due-diligence-agents 完整教學

zoharbabin/due-diligence-agents — 開源法醫式 M&A 盡職調查工具：13 個 AI agent 平行分析資料室，跨 9 個領域交叉比對，每個發現追溯到確切引文。

1. 專案定位與核心價值

1.1 解決什麼問題

在併購（M&A; Mergers & Acquisitions）盡職調查（Due Diligence; DD）流程中，企業發展團隊面臨三大瓶頸：

1. 資訊孤島：法律、財務、商務各自產出報告，彼此不交叉比對。同一主體（subject）可能在合約中有控制權變更（change of control）條款風險，同時在財務面有營收集中度（revenue concentration）問題，但無人串接。
2. 時程壓縮：DD 期程從六週壓到三週，範圍不減但人力不增。
3. 篩選漏斗：每年篩選 200-1,000+ 家標的公司，最終成交 1-10 家（1-3% conversion rate），大量 DD 成本沉沒。

1.2 核心價值主張

• 平行多領域分析：9 個領域專家 agent 同時閱讀所有文件，不重複、不遺漏
• 自動交叉比對：symbolic trigger rules 偵測跨領域依賴，連結人工不易發現的關聯
• 每個發現可溯源：每個 finding 附帶確切頁碼、原文引文、嚴重度評級
• 品質守門員：5 個 blocking quality gate，不合格就停止，不產出不可靠的報告
• 完全本機執行：文件只作為 LLM API 呼叫離開本機，不蒐集遙測、不外傳資料

1.3 適用對象

2. 安裝指南

2.1 系統需求

• Python: >= 3.12
• LLM 提供者（擇一）：
  • Anthropic API（ANTHROPIC_API_KEY）
  • AWS Bedrock（AWS_PROFILE 或 AWS_ACCESS_KEY_ID）
  • Google Vertex AI（ANTHROPIC_VERTEX_PROJECT_ID）
  • Anthropic-compatible gateway（ANTHROPIC_AUTH_TOKEN）
• Claude CLI：需安裝 Claude Agent SDK CLI binary

2.2 安裝方式

推薦（含 PDF 支援）：

1pip install 'dd-agents[pdf]'

macOS Homebrew：

1brew install zoharbabin/due-diligence-agents/dd-agents

Docker：

1docker pull zoharbabin/dd-agents
2docker run -v ./data_room:/data -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY dd-agents run /data/deal-config.json

開發環境：

1git clone https://github.com/zoharbabin/due-diligence-agents.git
2cd due-diligence-agents
3pip install -e ".[dev,vector,ocr]"
4pre-commit install

2.3 環境變數設定

1# .env 檔案範例
2ANTHROPIC_API_KEY=sk-ant-xxx          # Anthropic 直連
3# 或 Bedrock
4AWS_PROFILE=my-profile
5AWS_ACCESS_KEY_ID=AKIA...
6# 或 Vertex
7ANTHROPIC_VERTEX_PROJECT_ID=my-gcp-project

2.4 驗證安裝

1dd-agents version                     # 顯示版本（v1.17.0）
2dd-agents doctor                      # 系統診斷
3dd-agents doctor --config deal.json   # 預檢 deal config

3. 核心架構解析

3.1 架構總覽

graph TB
    subgraph Input["輸入層"]
        DR["Data Room
PDF / Word / Excel / Image / Audio"]
        DC["deal-config.json
買方 / 標的 / 領域設定"]
    end

    subgraph Extraction["文件萃取層"]
        EP["Extraction Pipeline
PyMuPDF / GLM-OCR / Whisper / MarkItDown"]
        FC["Formula Audit
Excel 公式稽核"]
        QA1["Quality Gate 1
萃取品質檢查"]
    end

    subgraph Agents["13 Agent 分析層"]
        subgraph Specialists["9 Domain Specialists（平行執行）"]
            S1["Legal Agent"]
            S2["Finance Agent"]
            S3["Commercial Agent"]
            S4["ProductTech Agent"]
            S5["Cybersecurity Agent"]
            S6["HR Agent"]
            S7["Tax Agent"]
            S8["Regulatory Agent"]
            S9["ESG Agent"]
        end
        subgraph Synthesis["4 Orchestration Agents"]
            J["Judge Agent
對抗性驗證"]
            ES["Executive Synthesis
Go / No-Go 信號"]
            RF["Red Flag Scanner
快速 Triage"]
            AI["Acquirer Intelligence
買方論述對齊"]
        end
    end

    subgraph CrossDomain["交叉分析層"]
        CD["Cross-Domain Analysis
Symbolic Trigger Rules"]
        ER["Entity Resolution
公司名稱匹配"]
        KB["Deal Knowledge Base
知識圖譜 + Chronicle"]
    end

    subgraph QualityGates["品質守門"]
        QG["5 Blocking Quality Gates
31 QA Checks"]
        MG["Merge & Audit
去重 / 數值驗證 / 引文核實"]
    end

    subgraph Output["輸出層"]
        HTML["Interactive HTML Report
Go/No-Go + 漸進揭示"]
        XLSX["16-sheet Excel Report
結構化 Findings"]
        JSON["Per-subject JSON
Findings + Citations"]
        IC["IC Memo
投委會備忘錄"]
    end

    DR --> EP
    DC --> EP
    EP --> FC
    FC --> QA1
    QA1 --> Specialists
    Specialists --> CD
    CD --> J
    J --> MG
    MG --> QG
    QG --> ES
    ES --> Output
    RF -.->|quick-scan| Output
    AI -.->|buyer thesis| ES

    style Input fill:#e8f4f8,stroke:#2196F3
    style Extraction fill:#fff3e0,stroke:#FF9800
    style Agents fill:#f3e5f5,stroke:#9C27B0
    style CrossDomain fill:#e8f5e9,stroke:#4CAF50
    style QualityGates fill:#fce4ec,stroke:#F44336
    style Output fill:#e0f2f1,stroke:#009688

3.2 38-Step Pipeline 概要

管線分為以下主要階段：

1. 文件發現與萃取（Steps 1-8）：掃描 data room、萃取文字、建立索引、公式稽核
2. 實體解析（Steps 9-12）：公司名稱標準化、子公司對應、前身識別
3. 領域分析（Steps 13-20）：9 個 specialist agent 平行分析所有主體
4. 交叉比對（Steps 21-26）：symbolic trigger rules 偵測跨領域依賴
5. 品質驗證（Steps 27-32）：Judge agent、31 QA checks、引文驗證
6. 綜合判定（Steps 33-36）：Executive Synthesis、severity calibration、Go/No-Go
7. 報告生成（Steps 37-38）：HTML / Excel / JSON / IC Memo

3.3 關鍵模組對照

4. 主要功能與 API 詳解

4.1 完整管線分析

 1# 基本執行
 2dd-agents run deal-config.json
 3
 4# 指定模型
 5dd-agents run deal-config.json --model claude-sonnet-4-20250514
 6
 7# 經濟模式
 8dd-agents run deal-config.json --model-profile economy
 9
10# 從特定步驟恢復
11dd-agents run deal-config.json --resume-from 16

deal-config.json 結構：

 1{
 2  "config_version": "1.0.0",
 3  "buyer": {
 4    "name": "BUYER_COMPANY_NAME",
 5    "ticker": "",
 6    "notes": ""
 7  },
 8  "target": {
 9    "name": "TARGET_COMPANY_NAME",
10    "subsidiaries": [],
11    "previous_names": []
12  },
13  "agent_models": {
14    "legal": { "provider": "bedrock", "model": "anthropic.claude-sonnet-4-20250514-v1:0" }
15  }
16}

4.2 快速 Red Flag 掃描

1dd-agents run deal-config.json --quick-scan --model-profile economy

產出 GREEN / YELLOW / RED 信號，覆蓋 8 個 deal-killer 類別。適合早期篩選。

4.3 合約搜尋

1dd-agents search prompts.json --data-room ./data_room

使用 plain JSON 定義搜尋欄位，任何法律專業人員都能撰寫：

1{
2  "name": "Change of Control Analysis",
3  "columns": [
4    {
5      "name": "Consent Required",
6      "prompt": "Does this agreement require consent upon a change of control? Answer YES, NO, or NOT_ADDRESSED."
7    }
8  ]
9}

內建搜尋模板涵蓋：change_of_control、ip_ownership、non_compete、payment_terms、auto_renewal、sla_commitments、data_privacy、termination_rights。

4.4 Post-Run 工具

 1# 多輪互動問答（含記憶）
 2dd-agents chat --report _dd/forensic-dd/runs/latest
 3
 4# 結構化查詢
 5dd-agents query --report _dd/forensic-dd/runs/latest
 6
 7# 成本報表
 8dd-agents cost _dd/forensic-dd/runs/latest
 9
10# 資料室品質評估
11dd-agents assess ./data_room
12
13# 多案追蹤
14dd-agents portfolio add "Deal A" --data-room ./data_room_a
15
16# 系統診斷
17dd-agents doctor --config deal-config.json
18
19# 報告差異比較
20dd-agents diff run1/ run2/

4.5 CLI 自動化支援

1# JSON 輸出（適合 CI/CD）
2dd-agents assess ./data_room --json
3dd-agents validate _dd/forensic-dd/runs/latest --json
4dd-agents query --report runs/latest --json

5. 應用場景與實戰範例

5.1 場景一：PE 基金標的篩選

1# Step 1: 初始化 deal config
2dd-agents init my-deal --data-room ./target_dataroom \
3  --deal-type acquisition --buyer "Alpha PE" --target "TargetCo"
4
5# Step 2: 快速 triage（5-10 分鐘）
6dd-agents run my-deal/deal-config.json --quick-scan --model-profile economy
7
8# Step 3: 確認值得深入後，跑完整分析（30-120 分鐘，依資料量）
9dd-agents run my-deal/deal-config.json

5.2 場景二：合約條款批次搜尋

1# 對 200 份合約搜尋 change of control 條款
2dd-agents search examples/search/change_of_control.json --data-room ./contracts/
3
4# 搜尋結果為 Excel，每份合約一列，每個問題一欄

5.3 場景三：跨 run 累積知識

1# 第一次 run
2dd-agents run deal-config.json
3
4# 新增文件後再跑一次，自動累積到 Deal Knowledge Base
5dd-agents run deal-config.json
6
7# 比較兩次結果
8dd-agents diff _dd/forensic-dd/runs/001/ _dd/forensic-dd/runs/002/

5.4 場景四：Per-Agent Provider Routing

1{
2  "agent_models": {
3    "legal": { "provider": "bedrock", "model": "anthropic.claude-sonnet-4-20250514-v1:0" },
4    "finance": { "provider": "anthropic", "model": "claude-sonnet-4-20250514" },
5    "cybersecurity": { "provider": "vertex" }
6  }
7}

不同 agent 可路由到不同 LLM provider，適合有多雲架構的團隊。

6. 資安掃描報告

6.1 掃描範圍

掃描 227 個 Python 模組，檢查項目包含：subprocess、eval/exec、os.system、pickle、__import__、HTTP 請求、密碼/金鑰處理、shell injection。

6.2 掃描結果

🟡 中風險 — subprocess 使用（已有防護）

緩解措施：run_export_script.py 內建完整 sandbox — 明確封鎖 eval、exec、__import__、os.system、os.popen 等危險呼叫，並維護 import 黑名單（包含 requests、httpx、urllib、subprocess 等 70+ 項）。

🟢 低風險 — 網路安全防護完善

🟢 低風險 — 其他

6.3 總體評級

🟢 低風險 — 專案展現出色的安全意識。net_safety.py 的 SSRF 防護、run_export_script.py 的 sandbox、read-only 設計、no-telemetry 政策，以及完整的 SECURITY.md 安全政策文件，均顯示此為生產等級的安全考量。唯 subprocess 使用較頻繁，建議部署時注意輸入來源可控性。

7. FAQ 常見問題

Q1: 需要多少 LLM API 成本？

完整 DD 的成本取決於文件數量與模型選擇。dd-agents cost <run_dir> 可查看詳細的 per-provider、per-model 成本明細。使用 --model-profile economy + --quick-scan 可大幅降低成本。

Q2: 支援哪些文件格式？

PDF、Word (.docx)、Excel (.xlsx，含公式稽核)、PowerPoint (.pptx)、圖片（vision-based OCR）、音檔（Whisper 轉錄）。受密碼保護的 Excel 會標記為 [PASSWORD-PROTECTED SPREADSHEET]。

Q3: 可以自訂 agent 嗎？

可以。三種方式：

1. deal-config.json：啟停特定領域 agent
2. Prompt 客製化：覆寫 prompt template（per-deal 或 per-agent）
3. 外部 agent 擴充：透過 pip entry-point dd_agents.specialists 註冊自訂 agent

Q4: 可以用 AWS Bedrock 或 Google Vertex 嗎？

可以。v1.14.0 起支援 per-agent provider routing，不同 agent 可路由到不同 provider。設定在 deal-config.json 的 agent_models 欄位。

Q5: Pipeline 失敗可以恢復嗎？

可以。使用 --resume-from <step> 從指定步驟恢復，已完成的步驟不會重跑。

Q6: 如何確保報告品質？

管線內建 5 個 blocking quality gate + 31 個 QA checks。Judge agent 對抗性驗證 specialist 發現。品質不達標時管線停止，不會產出不可靠的報告。

Q7: 資料會外洩嗎？

不會。所有分析在本機執行。文件內容只作為 LLM API 呼叫發送到你設定的 LLM endpoint。不蒐集遙測、不外傳分析結果。API key 僅從環境變數讀取，不寫入任何輸出。

8. 進階技巧與最佳實踐

8.1 資料室準備

1# 先評估資料室品質
2dd-agents assess ./data_room
3
4# 常見建議：
5# - 解壓 .zip/.rar 後再跑管線
6# - 確保 PDF 不是純圖片掃描（否則需 OCR）
7# - Excel 公式完整（不要只貼值）
8# - 檔案命名含公司名或主體名（有助 entity resolution）

8.2 多案平行管理

1# 建立投資組合追蹤
2dd-agents portfolio add "Deal Alpha" --data-room ./alpha/
3dd-agents portfolio add "Deal Beta" --data-room ./beta/
4
5# 每個 deal 的 Knowledge Base 獨立累積

8.3 成本最佳化

• Quick scan 先行：先跑 --quick-scan --model-profile economy，GREEN 才跑完整
• Per-agent routing：高風險領域用高階模型，低風險用經濟模型
• Vision cost 追蹤：v1.16.0 起自動計入 vision extraction 的 LLM 花費
• Cost reader：dd-agents cost <run_dir> 顯示 per-provider breakdown

8.4 CI/CD 整合

1# JSON 輸出 + jq 判斷
2VERDICT=$(dd-agents assess ./data_room --json | jq -r '.verdict')
3if [ "$VERDICT" = "RED" ]; then
4  echo "Data room quality too low"
5  exit 1
6fi

8.5 自訂 Prompt 客製化

1# 專案層級客製化
2.dd-agents/
3  customization/
4    legal.md       # 覆寫 Legal agent prompt
5    finance.md     # 覆寫 Finance agent prompt

9. 整合進其他工作流

9.1 與 LiteLLM Gateway 搭配

1# examples/litellm-gateway/config.yaml
2model_list:
3  - model_name: claude-sonnet
4    litellm_params:
5      model: anthropic/claude-sonnet-4-20250514

讓多個 agent 共享 LiteLLM gateway，統一管理 rate limit 和 fallback。

9.2 與 Agno 框架整合

專案提供 examples/agno-bindu/ 範例，展示如何將 DD agent 嵌入 Agno agent 框架。

9.3 MCP Server 模式

1# 啟動 MCP server（供其他 AI 工具呼叫）
2dd-agents mcp-server

工具清單包含：search_in_file、get_page_content、verify_citation、validate_finding、resolve_entity、extract_document、read_office 等。

9.4 與 CI/CD Pipeline 整合

1# GitHub Actions 範例
2- name: DD Assessment
3  run: |
4    pip install 'dd-agents[pdf]'
5    dd-agents assess ./data_room --json > assessment.json
6    dd-agents run deal-config.json --quick-scan --json

10. 重點摘要 Checklist

• 安裝 dd-agents[pdf] 並設定 LLM provider 環境變數
• 用 dd-agents doctor 驗證安裝
• 準備 deal-config.json（buyer / target / 領域設定）
• 先用 dd-agents assess 評估資料室品質
• Quick scan 先行：--quick-scan --model-profile economy
• 完整分析：dd-agents run deal-config.json
• 檢視 HTML 報告：_dd/forensic-dd/runs/latest/report/dd_report.html
• 互動問答：dd-agents chat --report runs/latest
• 檢查成本：dd-agents cost runs/latest
• 了解 13 agent 架構：9 specialists + 4 orchestration
• 了解 5 blocking quality gate + 31 QA checks
• 合約搜尋：dd-agents search prompts.json
• 多案管理：dd-agents portfolio

11. 進一步閱讀

官方文件

• Getting Started
• CLI Reference
• Running the Pipeline
• Model Providers
• Deal Configuration
• Reading the Report
• Agent Anatomy
• Agent Customization
• Knowledge Architecture
• Search Guide
• System Card
• Eval Datasheet

背景知識

• M&A 失敗率研究 — 31% M&A 失敗可追溯至 DD 不足
• AI 合約分析準確率 — 95% accuracy with clause-aware prompting
• Deloitte 2025 M&A Trends — 86% M&A 組織已整合 GenAI

12. 與 AI-Knowledge Template (AIKT) 的關聯性

12.1 AIKT Layer 22 (company-intel) vs. due-diligence-agents 比較

AIKT 的 Layer 22（company-intel）與本專案同屬「公司盡職調查」領域，但設計哲學、執行方式與輸出格式有顯著差異：

12.2 互補性分析

這兩個工具在 DD 流程中處於不同階段，互補性極高：

 1┌─────────────────────────────────────────────────────────┐
 2│                M&A DD 工作流程                           │
 3│                                                         │
 4│  Phase 1: 標的篩選     Phase 2: 初步 DD      Phase 3: 深度 DD   │
 5│  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐   │
 6│  │ AIKT L22     │    │ dd-agents    │    │ dd-agents    │   │
 7│  │ company-intel│───>│ --quick-scan │───>│ full run     │   │
 8│  │              │    │              │    │              │   │
 9│  │ 公開情資收集  │    │ Red Flag     │    │ 13 agent     │   │
10│  │ 7-phase      │    │ Triage       │    │ 38-step      │   │
11│  │ 5-15 min     │    │ 5-10 min     │    │ 30-120 min   │   │
12│  └──────────────┘    └──────────────┘    └──────────────┘   │
13│                                                         │
14│  決策: GO/HOLD/NO-GO  決策: GREEN/YELLOW/RED  決策: Go/No-Go   │
15└─────────────────────────────────────────────────────────┘

Phase 1 → Phase 2 的資訊傳遞：AIKT Layer 22 的公開情資（競爭對手、團隊背景、技術評估、風險初判）可直接寫入 deal-config.json 的 buyer.notes 與 target.notes，讓 dd-agents 的 Acquirer Intelligence agent 有更好的 context。

Phase 2 → Phase 3 的漏斗效果：dd-agents 的 --quick-scan 產出 GREEN / YELLOW / RED，與 AIKT Layer 22 的 GO / HOLD / NO-GO 形成雙重篩選，減少無效的完整 DD 投入。

12.3 整合建議

方案 A：串接工作流（推薦）

1. 用 AIKT dd: <公司名> 做公開情資收集
2. 將 Layer 22 的 markdown 產出中的關鍵發現，摘錄到 deal-config.json
3. 用 dd-agents run --quick-scan 做初步 triage
4. GREEN 時啟動完整 dd-agents run

方案 B：雙向知識補充

• dd-agents 的完整 DD 報告（HTML / Excel）可用 AIKT 的 docling: 萃取為 markdown，再用 pq: 做 RAG 問答
• dd-agents 的 Deal Knowledge Base 可作為 AIKT paper-qa-lite 的知識來源

方案 C：AIKT 新 Layer 構想

未來可考慮將 dd-agents 作為 AIKT 的 Layer 23 正式整合：

• 前綴 dd-run: <deal-config路徑> 觸發完整管線
• 產出自動走 quarkdown 排版 + Discord 打包
• Deal Knowledge Base 與 AIKT 的 graphify 知識圖合併

12.4 方法論差異

12.5 總結

due-diligence-agents 填補了 AIKT Layer 22 在「深度 DD + 機密文件分析」的空白。Layer 22 擅長快速、低成本的公開情資收集；due-diligence-agents 擅長深度、法醫等級的機密文件交叉分析。兩者串接可形成完整的 M&A DD 工作流，從標的篩選到最終 Go/No-Go 決策，覆蓋整個盡調生命週期。

來源: https://github.com/zoharbabin/due-diligence-agents (v1.17.0, Apache-2.0) 最後更新: 2026-06-23 AIKT 版本: AI-Knowledge Template v1, Layer 22 (company-intel)