Building a company due diligence Agent with Deep Agents

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Deep Agents와 Parallel로 기업 실사를 단계적으로 자동화하고, 출처·신뢰도·실행 추적으로 검증 가능한 보고서를 작성하는 구현 사례다.

📌 핵심 요약

• Deep Agents는 계획 수립·하위 에이전트 위임·맥락 관리를 담당하고, Parallel은 웹 조사와 Basis 기반 필드별 출처·추론 기록·신뢰도를 제공한다.
• 기업 개요, 재무 건전성, 소송·규제, 뉴스·평판, 경쟁 구도의 5개 조사를 병렬 수행한 뒤, 식별된 직접 경쟁사 3곳을 각각 독립된 맥락에서 병렬 분석한다.
• 조사 도구는 신뢰도가 낮은 필드를 low_confidence_warning으로 알리고, previous_interaction_id를 이용해 이전 조사 맥락을 유지한 후속 검증을 지원한다.
• 오케스트레이터는 조사 문서의 모순과 공백을 검토하고 추가 검색을 수행하며, 출처와 위험 신호를 포함한 보고서를 ./reports에 저장한다. Rivian Automotive 검증 사례에서는 pro-fast를 사용해 9회 호출에 약 23분이 걸렸다.
• 금융서비스의 감사 대응에는 주요 결론의 출처·신뢰도·사람의 검토 여부와 실행 과정의 재구성이 중요하다. 제공된 본문은 LangSmith 관측 가능성의 필요성을 설명하다가 로깅 항목에서 끝난다.

🧩 주요 포인트

1. 개 기초 조사와 직접 경쟁사 3곳의 후속 분석을 분리하는 구조 → 앞선 결과에 따라 조사 범위와 계획을 조정할 수 있다.
2. 필드별 출처와 low_confidence_warning을 조사 결과에 결합 → 불확실한 주장과 상충하는 정보를 후속 검증 및 사람의 검토 대상으로 드러낸다.
3. 조사 문서 저장과 실행 추적을 함께 강조 → 보고서의 결론뿐 아니라 생성 과정도 감사 근거가 되며, Rivian Automotive의 약 23분은 단일 검증 사례의 실행 결과다.

🧠 상세 정리

1. 기업 실사 자동화의 목적과 역할 분담

기업 실사는 사모펀드의 투자 후보 선별, 은행의 차입자 평가, 준법 조직의 신규 법인 심사, 보험사의 기업 고객 인수 심사 등 금융서비스 전반에서 반복되는 조사 업무다. 본문은 기업을 여러 관점에서 조사하고 모든 주장에 출처를 연결한 구조화된 정보 보고서를 만드는 공통 흐름을 자동화 대상으로 삼는다. 구현에서는 LangChain의 Deep Agents가 계획 수립, 하위 에이전트 위임, 맥락 관리를 맡고, Parallel의 Task API가 실제 웹 조사를 수행한다. Parallel은 Basis를 통해 필드별 인용, 추론 기록, 보정된 신뢰도 점수를 제공하며, 조사 중 새 질문이 생기면 이전 조사 스레드의 전체 맥락을 이어받아 후속 질의를 수행할 수 있다.

2. 5개 조사 축과 결과에 따른 계획 조정

첫 단계는 기업 개요, 재무 건전성, 소송·규제, 뉴스·평판, 경쟁 구도를 각각 전담 하위 에이전트에 맡기는 병렬 조사다. 기업 개요는 법인 구조와 경영진, 설립 이력, 인원과 거점을 다루며, 재무 건전성은 자금 조달 이력과 매출·가치평가·수익성의 신호를 조사한다. 소송·규제는 소송과 증권거래위원회 제출 자료, 제재 및 규제 조치 등을 살피고, 뉴스·평판은 최근 보도와 경영진 변화, 논란과 언론 논조를 검토한다. 이런 분리는 고정된 조사 순서를 뜻하지 않으며, 대상이 자회사로 드러나면 모회사까지 재무 분석을 확장하고 증권거래위원회 조사가 발견되면 위험 평가를 바꾸는 식으로 앞선 결과가 이후 계획에 영향을 준다.

3. 직접 경쟁사 식별 이후의 병렬 심층 분석

경쟁 구도 하위 에이전트는 대상 기업의 위치와 직접 경쟁사 상위 3곳을 식별하며, 그 명단이 반환된 뒤 두 번째 조사 단계가 시작된다. 오케스트레이터는 경쟁사마다 별도의 경쟁사 분석 하위 에이전트 인스턴스를 병렬로 호출하고, 각 인스턴스는 독립된 맥락에서 하나의 기업을 분석한다. 경쟁사 분석 지침은 원래 실사 대상과 경쟁사 이름을 받아 기업 개요, 최근 매출과 성장 신호, 자금 조달 또는 시가총액, 제품과 시장 내 위치, 최근 12개월의 전략적 움직임, 상대적 강점과 약점을 한 차례의 조사 호출로 요청하도록 한다. 결과는 경쟁사별 문서로 작성되므로 오케스트레이터가 이후 모든 조사 문서를 읽고 대상 기업과 경쟁사의 정보를 함께 종합할 수 있다.

4. 조사 도구의 출처 처리와 후속 검증

구현은 구조화된 심층 조사를 위한 research_task와 종합 과정의 빠른 사실 확인을 위한 ParallelWebSearchTool을 구분하며, research_task는 pro-fast 처리기를 사용하는 ParallelTaskRunTool을 감싼다. 호출자는 조사 질문과 원하는 출력 구조를 전달하고, 기존 조사에 이어 질문하려는 경우 previous_interaction_id도 함께 전달한다. 도구는 parse_basis로 필드별 인용과 신뢰도가 낮은 필드 이름을 추출한 뒤, 조사 결과와 citations_by_field, interaction_id를 반환한다. 신뢰도가 낮은 필드가 있으면 low_confidence_warning을 명시적으로 추가하며, 호출한 하위 에이전트는 이 경고와 반환된 식별자를 바탕으로 동일한 조사 스레드에서 후속 검증을 진행할 수 있다.

5. 전문 하위 에이전트의 지침과 조사 문서

각 조사 축의 하위 에이전트에는 해당 분야에 맞춘 시스템 지침과 research_task 접근 권한이 부여되며, 본문은 기업 개요 에이전트를 구체적인 예로 제시한다. 이 에이전트는 법인명과 설립 관할, 설립일, 최고경영자와 주요 임원의 직책 및 대략적인 재임 기간, 본사와 주요 사무소, 현재 인원과 최근 추세, 모회사와 주요 자회사를 조사하도록 지시받는다. 출력 설명에는 이 항목들을 구조화된 필드로 요청하고, 신뢰도 경고가 있으면 반환된 interaction_id를 이용해 표시된 필드를 후속 확인한다. 조사 결과는 필드별 인용과 함께 corporate-profile.md에 기록하며, 다른 첫 단계 에이전트도 각자의 전문 지침을 사용하는 같은 형태를 따른다고 설명한다.

6. 오케스트레이터의 교차 검토와 보고서 저장

오케스트레이터는 anthropic:claude-sonnet-4-6 모델과 검색 도구, 조사 하위 에이전트들로 구성되며, write_todos로 계획을 세운 뒤 두 단계의 조사 실행을 조정한다. 조사 이후에는 모든 문서를 읽고 모순, 낮은 신뢰도, 정보 공백을 확인하며, 종합 과정에서 드러난 불일치는 quick_search를 통한 추가 조회 대상으로 삼는다. 최종 보고서에는 경영진 요약, 기업 개요, 재무 개관, 소송·규제 위험, 뉴스·평판, 경쟁사별 분석을 포함한 경쟁 구도, 신뢰도와 검증 사항, 주요 위험 신호를 담도록 한다. 주요 주장에는 출처 URL을 붙이고 상충하는 정보는 양쪽 출처와 함께 명시하며, 낮은 신뢰도의 결과는 사람의 검증이 필요하다고 표시하고 조사 문서와 최종 보고서는 FilesystemBackend를 통해 ./reports에 보존한다.

7. 실행 사례와 진행 상황 스트리밍

실행 예시는 Rivian Automotive에 대한 전체 실사 보고서를 요청하는 사용자 메시지를 agent.invoke에 전달하고, 마지막 응답 내용을 출력하는 방식이다. 본문은 Rivian Automotive를 대상으로 전체 흐름을 검증했으며 pro-fast를 사용하는 조사에서 9회 호출에 약 23분이 걸렸다고 보고하고, 현재 요금은 Parallel 가격 정보를 참고하도록 안내한다. 장시간 실행의 진행 상황은 agent.stream으로 확인하며, 업데이트 스트림과 subgraphs=True를 사용하면 하위 에이전트 내부의 실행 이벤트도 받을 수 있다. 출력 예제는 이벤트의 네임스페이스에 따라 오케스트레이터와 하위 에이전트를 구분하므로 계획 수립, 도구 호출, 하위 에이전트 활동을 실행 중에 관찰할 수 있다.

8. 금융서비스에서 실행 추적이 필요한 이유

LangSmith 관측 가능성을 소개하는 부분은 금융서비스에서 규제기관, 감사인, 위험관리 조직이 중요한 의사결정에 영향을 준 인공지능 결과의 생성 과정을 재구성하려 한다는 점을 강조한다. 실행 후 수개월이 지나도 어떤 출처가 주요 결론을 뒷받침했는지, 신뢰도는 어떠했는지, 사람이 어디에서 검토하거나 결과를 수정했는지, 과정이 충분히 기록됐는지를 설명할 수 있어야 한다는 것이다. 본문은 언어 모델의 출력과 프롬프트 민감도, 공개 웹이 비결정성을 더하고 실제 조사 비용이 발생하므로 주요 주장을 일차 출처 및 명시적인 신뢰도와 연결하는 감사 가능한 기록이 중요하다고 설명한다. 운영 단계에서는 사전 시험이 잡지 못한 실패도 드러나며 실행 추적이 실행 이후 남는 근거라는 논점까지 제시하지만, 제공된 본문은 로깅 항목에서 끝나므로 구체적인 LangSmith 로깅 설정이나 실행 간 분석 기능은 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 조사 축의 병렬 실행과 결과를 기다린 뒤 시작하는 경쟁사 분석을 결합해, 처리의 병렬성과 조사 단계 사이의 의존성을 함께 반영한다.
• 출처와 신뢰도는 보고서에 붙는 참고 정보에 그치지 않고, 후속 조사 여부와 사람의 검증 필요성을 결정하는 입력으로 사용된다.
• 금융서비스 실사의 검증 가능성은 최종 보고서의 내용뿐 아니라 조사 문서, 상충 정보의 기록, 실행 이후에도 남는 추적 근거에 달려 있다.

✅ 액션 아이템

• 5개 기초 조사와 직접 경쟁사 3곳의 후속 분석을 구분하고, 앞선 결과에 따라 조사 범위 조정.
• low_confidence_warning이 표시된 필드는 previous_interaction_id를 활용해 후속 검증하고, 상충 정보와 사람의 검토 필요성을 보고서에 명시.
• ./reports의 조사 문서와 보고서에 결론의 출처·신뢰도를 연결하고, 실행 추적으로 생성 과정의 재구성 가능 여부 확인.

❓ 열린 질문

• 5개 기초 조사 결과 중 어떤 발견이 조사 범위와 계획의 조정을 요구하는가?
• low_confidence_warning이 발생한 필드 중 후속 검증 이후에도 사람의 검토가 필요한 항목은 무엇인가?
• Rivian Automotive 사례의 9회 호출과 약 23분이 다른 기업 실사에서도 재현되는가?