실시간 렌더링된다. Rich Live 콘솔이 청크 단위로 출력하므로 첫 글자가 나올 때까지 기다리는 시간이 짧다.

# 데이터 필터링 — 특정 topic만 포함
dartlab ask "삼성전자 분석" --include BS IS ratios

# 특정 topic 제외
dartlab ask "삼성전자 분석" --exclude report

Python API로 분석 파이프라인 붙이기

스크립트나 노트북에서는 Python API를 쓴다.

import dartlab

# 기본: 스트리밍 (Generator 반환)
for chunk in dartlab.ask("삼성전자 재무건전성 분석해줘"):
    print(chunk, end="")

dartlab.ask()는 기본적으로 스트리밍 제너레이터를 반환한다. for 루프로 청크를 소비하면 된다.

# 종목 + 질문 분리
for chunk in dartlab.ask("005930", "배당 추세는?"):
    print(chunk, end="")

# 데이터 필터링
for chunk in dartlab.ask("현대차", "분석해줘", include=["BS", "IS", "ratios"]):
    print(chunk, end="")

# 분석 패턴 지정
for chunk in dartlab.ask("삼성전자", "분석", pattern="financial"):
    print(chunk, end="")

CLI와 Python API 비교 — 같은 엔진, 다른 인터페이스

CLI와 Python API는 같은 엔진을 소비한다. 차이는 진입점뿐이다.

대화를 이어가면 무엇이 달라지는가

한 번의 질문으로 끝나지 않는 분석이 있다. “재무건전성을 분석해줘” 다음에 “그러면 영업이익률은?” — 이전 맥락이 이어져야 의미 있는 답이 나온다.

# CLI: --continue 플래그
dartlab ask "삼성전자 재무건전성 분석해줘"
dartlab ask "그러면 영업이익률 추세는?" --continue
dartlab ask "동종 업계와 비교하면?" --continue

--continue를 붙이면 이전 세션의 메시지 히스토리를 자동으로 불러온다. LLM이 이전 답변을 기억한 상태에서 후속 질문에 답한다.

Python API에서는 history 파라미터로 같은 효과를 낸다.

messages = []

# 첫 질문
answer1 = dartlab.ask("삼성전자", "재무건전성 분석해줘", stream=False)
messages.append({"role": "user", "content": "재무건전성 분석해줘"})
messages.append({"role": "assistant", "content": answer1})

# 후속 질문 — 이전 대화 전달
answer2 = dartlab.ask("삼성전자", "영업이익률은?", history=messages, stream=False)

보고서 모드 — 7섹션 구조화 분석

일반 ask가 “질문에 대한 답변”이라면, 보고서 모드는 종합 분석 리포트다. 7개 섹션으로 구조화된 전문 보고서를 생성한다.

# CLI
dartlab ask "삼성전자 종합 분석" --report

# Python API
for chunk in dartlab.ask("삼성전자", "종합 분석", report_mode=True):
    print(chunk, end="")

보고서 모드 7섹션 구조 — 기업 개요에서 종합 의견까지

보고서 모드는 질문 유형과 무관하게 7개 섹션을 모두 채운다. 기업 개요, 재무 분석, 수익성, 건전성, 성장성, 리스크, 종합 의견 — 하나의 종목에 대해 전방위 분석이 필요할 때 쓴다.

실제 분석 데모

아래는 dartlab ask로 전자공시를 AI 분석하는 실제 데모다.

Threads에서 전체 영상 보기 →

GPT 구독 계정 하나만으로 사업보고서를 분석하는 전체 과정을 보여준다. 전자공시시스템을 하나하나 열어서 읽던 방식과 비교하면, 같은 분석을 한 줄 명령어로 끝내는 차이가 드러난다.

놓치기 쉬운 예외

Provider별 차이가 있다. OpenAI와 Ollama는 tool calling을 지원해서 Tier 2까지 동작한다. Codex와 OAuth-Codex는 Tier 1만 동작한다. Tier 1만으로도 대부분의 분석은 충분하지만, “특정 계정의 5년 시계열을 보여줘” 같은 세밀한 요청은 tool calling이 필요하다.

5개 Provider 비교 — 인증, Tool Calling, 비용, 추천 용도

데이터가 없는 종목이 있다. dartlab은 DART 공시를 기반으로 하므로, 공시를 제출하지 않은 종목(비상장, 외국 기업 중 일부)은 분석할 수 없다. EDGAR 종목(미국)은 베타 지원 중이다.

첫 로딩이 느릴 수 있다. Company 객체를 처음 생성할 때 공시 데이터를 다운로드한다. 두 번째 질문부터는 캐시가 동작해서 빠르다.

빠른 점검 체크리스트

pip install dartlab (또는 uv add dartlab)
dartlab setup openai (또는 dartlab setup oauth-codex)
dartlab status — provider 가용성 확인
dartlab ask "삼성전자 분석해줘" — 첫 질문 테스트
답변이 스트리밍으로 나오는지 확인
--continue로 후속 질문 테스트

FAQ

dartlab ask에 OpenAI API 키가 꼭 필요한가요?

아니다. ChatGPT Plus 구독 계정이 있으면 dartlab setup oauth-codex로 API 키 없이 시작할 수 있다. Ollama를 설치하면 완전히 무료로 로컬에서 실행할 수도 있다.

무료 모델(Ollama)로도 쓸 수 있나요?

가능하다. dartlab setup ollama로 설정하면 로컬 LLM(Llama, Mistral 등)을 사용한다. tool calling도 지원하므로 Tier 2까지 동작한다. 다만 답변 품질은 GPT-4o 대비 떨어질 수 있다.

한 번에 분석할 수 있는 데이터 범위는?

기본적으로 해당 종목의 전체 sections(44개 모듈)과 최근 재무제표를 분석 대상으로 삼는다. --include나 --exclude로 범위를 조절할 수 있다.

질문에 종목코드를 꼭 넣어야 하나요?

종목 이름으로도 된다. “삼성전자 분석해줘”라고 하면 자동으로 종목코드(005930)를 추출한다. 모호한 이름이면 --company 005930으로 명시할 수 있다.

ask로 미국 기업(EDGAR)도 분석할 수 있나요?

가능하다. dartlab.ask("AAPL", "financial health analysis")처럼 ticker를 넣으면 EDGAR Company로 분석한다. 현재 베타 단계이며 10-K/10-Q 기반 분석을 지원한다.

스트리밍을 끄면 무엇이 달라지나요?

stream=False로 설정하면 전체 답변이 완성된 후 한 번에 문자열로 반환된다. 파이프라인에서 후처리가 필요할 때 유용하지만, 사용자 대면 환경에서는 스트리밍이 체감 속도가 훨씬 빠르다.

보고서 모드와 일반 모드의 차이는?

일반 모드는 질문에 초점을 맞춘 답변이다. 보고서 모드(--report)는 질문과 무관하게 7개 섹션(기업 개요, 재무 분석, 수익성, 건전성, 성장성, 리스크, 종합 의견)을 모두 채운 전문 보고서를 생성한다.

참고 자료

dartlab 설치 및 설정 가이드
show(topic) — 공시 데이터를 한 줄로 꺼내는 구조 — ask가 내부적으로 소비하는 데이터 구조
파이썬으로 재무제표 분석하기 — dartlab의 기본 사용법
dartlab MCP — Claude Desktop에서 전자공시 바로 조회하는 법 — ask의 반대편, IDE 안에서 같은 기능

핵심 구조 요약

dartlab ask의 구조는 세 문장으로 요약된다.

시스템이 데이터를 준비한다 — 질문 분류 → 분석 패키지 선택 → 엔진 병렬 실행 → 컨텍스트 조립.
LLM은 해석만 한다 — 계산은 dartlab 엔진, 설명은 LLM. 역할이 분리되어 있다.
진입점만 다르고 엔진은 같다 — CLI, Python API, 서버 API, MCP 모두 같은 analyze() 파이프라인을 소비한다.