Este guia aborda o acesso a dados disponíveis publicamente. Sempre revise o robots.txt de um site e os Termos de Serviço antes do acesso automatizado.

TL;DR

Dê ao seu agente de IA acesso direto e estruturado aos arquivos da SEC EDGAR chamando a API Extract ou Search da AlterLab. O agente recebe JSON limpo, pronto para LLMs, sem lidar com medidas anti-bot ou analisar HTML.

Por que os agentes de IA precisam dos dados da SEC EDGAR

Os agentes de IA se beneficiam dos dados da SEC EDGAR de várias maneiras concretas:

• Monitoramento de arquivos regulatórios: Acompanhe os arquivos 10‑K, 10‑Q e 8‑K para análise de sentimento ou detecção de riscos.
• Extração de dados financeiros: Extraia tabelas financeiras e seções de MD&A para alimentar modelos de previsão.
• Pesquisa de conformidade: Escaneie cláusulas ou divulgações específicas em milhares de arquivos para construir uma base de conhecimento para agentes de tecnologia jurídica.

Por que solicitações HTTP brutas falham para agentes

Solicitações diretas ao sec.gov frequentemente enfrentam obstáculos que desperdiçam o orçamento de tokens de um agente e desaceleram os pipelines:

• Limitação de taxa: A SEC EDGAR impõe limites por IP que causam respostas HTTP 429.
• Renderização em JavaScript: Algumas páginas dependem de scripts do lado do cliente que retornam HTML vazio para um simples GET.
• Detecção de bots: Gatilhos automatizados podem desafiar com CAPTCHAs ou bloquear o IP completamente.
• Análise falhada: Agentes gastam tokens tentando extrair dados de HTML malformado ou incompleto, reduzindo a janela de contexto útil.

Conectando seu agente à SEC EDGAR via AlterLab

A API Extract da AlterLab (/api/v1/extract) retorna dados estruturados diretamente, lidando com renderização e anti-bot internamente. Consulte a documentação da API Extract para opções de esquema completas.

Exemplo em Python

```python title="agent_sec-gov.py" {3-8}

client = alterlab.Client("SUA_CHAVE_API")

Solicitar dados estruturados de uma página de arquivo

result = client.extract(
url="https://www.sec.gov/ixviewer/ix.html?doc=/Archives/edgar/data/1234567/000123456723000005/tsla-20231231.htm",
schema={"title": "string", "filedDate": "string", "docType": "string"}
)
print(result.data) # {'title': 'TSLA Form 10-K', 'filedDate': '2024-02-08', 'docType': '10-K'}

**equivalente cURL**


```bash title="Terminal"
curl -X POST https://api.alterlab.io/api/v1/extract \
  -H "X-API-Key: SUA_CHAVE" \
  -d '{
    "url": "https://www.sec.gov/ixviewer/ix.html?doc=/Archives/edgar/data/1234567/000123456723000005/tsla-20231231.htm",
    "schema": {"title": "string", "filedDate": "string", "docType": "string"}
  }'

A resposta é um JSON pronto—sem remoção de HTML, sem regex, sem tentativas. Isso mantém a janela de contexto do agente focada em dados úteis.

Usando a API de Pesquisa para consultas da SEC EDGAR

Quando você precisa descobrir arquivos antes de extraí-los, a API de Pesquisa (/api/v1/search) retorna uma lista de URLs correspondentes com metadados. Isso é útil para construir pipelines dinâmicos que reagem a novos arquivos.

Exemplo em Python – buscar os últimos 10‑Ks da Apple

```python title="agent_sec-search.py" {3-7}

client = alterlab.Client("SUA_CHAVE_API")

results = client.search(
query="Apple Inc 10-K",
start_date="2023-01-01",
end_date="2023-12-31",
limit=5
)
for r in results.data:
print(r["url"], r["filedAt"])

**exemplo cURL**


```bash title="Terminal"
curl -X POST https://api.alterlab.io/api/v1/search \
  -H "X-API-Key: SUA_CHAVE" \
  -d '{
    "query": "Apple Inc 10-K",
    "start_date": "2023-01-01",
    "end_date": "2023-12-31",
    "limit": 5
  }'

A saída da pesquisa fornece um conjunto curado de URLs para alimentar na API Extract, mantendo as chamadas de ferramentas do agente mínimas e eficientes.

Integração MCP

A AlterLab fornece um servidor MCP que permite que agentes Claude, GPT ou Cursor tratem as APIs Extract e Search como ferramentas de primeira classe. Consulte o tutorial da AlterLab para Agentes de IA para começar. Isso elimina código boilerplate: o agente simplesmente chama a ferramenta com uma URL e recebe uma saída estruturada.

Construindo um pipeline de monitoramento de arquivos regulatórios

Aqui está um exemplo de ponta a ponta de um agente que monitora novos arquivos da Tesla, extrai campos-chave e passa os dados para um LLM para sumarização.

Esboço do pipeline

1. O agente aciona uma chamada de ferramenta agendada para a Pesquisa da AlterLab para arquivos recentes de 10‑K/10‑Q da Tesla.
2. Para cada URL de resultado, o agente chama a AlterLab Extract com um esquema direcionado a title, filedDate, docType, e um campo personalizado para riskFactors.
3. O JSON limpo é inserido na janela de contexto do agente.
4. Um LLM recebe os dados estruturados e produz um breve resumo: “A Tesla apresentou um 10‑K em 2024‑02‑08 destacando riscos na cadeia de suprimentos.”

Trecho do pipeline em Python

```python title="filing_monitor.py" {5-12}

from openai import OpenAI # cliente LLM de exemplo

alterlab_client = alterlab.Client("SUA_CHAVE_API")
llm_client = OpenAI(api_key="CHAVE_OPENAI")

def get_latest_tsla_filings():
search_res = alterlab_client.search(
query="Tesla Inc 10-K OU 10-Q",
start_date="2024-01-01",
limit=3
)
return search_res.data

def extract_filing_info(url):
return alterlab_client.extract(
url=url,
schema={
"title": "string",
"filedDate": "string",
"docType": "string",
"riskFactors": "string"
}
).data

def run_pipeline():
filings = get_latest_tsla_filings()
for f in filings:
data = extract_filing_info(f["url"])
prompt = f"Resuma o seguinte arquivo da SEC: {data}"
response = llm_client.chat.completions.create(
model="gpt-4-turbo",
messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)

if name == "main":
run_pipeline()

Este pipeline mostra como um agente pode passar da descoberta à extração e ao raciocínio sem escrever analisadores personalizados ou lidar com bots.

<div data-infographic="steps">
  <div data-step data-number="1" data-title="Agente solicita dados" data-description="Agente LLM chama a ferramenta AlterLab com a URL alvo"></div>
  <div data-step data-number="2" data-title="AlterLab busca + extrai" data-description="Lida com anti-bot, retorna JSON estruturado"></div>
  <div data-step data-number="3" data-title="Agente usa dados limpos" data-description="Sem análise, sem tentativas — os dados vão direto para o contexto do LLM"></div>
</div>

## Principais conclusões
- Use a API Extract da AlterLab para acesso estruturado imediato às páginas da SEC EDGAR, contornando renderização e obstáculos anti-bot.
- Aproveite a API de Pesquisa para construir fluxos de trabalho dinâmicos de descoberta que alimentam chamadas de extração.
- Integre via servidor MCP da AlterLab para tratar dados da web como uma ferramenta nativa para agentes LLM.
- Sempre verifique o robots.txt e os limites de taxa; a responsabilidade pelo acesso em conformidade recai sobre o usuário.
- O custo escala com solicitações bem-sucedidas—revise a página de preços para estimativas orientadas a agentes.

AlterLab // Dados da Web, Simplificados.