Due Diligence Agents
开源法证式并购尽调系统：13 个 AI Agent 跨 9 大领域读取数据室，交叉引用单名审查员发现不了的风险，并将每条结论追溯到精确页码与原文引用。
- Star 数
- ★ 111
- 最近更新
- 1 个月前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 72/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 公司发展团队在筛选数百个目标公司时，用
--quick-scan在几分钟内获得 GREEN/YELLOW/RED 交易红旗信号，决定是否投入完整尽调。 - 不适合
- 期望以专业顾问结论替代人工法律/财务判断的用户
- 非 Python 3.12+ 环境且无法调整运行时的组织
- 源码审查
- 72/100 · 存在缺口
这个 Agent 能做什么，适合哪些场景？
Due Diligence Agents 是一个开源的并购尽职调查系统，通过 `dd-agents` CLI 读取整个数据室（PDF、Word、Excel、PowerPoint、图片），由 9 个领域专家 Agent（法律、财务、商务、技术、网络安全、人力资源、税务、监管、ESG）并行分析每份文档。38 步流水线包含 5 道阻塞式质量关卡，跨领域分析用符号触发规则检测领域间依赖，另有 Judge、执行综合、红旗扫描等 4 个编排 Agent。每条发现都带严重级别、精确引用和交叉引用，最终产出交互式 HTML 报告、16 页 Excel 报告和逐主体 JSON 发现。分析在本地执行，文档仅作为 API 调用发送到所配置的 LLM 端点，无遥测、只读数据室。该项目由 Zohar Babin 构建，作者称已在多起真实收购中实战验证。
核心流程：用 dd-agents run deal-config. 启动分析，Python 编排器运行 38 步流水线，9 个领域专家 Agent 并行审查数据室中每份文档，各自把发现追溯到精确页码、章节和引文。跨领域分析层用符号触发规则检测互域依赖（如某合同的终止条款与同一主体的收入集中风险），可选 Judge Agent 对发现做对抗式抽检，合并与审计阶段执行去重、数值核对、引文验证共 31 项 QA 检查，最后由执行综合 Agent 校准严重级别并给出 Go/No-Go 信号。输出位于 {data_room_path}/_dd/forensic-dd/runs/latest/，包含 report/dd_report.html（交互式 HTML 报告，含条款库与市场常态对比）、report/dd_report.xlsx（16 页 Excel）、audit. 和逐主体 JSON。配套工具：dd-agents search prompts. --data-room ./data_room 可对合同提问并生成带引用的 Excel；--quick-scan 提供 GREEN/YELLOW/RED 快速筛查；还有 chat、query、cost、portfolio compare、diff、lineage 等后处理命令。Agent 人格可用 dd-config/agents/*.md Markdown 文件定制而无需改代码。
- 公司发展团队在筛选数百个目标公司时，用
--quick-scan在几分钟内获得 GREEN/YELLOW/RED 交易红旗信号，决定是否投入完整尽调。 - 私募股权团队对投资组合标的运行完整流水线，用
dd-agents portfolio add和portfolio compare跨多个交易追踪和比较风险。 - 法务团队用
dd-agents search和 JSON prompts 文件对几百份合同提问（如变更控制是否需同意），得到带引用和验证分数的 Excel 答案表。 - 交易团队在准备 IC 备忘录或谈判清单时，用交互式 HTML 报告按严重级别筛选发现，并逐条核验到精确页码与引文。
- 并购顾问在多周限期内需要跨法律、财务、商务领域的交叉风险图景，替代人工汇总各自独立的顾问报告。
如何安装或部署这个 Agent？
前置要求：Python 3.12+ 和 Anthropic API 密钥（或 AWS Bedrock、Google Vertex AI、Anthropic 兼容网关）。
推荐安装（含 PDF 提取）：
bash
pip install 'dd-agents[pdf]'其他方式：
bash
brew install zoharbabin/due-diligence-agents/dd-agents
docker pull zoharbabin/due-diligence-agents:latestpip install dd-agents # 仅核心（无 PDF 提取）
pip install 'dd-agents[vector]' # + ChromaDB 语义搜索
pip install 'dd-agents[ocr]' # + 扫描件 OCR（英文）
注意：可选的 [pdf] extra 安装 pymupdf，其为 AGPL-3.0 许可，若再分发捆绑 pymupdf 的软件需遵守 AGPL 条款。
如何使用这个 Agent？
设置 API 密钥并运行：
bash
export ANTHROPIC_API_KEY="sk-ant-..."
dd-agents auto-config "Buyer Corp" "Target Inc" --data-room ./data_roomdd-agents doctor --config deal-config.
dd-agents run deal-config.
结果在 {data_room_path}/_dd/forensic-dd/runs/latest/report/dd_report.html，浏览器打开即可。
快速筛查（不跑完整流水线）：
bash
dd-agents run deal-config. --quick-scan --model-profile economy无 API 密钥时仅生成配置：
bash
dd-agents init --data-room ./data_room数据室按主体/交易对手分文件夹组织，支持 PDF、Word、Excel、PowerPoint 和图片，扫描 PDF 通过 OCR 处理。最小配置只需 config_version、buyer.name、target.name、deal.type、deal.focus_areas 和 data_room.path 字段。
这个 Agent 有哪些优点和局限？
- 跨领域交叉引用是其核心差异点：符号触发规则自动连接不同领域对同一主体的发现（如终止条款+收入集中风险），这是单名审查员容易漏掉的。
- 信任层扎实：31 项 QA 检查、5 道阻塞式质量关卡失败即中止流水线、
numerical_manifest.将每个财务数字溯源到源文档、每条发现绑定精确页码与引文。 - 无供应商锁定：模型与提供商均可通过环境变量切换（Anthropic API、AWS Bedrock、Google Vertex AI 或任意 Anthropic 兼容网关后的 GPT/Gemini/DeepSeek/本地模型），可用
dd-agents doctor验证。 - 隐私设计明确：本地执行、无遥测、数据室只读、API 密钥不写入输出产物；Agent 人格用 Markdown 定制且安全规则不可移除。
- 需要 Python 3.12+ 并付费调用 LLM API，长数据室的完整流水线会产生可观的 token 成本（可用
dd-agents cost查看分模型账单，但源材料未给出典型费用范围）。 - 可选的
[pdf]extra 依赖 AGPL-3.0 的 pymupdf，若再分发捆绑该组件的软件会触发 copyleft 义务。 - 明确的定位声明：该工具不替代专业顾问，法律、财务、监管结论仍须由合格专业人士做出。
- 按模型提供商计费意味着文档内容会以 API 调用形式发送到所配置的云端 LLM 端点，对数据敏感的交易需要审查 SECURITY.md 中的数据处理细节。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Due Diligence Agents 当前 | 72 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 111 | 1 个月前 | Python | Claude API |
| SwarmVault | 67 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 696 | 2 个月前 | TypeScript | Codex · Claude Code |
| PipesHub 企业 AI 上下文平台 | 66 · 存在缺口 | 自托管服务免费 + 模型费 | ★ 3.8k | 2 天前 | Python | — |
| LLM Wiki Agent | 52 · 缺口较多 | Agent 插件 / 技能免费 + 模型费 | ★ 3.6k | 6 天前 | Python | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示本地执行、只读数据室、无遥测、API密钥仅存环境变量/.env、有Bash防护与SSRF限制（SECURITY.md）。但以上均为README/SECURITY的声明，源文件中未见实现代码（如Bash guard的实现），user_confirmation未见任何需用户确认的机制；扣分点：关键安全声明无代码佐证，缺少显式确认门槛。
CI分层完善（lint/mypy strict/单测/集成/E2E），有超时保护与mock基础设施，支持resume与可恢复步骤；但失败路径的用户可读错误信息（failure_messages）在文件中无直接证据，仅见halt-on-quality-failure的描述；扣分点：错误消息质量未展示。
面向corp dev/PE/法律团队场景描述清晰，支持多provider（Anthropic/Bedrock/Vertex/网关）、多安装方式、agent自定义；但trigger_precision（跨域符号触发规则）仅有一句描述，无规则细节；扣分点：触发规则不可静态验证。
结构清晰：文档表、示例、CHANGELOG链接、语义化版本1.18.0、Apache-2.0全文、pyproject规范、AGPL-3.0（pymupdf）依赖许可风险主动披露；扣分点：维护责任仅为个人开发者声明，无治理/多维护者证据，changelog内容本身未在文件中展示。
输出形态多样（HTML/Excel/JSON、quick-scan、post-run工具链），有样例报告与演示；成本有per-provider rollup与economy profile，但无具体成本估算数据；扣分点：成本效益仅有间接证据。
核心卖点为每条发现溯源到页码与原文引用，有citation fixture、audit.、numerical_manifest.佐证设计意图；但fact与推断的分离（fact_inference_separation）在文件中无明确schema说明，cross_source_corroboration（31项QA检查）仅是描述；扣分点：验证机制的实现细节未提供。
- 安全声明（Bash guard、SSRF限制、无遥测）在本次静态审查文件中未见实现代码，应自行审计源码验证。
- 所有数据室文档会作为LLM API调用发送到所配置的模型端点，敏感交易文件出境风险需自行评估；第三方网关配置会改变数据流向。
- 可写markdown自定义agent人格但据称安全底线不可移除——该不可移除性未经代码验证。
- 维护者为单一个人，长期维护与漏洞响应能力有限；SECURITY.md承诺48小时响应属个人承诺。
- AGPL-3.0的pymupdf为可选依赖，再分发捆绑时需注意copyleft义务。
- 项目自称'battle-tested across multiple completed acquisitions'，此说法无法静态核实，不应作为采购依据。
常见问题
分析过程中我的数据会离开本机吗？
必须用 Anthropic 的模型吗？
dd-agents doctor 可验证配置。运行成本如何？
--quick-scan 配合 --model-profile economy 提供低成本初筛；dd-agents cost 可按提供商/模型统计每次运行的账单。数据出问题或质量不达标会怎样？
dd-agents assess ./data_room 可在上传前检查数据室质量。