Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx agentmods add skills/eddmpython/dartlab/panelnpx skills add eddmpython/dartlab --skill panelgit clone --depth 1 https://github.com/eddmpython/dartlabWhat it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5 | $0.00000 | $0.11985 |
| Opus 5 | $0.00000 | $0.05993 |
| Sonnet 5 | $0.00000 | $0.02397 |
| Haiku 4.5 | $0.00000 | $0.01199 |
Grade A, and why
panel scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 2d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 514 lines — stays where its author put it; the contents beside it link to each section on GitHub.
엔진 역할
panel 은 DART 공시 본문을 정부 표준 XBRL 분류(canonicalKey) 뼈대 위에서 항목(행) × 기간(열)
wide 로 수평화하는 엔진이다. 양식(era)·회사마다 흔들리는 ACLASS·제목을 기간 간 정렬 가능한
형태로 고정한다. Panel(code) / c.panel 을 잡는 순간 그 회사의 큰 분기별 시계열 wide
pl.DataFrame 이 된다 (Panel 은 pl.DataFrame subclass).
핵심 설계:
- 정렬키 = native canonicalKey —
disclosureKey는 정부 발행 ACLASS(DART XBRL 표준 Link Role)를 scope-strip 한 순수함수 산출(mapper.canonicalKey, BS_C→BS / NT_C_D826380→NT_D826380). 손매핑과 학습 없이 원천 표준 키를 유지한다. - 행 순서·계층 = 정부 서식 뼈대(spine) —
blockOrder는 보고서마다 0 리셋이라 read 가 재발견 못 하고canonicalKey는 정렬 가능 번호가 아니다 → 정부 문서 표시순서·트리를 빌드 시 1회 명시 spine 으로 굽는다.build.buildSpine이 기준 종목 한 회사(정부 표준 서식이라 reference 하나로 충분) 최신 사업보고서(Q4)를 raw 파싱 →rowIdentity(keyed=disclosureKey / narrative=NARR::chapter␟section)별 문서순서·parentKey →spine/spineData.py(생성 .py, git-diff 추적) 생성.read.readWide가SPINEdict 로(chapterRank 우선, spineOrder 차선)정렬 → 표지→I→II→III→재무→주석 정부순서(챕터 단위 그룹핑, '(첨부)' 본문 중간 삽입도 자기 챕터로 모음). 회사간 비교는disclosureKey(같은 항목 같은 키)로 — 회사간 순서 표준화/합의는 panel 책임 밖(scan 엔진의 cross-market 일).parentKey트리는 Phase 2 셀 세분화 토대. - TOC 표준 = SPINE 수렴 (라벨 통일) — TOC 는 최신 골격(SPINE)으로 고정하고, 과거 era 의 비슷한 섹션
명칭 변형을 표준 노드로 수렴한다.
read.anchorNarrativeToSpine3중 수렴(전부 bounded, 자유 fuzzy 0): ① 챕터-자기행 변형(로마/【 헤더, canonical 라벨=자기 chapter)→canonical 챕터 라벨 ② SPINE 제목코어 일치 = 표면 표기 정규화("6.배당 등"→"6.배당", 옛 번호→현행 번호) ③ 서식개정 era-alias (canonical/canonicalData.NARRATIVE_ERA_ALIASES, 운영자 수동 — 2018 외감법 V 재편: 옛 INS_* keyed 감사절 포함 "감사대상업무"→"1. 외부감사에 관한 사항" 등). keyed/narrative 균일 적용 — sectionLeaf 는 그룹핑 라벨(wide 식별=disclosureKey)이라 셀 식별 무손실(non-null 셀수 불변 게이트 실측). 같은 번호의 다른 항목(옛 I.5 의결권현황 vs 현행 I.5 정관)·1:N 구조분할(옛 "7. 증권의발행" vs 현행 7-1/7-2)· 현행 대응물 없는 단종 섹션(독립된 감사인의 감사보고서)은 등재 금지 — 분리 유지(honest, 병합=진짜 정보손실). 뷰어 TS 미러viewer/pipeline/narrativeSpine.ts·viewer/canonical.ts1:1 동기. - 매퍼 체계 (파일·구분·순서) — 수렴 매퍼는 새 파서 신설 없이 이 체계 안에서만 자란다:
① 데이터 SSOT =
canonical/canonicalData.py(운영자 수동: CANONICAL_L1 14챕터 키워드 · NARRATIVE_ERA_ALIASES 서식개정 alias · CERT_NODE_IDS) ② 챕터 수렴 =canonical.canonicalChapterExpr(sectionPath deepest + XII(상세표) 우선[상세표 자식 제목의 챕터 키워드 오배정 차단] + NT_→III) ③ 섹션 수렴 =read.sectionLeafConvergeExpr(단일 Expr SSOT — 자기행·SPINE 코어·era-alias) ④ 검열 =audit.auditToc— 전종목 lazy 스캔(projection 5컬럼)으로 ②③ 적용 후 잔존 불변식 위반 (misplacedDetail·duplicateNumber·selfVariant·coreVariant) 탐지. read 와 같은 Expr 공용이라 검열 결과 = 사용자가 보는 TOC 와 동형. 새 위반 발견 → 운영자가 ① 에 등재(자동 수정 금지). - 단일 패키지 자급 — schema·mapper·spine·build·read 가
providers/dart/panel/한 곳. 수집 (OpenDART API)은 이미providers/dart/openapi라 build 도 providers 가 자급 (gather panel 폐기). - BUILD/READ import 격리 — build(
build/, lxml/zipfile)는 무거운 zip→16col·spine 생산, read 표면 (panel.py·read.py·spine/)은 build 를 import 안 함 → read 표면 lxml 0 (콜드 <1s, R2). KR 정규화는 native canonicalKey 단독(bridge lookup 농장 0) — US cross-market 정규화는 후속(별도 설계, scan panel bridge 재사용). - 태그 무손실 — contentRaw = 원본 XML 그대로 저장. 기본 read 는 plain(태그 strip),
tag=True면 원본 XML (collapse 단계 1회 strip, raw wide 2중 materialize 회피).
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 2d ago First seen · 514 lines · 0 tokens per session scan A 6323c15f67cd
panel is a skill published in the GitHub repository eddmpython/dartlab (209 stars, last pushed 10d ago), licensed Apache-2.0. It costs nothing until one of its globs matches a file; then it loads 11,985 tokens. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-30.
Other skills, from other repositories
build_workspace_app
This guide covers the full lifecycle of building, running, and serving a custom OpenBB Workspace application from an extension project scaffolded by openbb-cookiecutter. It assumes the project shell already exists (see the developextension skill for scaffolding instructions).
configure_mcp_server
This guide covers installation, configuration, authentication, tool discovery, prompt management, and client integration for openbb-mcp-server.
develop_extension
This is a complete guide for creating a new OpenBB Platform extension from scratch. Follow every phase in order. When the user says "build me an application that does X", use this guide to scaffold, implement, install, and verify the extension.
work_with_server
This guide explains how to call tools, interpret responses, discover capabilities, use prompts, and handle errors when interacting with an OpenBB MCP server.
fin-data-acquisition
根据REFINEDDESIGN.md中的变量定义，自动获取所需数据并生成可执行的回归分析脚本（Python/Stata）。.
alphasift
自动选股 Skill。Use when: 用户要按策略筛选 A 股、列出可用策略、运行双低/放量突破/均衡多因子/资金热度等选股，或保存运行并做 T+N 后验评估。通过 alphasift CLI 或 Python 接口输出候选股票列表。.