dd-agents

Agentes de Due Diligence

Jurídico sinaliza um risco. Financeiro sinaliza outro. Nós conectamos e citamos. Due diligence forense de M&A open-source — 13 agentes de IA leem todo o seu data room em 9 domínios, cruzam descobertas que nenhum revisor individual conecta e rastreiam cada uma até uma página e citação exatas.

Construído por Zohar Babin

Veja um relatório de exemplo — saída HTML interativa de um negócio sintético, sem necessidade de instalação.

📑 Deck de demonstração

▶ Abra a demonstração interativa → · 23 slides · arquitetura, síntese entre domínios, camada de confiança e ROI · use ←/→ para navegar, N para notas do apresentador

Encontra o que fica enterrado em centenas de contratos — cruza referências em 9 domínios especializados (Jurídico, Financeiro, Comercial, ProductTech, Cibersegurança, RH, Tributário, Regulatório, ESG) — e rastreia cada descoberta até uma página, seção e citação exatas. Use a saída estruturada junto com seus assessores para criar memorandos de IC, relatórios de assessores, checklists de negociação ou planos de integração.

Testado em campo em múltiplas aquisições concluídas, não apenas em benchmarks sintéticos — cada gate de qualidade e camada de verificação abaixo foi moldado pelo que realmente quebrou em negócios reais.

Esta ferramenta não substitui assessores profissionais. Conclusões jurídicas, financeiras e regulatórias devem sempre ser feitas por profissionais qualificados. Esta ferramenta ajuda sua equipe e seus assessores a trabalhar mais rápido.

Por Que Isso Existe

Construí isso para resolver meu próprio problema. Como líder de corp dev, eu passava semanas montando o panorama entre domínios a partir de relatórios isolados de assessores — equipes jurídica, financeira e comercial sinalizando o mesmo assunto de forma independente, sem ninguém conectar os pontos. Uma cláusula de rescisão em um contrato e um risco de concentração de receita no mesmo assunto seriam sinalizados em fluxos de trabalho separados, quando sinalizados.

Os números contam a história:

• 31% das falhas de M&A têm origem em deficiências de due diligence — Acquisition Stars, citando pesquisas da HBR, McKinsey e KPMG
• Os prazos de DD continuam comprimindo — o que costumava ser um processo de seis semanas vira três semanas, sem redução de escopo — Spellbook
• Equipes de corp dev triam 200-1.000+ empresas/ano, mas fecham apenas 1-10 — uma taxa de conversão de 1-3%, com custos de DD perdidos em cada negócio que não fecha — CorpDev.AI
• A análise de contratos por IA atinge 95% de precisão com prompting ciente de cláusulas (acima da linha de base de 74%) — Addleshaw Goddard RAG Report, 510 contratos testados
• 86% das organizações de M&A integraram GenAI aos fluxos de trabalho de negócios — Deloitte 2025 M&A Trends

Esta ferramenta executa todos os nove fluxos de trabalho em paralelo em cada documento, cruza descobertas automaticamente e produz análise estruturada que sua equipe pode pesquisar, filtrar e explorar — o tipo de panorama entre domínios que costumava levar semanas para montar manualmente.

Quem usa isso: Equipes de corp dev triando alvos, firmas de PE executando DD de portfólio, equipes jurídicas fazendo revisão de contratos, assessores acelerando fluxos de trabalho. Qualquer pessoa que precise pesquisar centenas de contratos e conectar descobertas entre domínios — já foi executado em aquisições reais, não apenas em data rooms de demonstração.

O Que Você Pode Fazer

Pipeline Completo — Due Diligence Integrada

dd-agents run deal-config.json

Analisa cada documento por meio de 9 lentes de domínio, cruza descobertas e valida a qualidade por meio de 5 gates bloqueantes. Produz:

• Relatório HTML interativo — veredito Go/No-Go com narrativa executiva, divulgação progressiva (decisão → ações → detalhes do domínio → evidências completas), filtragem por severidade e uma seção de biblioteca de cláusulas que agrupa descobertas por tipo canônico de cláusula (mudança de controle, rescisão, indenização e mais) com comparações às normas de mercado
• Relatório Excel de 16 abas — descobertas estruturadas, referências cruzadas, trilha de auditoria para modelagem downstream
• Descobertas JSON por assunto — cada descoberta com severidade, citações, referências cruzadas e arestas do grafo de governança

Quick Scan — Triagem de Bandeiras Vermelhas em Minutos

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

Sinal VERDE / AMARELO / VERMELHO em 8 categorias de destruidores de negócios. Obtenha uma primeira leitura antes de se comprometer com a análise completa.

Busca em Contratos — Perguntas Direcionadas, Sem Pipeline Completo

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

Faça perguntas específicas em todos os contratos e obtenha um relatório Excel com respostas, citações e pontuações de verificação. O arquivo de prompts é JSON simples que qualquer profissional jurídico pode escrever:

{
  "name": "Change of Control Analysis",
  "columns": [
    {
      "name": "Consent Required",
      "prompt": "Does this agreement require consent upon a change of control? Answer YES, NO, or NOT_ADDRESSED."
    }
  ]
}

Veja examples/search/ para modelos prontos para uso.

Ferramentas Pós-Execução

dd-agents chat --report _dd/forensic-dd/runs/latest         # Interactive multi-turn chat with memory
dd-agents query --report _dd/forensic-dd/runs/latest        # Ask questions about findings
dd-agents cost _dd/forensic-dd/runs/latest                  # Per-provider / per-model cost rollup
dd-agents assess ./data_room                                # Check data room quality
dd-agents portfolio add "Deal A" --data-room ./data_room_a  # Track multiple deals
dd-agents portfolio compare                                 # Compare risk across deals
dd-agents export-pdf report.html                            # Export to PDF
dd-agents log --data-room ./data_room                       # Browse the deal knowledge timeline
dd-agents lineage --data-room ./data_room                   # Trace finding evolution across runs
dd-agents diff run_a/ run_b/                                # Compare findings between two run directories
dd-agents health --data-room ./data_room                    # Check knowledge base integrity
dd-agents annotate --data-room ./data_room "Confirmed with counsel"  # Add analyst notes

Sirva um relatório concluído pela rede. examples/agno-bindu/ expõe um relatório concluído como um agente A2A conversacional Bindu — pergunte a ele por contagens de P0, riscos de domínio ou a cláusula citada exata. Exemplo contribuído pela comunidade; não afiliado ou endossado pelos mantenedores.

Personalize os Agentes (sem necessidade de código)

Inspecione, audite e ajuste a persona, as áreas de foco e a calibração de severidade de cada especialista — editando markdown, não Python. Regras de segurança nunca podem ser removidas.

dd-agents agents list                          # See every specialist and its status
dd-agents agents describe --agent legal        # Read an agent's persona + safety floor
dd-agents agents validate ./my-project         # Lint your dd-config/ customizations
dd-agents agents preview --agent legal --project-dir ./my-project  # Exact assembled prompt

Coloque um dd-config/agents/legal.md ao lado da configuração do seu negócio para substituir personas, adicionar áreas de foco ou ajustar a severidade — opcionalmente herdando um perfil de tipo de negócio incluído (saas, regulated-fintech, …). Veja Personalização de Agentes.

Início Rápido

Pré-requisitos: Python 3.12+ e uma chave de API Anthropic.

# 1. Install
pip install 'dd-agents[pdf]'

# 2. Set your API key
export ANTHROPIC_API_KEY="sk-ant-..."

# 3. Generate a deal config (AI scans the data room and infers entity aliases, focus areas)
dd-agents auto-config "Buyer Corp" "Target Inc" --data-room ./data_room

# 4. (Optional) Pre-flight: verify provider/model routing + validate the config
dd-agents doctor --config deal-config.json

# 5. Run the analysis
dd-agents run deal-config.json

git clone https://github.com/zoharbabin/due-diligence-agents.git
cd due-diligence-agents
pip install -e ".[dev,pdf]"

A saída aparece em {data_room_path}/_dd/forensic-dd/runs/latest/report/dd_report.html — abra no seu navegador.

Ainda não tem chave de API? Gere uma configuração sem nenhuma chamada de API: dd-agents init --data-room ./data_room

{
  "config_version": "1.0.0",
  "buyer": { "name": "Acme Corp" },
  "target": { "name": "Target Inc" },
  "deal": { "type": "acquisition", "focus_areas": ["change_of_control", "ip_ownership"] },
  "data_room": { "path": "./data_room" }
}

Veja o guia de Introdução para uma demonstração completa com o data room de exemplo incluído.

export ANTHROPIC_API_KEY="sk-ant-..."

cp .env.example .env
# Edit .env and add your key

export CLAUDE_CODE_USE_BEDROCK=1
export AWS_PROFILE=default
export AWS_REGION=us-east-1

data_room/
  SubjectGroup_A/
    Acme_Corp/
      master_agreement.pdf
      amendment_2024.pdf
    Beta_Inc/
      license_agreement.pdf
  SubjectGroup_B/
    Gamma_LLC/
      services_contract.docx
  _reference/                    # Optional: buyer overview, customer database, etc.
    buyer_overview.pdf

Como Funciona

  Data Room (PDFs, Word, Excel, Images)
       │
       ▼
  ┌─────────────────────────────────────┐
  │        Python Orchestrator          │
  │         38-step pipeline            │
  │       5 blocking quality gates      │
  └──────────────┬──────────────────────┘
                 │
    ┌────────────┼────────────┐
    │            │            │
    ▼            ▼            ▼
 ┌──────┐  ┌────────┐  ┌──────────┐  ┌──────────┐  ┌─────────────┐
 │Legal │  │Finance │  │Commercial│  │ProductTech│ │Cybersecurity│
 │Agent │  │ Agent  │  │  Agent   │  │  Agent   │  │   Agent     │
 └──┬───┘  └───┬────┘  └────┬─────┘  └────┬─────┘  └──────┬──────┘
    │          │            │             │               │
 ┌──┴──┐  ┌────────┐  ┌─────┴──────┐  ┌───┴──┐    ┌───────┴─────┐
 │ HR  │  │  Tax   │  │ Regulatory │  │ ESG  │    │  + External │
 │Agent│  │ Agent  │  │   Agent    │  │Agent │    │   Agents    │
 └──┬──┘  └───┬────┘  └──────┬─────┘  └───┬──┘    └───────┬─────┘
    │         │              │            │               │
    └─────────┴───────┬──────┴────────────┴───────────────┘
                      │
              ┌───────▼────────┐
              │  Cross-Domain  │  ← Symbolic trigger rules detect
              │   Analysis     │    inter-domain dependencies
              └───────┬────────┘
                      │
              ┌───────▼────────┐
              │  Judge Agent   │  ← Validates findings
              │  (optional)    │
              └───────┬────────┘
                      │
              ┌───────▼────────┐
              │  Merge & Audit │  ← Dedup, numerical checks,
              │  31 QA checks  │    citation verification
              └───────┬────────┘
                      │
              ┌───────▼────────┐
              │   Executive    │  ← Severity calibration,
              │   Synthesis    │    Go/No-Go signal
              └───────┬────────┘
                      │
                      ▼
            HTML + Excel + JSON

Os 13 agentes

9 especialistas de domínio analisam cada documento em paralelo — cada um é dono de um domínio e rastreia descobertas até citações exatas (veja O Que É Analisado para áreas de foco por domínio):

4 agentes de orquestração e síntese transformam descobertas brutas em uma decisão:

São 13 agentes de IA no total. Os especialistas são orientados por configuração — ative/desative por negócio via deal-config.json — e especialistas externos podem ser adicionados via entry-points do pip sem modificar o código principal.

Lentes de aprofundamento integradas (não são agentes separados): três especialistas carregam áreas de foco extras que atuam como passagens mais profundas dentro de seu domínio — Seguros (dentro de Financeiro), Operações (dentro de Comercial) e IP Deep / liberdade de operação (dentro de Jurídico). Elas aparecem como categorias próprias no relatório, mas são executadas dentro do especialista pai, então não aumentam a contagem de agentes.

O pipeline para em falhas de qualidade em vez de produzir saída não confiável. Execuções podem ser retomadas de qualquer etapa.

Segurança e Privacidade

• Execução local — toda a análise é executada na sua máquina. Os documentos só saem da sua máquina como chamadas de API para o endpoint de LLM configurado — API Anthropic, AWS Bedrock, Google Vertex AI ou um gateway compatível com Anthropic para o qual você o aponte. Veja Provedores de Modelo.
• Sem telemetria — a ferramenta não faz phone home, não coleta dados de uso nem envia análises para lugar nenhum.
• Somente leitura — a ferramenta nunca modifica arquivos no seu data room. A saída é gravada em um diretório _dd/ separado.
• Sem credenciais persistentes — as chaves de API são lidas de variáveis de ambiente ou arquivos .env, nunca armazenadas em artefatos de saída.

Veja SECURITY.md para a política de segurança completa, relato de vulnerabilidades e detalhes de tratamento de dados.

O Que É Analisado

Saída do Pipeline

_dd/forensic-dd/
  index/text/                     # Extracted document text (cached across runs)
  inventory/                      # File discovery and company registry
  runs/
    latest/                       # Always points to the most recent run
      findings/
        legal/                    # Per-subject findings from each agent
        finance/
        commercial/
        producttech/
        merged/                   # Deduplicated cross-domain findings
      report/
        dd_report.html            # Interactive HTML report
        dd_report.xlsx            # 16-sheet Excel report
      audit.json                  # 31 quality validation checks
      numerical_manifest.json     # Every financial figure traced to source
      metadata.json               # Run metadata and API costs
  knowledge/                      # Deal Knowledge Base (compounds across runs)
    articles/                     # Structured knowledge articles
    chronicle.jsonl               # Append-only timeline of all events
    graph.json                    # Cross-reference knowledge graph
  entity_resolution_cache.json    # Company name matching (reused across runs)

Instalação

pip install 'dd-agents[pdf]'      # Recommended (includes PDF extraction via pymupdf)

# macOS (Homebrew)
brew install zoharbabin/due-diligence-agents/dd-agents

# Docker
docker pull zoharbabin/due-diligence-agents:latest

# Extras
pip install dd-agents           # Core only (no PDF extraction)
pip install 'dd-agents[vector]'   # + semantic search via ChromaDB
pip install 'dd-agents[ocr]'      # + OCR for scanned documents (English)
pip install 'dd-agents[glm-ocr]'  # + multilingual OCR (100+ languages, Apple Silicon)

# Pre-built image (recommended)
docker pull zoharbabin/due-diligence-agents:latest
docker run -e ANTHROPIC_API_KEY="sk-ant-..." \
  -v ./data_room:/workspace/data_room \
  -v ./deal-config.json:/workspace/deal-config.json \
  zoharbabin/due-diligence-agents run deal-config.json

# Or build from source
docker build -t dd-agents .
docker run -e ANTHROPIC_API_KEY="sk-ant-..." \
  -v ./data_room:/workspace/data_room \
  -v ./deal-config.json:/workspace/deal-config.json \
  dd-agents run deal-config.json

Licenciamento

Todas as dependências principais usam licenças de código aberto permissivas (Apache 2.0, MIT, BSD). O extra opcional [pdf] instala o pymupdf, que é licenciado sob AGPL-3.0 — se você redistribuir software que empacota o pymupdf, os termos de copyleft da AGPL se aplicam à sua distribuição. Usá-lo internamente ou como ferramenta não aciona o copyleft.

Documentação

Contribuindo

Consulte CONTRIBUTING.md para configuração de desenvolvimento, estilo de código e processo de PR.

Imprensa e Cobertura

Histórico de Estrelas

Se este projeto for útil para você, considere dar uma estrela — isso ajuda outras pessoas a descobri-lo.

Licença

Apache 2.0. Consulte LICENSE.