EdgarTools — SEC EDGAR 文件分析技能
用 Python 库把 SEC EDGAR 申报文件变成结构化数据：财务报表、内部人交易、机构持仓，几行代码即可获取。
该技能为只读 SEC EDGAR 查询，无文件写入、无网络外发（仅向 SEC 官方端点请求数据）、无凭据要求（SEC 仅要求署名身份，set_identity 数据流向透明且在文档中明确说明）。sharp-edges.yaml 显式披露速率限制、身份要求与错误语义，数据流向清晰。扣分项：发布者身份未经企业注册库验证；set_identity 收集用户邮箱并随请求发送至 SEC，虽为 SEC 强制要求，但技能未明示此隐私影响；无用户确认/回滚机制（对只读场景影响有限）。未达满分。
文档内部高度自洽：skill.yaml、sharp-edges.yaml、validations.yaml 相互引用一致，错误词汇表（TransportError/NotFoundError/None 语义）明确，失败反馈质量高（429 等待策略、渐进式回退链）。仓库含真实 CI 工作流与大规模测试体系，符合静态校准允许突破 10 分上限的条件；但技能本身主要是文档/模式文件，其具体指导路径（如 get_financials 优先级建议）未见专门的技能级测试直接覆盖，且无法静态验证运行时表现，故不给更高分。
场景定义清晰（公司查询、财报检索、全文搜索），collaboration.yaml 明确声明了核心技能的处理边界与委派范围，触发词表具体，token 预算披露。扣分项：核心功能完全依赖 SEC EDGAR（sec.gov/data.sec.gov），该服务在中国大陆网络环境下可达性差且速率限制严格，文档未提供镜像或离线方案（仅提企业镜像）；无任何中文支持；边界声明部分依赖其他未在本次评审范围内的技能目录。
信息架构分层良好（SKILL.md 入口 → skill.yaml 模式 → sharp-edges/validations/collaboration），skill.yaml 带版本号 1.1，MIT 许可明确，安装说明与依赖备注详尽（pyproject 注释质量高）。扣分项：无技能级 changelog；维护责任集中于单一维护者（README 自述 'maintained by one person'），更新路径依赖赞助持续性；部分示例数据（如 2025-2026 访问号）可能随时间失效。
对 AI 代理使用 SEC 数据的边际价值明确：将 XBRL 解析压缩为一行调用，str()/to_context() 针对 LLM 输出优化，README 给出了对比替代方案（sec-api）的成本论证，且 CI+测试体系提供了执行证据，允许超过 7 分。扣分项：静态评审无法验证示例输出的实际正确性与完整性（如财务数据标准化质量），效果主张主要来自作者自述。
仓库含真实 CI 工作流（含 cassette 安全门、离线审计、覆盖率 65% 门槛、回归测试追踪）和大量测试基础设施，多数关键主张可审计复核；sharp-edges 自称'来自技能测试的产出'但无对应技能级测试记录佐证。事实与推断基本分离。静态评审未执行任何复现，且技能文档路径本身的测试覆盖不可见，故仅达 5 分上限。
- 该技能核心功能完全依赖 SEC EDGAR 官方服务，在中国大陆网络环境下可达性差且速率限制严格（429 需等待 10 分钟以上），无镜像配置指引；
- set_identity 要求提供姓名和邮箱，将随每次 SEC 请求发送，用于 SEC 合规审计，使用前请知悉；
- 发布者身份未经 FollowSkills 注册库验证，且项目由单人维护，长期维护连续性存在风险；
- 本次为静态源码评审，未执行任何代码，示例输出的正确性未经独立验证。
这个 Skill 能做什么，适合哪些场景？
EdgarTools 是一个开源 Python 库（MIT 许可），用于访问和分析 SEC EDGAR 申报文件。它能将 10-K、10-Q、8-K、13F、Form 3/4/5 等 20 多种表单解析为类型化的 Python 对象和 pandas DataFrame，财务数据基于 XBRL 标准化，便于跨公司比较。该技能包含多个子模块（公司查询、财务报表、报告章节提取、持仓、内部人交易、XBRL），并内置 MCP 服务器和面向大模型的文本输出。它由一人维护，在生产环境中被对冲基金和金融科技公司使用，SEC 每季度修改申报格式，依赖赞助持续更新解析器。
通过 Company、get_filings、find 等入口查询 EDGAR：按股票代码（如 Company("AAPL")）查找公司，按 accession 编号定位文件，按表单类型和年份检索申报。将申报文件解析为类型化对象，输出利润表、资产负债表、现金流量表（XBRL 标准化）、Form 4 内部人交易 DataFrame、13F 机构持仓、8-K 事件条目以及跨年度 XBRL 概念时间序列。支持章节提取（风险因素、MD&A）、HTML 转清洁文本/Markdown 以用于 RAG、全文搜索，并提供 MCP 服务器供 AI 客户端调用。
- 量化研究员需要跨多家公司比较标准化财务数据：用 Company().get_financials() 拿到 XBRL 标准化的利润表和资产负债表。
- 合规或投资团队监控内部人交易：解析最新 Form 4，用 form4.to_dataframe() 查看买卖明细。
- 基金分析师分析对冲基金持仓：获取 13F-HR 并把每个持仓位置导出为 DataFrame。
- 事件驱动策略跟踪公司公告：解析 8-K 并读取报告的事件条目。
- 构建财务 AI 应用/数据管道的工程师：需要速率限制、缓存、LLM 就绪文本和 MCP 服务器。
- Claude 用户用自然语言提问（如对比两家公司三年营收增长），通过技能或 MCP 服务器获得真实 SEC 数据支撑的答案。
这个 Skill 有哪些优点和局限？
- 免费、MIT 许可、开源可审计，无需 API 密钥或订阅
- 覆盖 20 多种表单类型，财务数据 XBRL 标准化，便于跨公司比较
- 类型化对象 + pandas DataFrame 输出，可直接进入数据管道
- 内置 MCP 服务器和 RAG 友好文本，AI 集成成本低
- 拥有 1000+ 测试，支持速率限制与企业镜像，适合生产环境
- 由一人维护，长期可持续性依赖赞助；SEC 每季度修改格式、每年发布新 XBRL 分类，更新压力大
- 需要向 SEC 提供姓名和邮箱作为身份标识（EDGAR 强制要求）
- 企业级 SLA、回归测试等仅对付费赞助方（$250–$1500/月）提供
- 自述的下载量、星标等指标来源为 README 徽章，本档案未独立验证
如何安装这个 Skill？
pip install edgartools
若用于 Claude Code / Claude Desktop 的 AI 技能：
pip install "edgartools[ai]"
python -c "from edgar.ai import install_skill; install_skill()"
或作为 MCP 服务器运行（需 uv）：在 Claude Desktop 配置中添加 edgartools-mcp 命令，并设置 EDGAR_IDENTITY 环境变量。技能文件位于仓库的 edgar/ai/skills/core/SKILL.md。
如何使用这个 Skill？
每次使用前先向 SEC 表明身份：
from edgar import set_identity
set_identity("Your Name [email protected]")
常用入口：
company = Company("AAPL") # 按代码
filing = find("0000320193-25-000079") # 按 accession
filings = get_filings(form="10-K", year=2024) # 检索
每个对象都有 .docs 属性可查询 API 文档，例如 company.docs.search("filings")。也可直接用自然语言触发，如“列出特斯拉高管过去 6 个月卖出超过 100 万美元股票的交易”。
这个 Skill 与同类方案有什么区别？
README 将其与托管 API sec-api 对比：EdgarTools 免费开源、类型化对象输出、内置 MCP，在你自己的进程中运行，无密钥和配额；sec-api 为 $49+/月的托管 JSON API，专有且不含 MCP。作者另提供基于同一引擎的托管平台 edgar.tools，适合不想自行运维的团队。