Displaying gathered facts structured for the report generator.
⬇ output_json (ReportData format)
{
"entity_name": "DN_test_StaraAkceptacja",
"entity_full_name": "DN_test_StaraAkceptacja",
"subject_context": {
"DN_test_StaraAkceptacja": {
"name": "DN_test_StaraAkceptacja",
"context": " (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)"
}
},
"facts_by_category": {},
"facts_by_subject": {},
"facts_by_relation": {},
"total_cost": {
"task_costs": [],
"total_override": 0.05090505
},
"screening_tasks": [
{
"task_id": "7d6976b9-d892-4aaf-be0d-551e60085266",
"subject_type": "ENTITY",
"subject_name": "DN_test_StaraAkceptacja",
"subject_full_name": "DN_test_StaraAkceptacja",
"subject_node_id": "c3753c37-d10e-4e9b-9fb4-43c2e818dc5c",
"context_description": "DN_test_StaraAkceptacja",
"context_data": {
"NIP": "4174989658",
"country": "PL",
"description": "VAT Information Exchange System"
},
"search_state": {
"iterations": [
{
"iteration_number": 1,
"category": "CRIMINAL",
"prompt_text": "Przeprowadź screning adverse media dla podmiotu:\n**DN_test_StaraAkceptacja**\nKontekst pomocniczy: DN_test_StaraAkceptacja, DN_test_StaraAkceptacja, (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)\n\nDla każdrgo etapu postępuj zgodnie z regułami:\n- Match entity names EXACTLY as provided.\n- Do NOT return phonetic, similar, or misspelled names.\n- Do NOT infer alternative spellings.\n- Do NOT normalize or autocorrect names.\n- Levenshtein distance must be <= 2.\n- If no exact match exists, return an empty result.\n- Do NOT suggest similar entities.\n- Use Kontekst pomocniczy to validate reasult.\n- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko \"Kontekst pomocniczy\"\n\n\nChcę mieć:\nETAPY:\nSzukaj adverse media dla DN_test_StaraAkceptacja w kategorii: \"Sprawy karne i postępowania prokuratorskie\nUwzględniaj tylko informacje dotyczące:\n- postępowań karnych\n- śledztw lub dochodzeń prowadzonych przez prokuraturę lub organy ścigania\n- zarzutów karnych, aktu oskarżenia, zatrzymań, aresztowań\n- przestępstw lub podejrzeń popełnienia przestępstwa\n\nNie uwzględniaj informacji dotyczących:\n- kar administracyjnych\n- decyzji regulatorów (np. GIIF, KNF, UOKiK, organy nadzorcze)\n- postępowań administracyjnych\n- sporów cywilnych lub gospodarczych\n- kontroli regulatora bez zarzutów karnych\n\nJeśli sprawa dotyczy wyłącznie sankcji administracyjnej lub naruszenia regulacyjnego, pomiń ją.\" \"\n\nIteracja: 1\nDotychczas sprawdzone kategorie: brak\n\n1. Skup się na podmiocie DN_test_StaraAkceptacja i powiązanych osobach/firmach.\n2. Znajdź konkretne fakty, daty, kwoty, numery spraw.\n\nWYMAGANY FORMAT ODPOWIEDZI (JSON):\n{\n \"findings\": [\n {\n \"title\": \"Krótki tytuł znaleziska (10-15 słów)\",\n \"description\": \"Szczegółowy opis oparty na źródłach (3-5 zdań)\",\n \"severity\": \"HIGH|MEDIUM|LOW|NEUTRAL\",\n \"date\": \"YYYY-MM-DD lub null\",\n \"status\": \"ongoing|resolved|alleged|pending\",\n \"source_urls\": [\"tylkojeden url. nie łącz wielu url1 w jeden finding\" ],\n \"raw_text\": \"Dokładny cytat ze źródła potwierdzający znalezisko\",\n \"context\": {\"birthDate\":\"data urodzenia\",\"secondName\":\"drugie imię\",\"PESEL\":\"numer PESEL\",\"NIP\":\"numer NIP\",\"KRS\":\"numer KRS\",\"REGON\":\"numer REGON\"}\n \"levenshtein_distance\": \"Obliczone Levenshtein distance\",\n \"matched_name\": \"Dopasowana nazwa\"\n }\n ],\n \"no_findings_reason\": \"Jeśli brak wyników, wyjaśnij dlaczego\"\n}\n\nZASADY:\n- Każde znalezisko MUSI być poparte cytatem ze źródła\n- NIE generuj informacji bez potwierdzenia w źródłach\n- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system\n- Podaj tylko FAKTY i ŹRÓDŁA\n- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context\n",
"response_text": "",
"findings_count": 0,
"facts_extracted": 0,
"cost": {
"input_tokens": 0,
"output_tokens": 0,
"total_tokens": 0,
"cost_usd": 0.0
},
"information_gain": 0.0,
"timestamp": "2026-04-03T09:48:26.894903",
"error_message": "peer closed connection without sending complete message body (incomplete chunked read)"
},
{
"iteration_number": 2,
"category": "CORRUPTION",
"prompt_text": "Przeprowadź screning adverse media dla podmiotu:\n**DN_test_StaraAkceptacja**\nKontekst pomocniczy: DN_test_StaraAkceptacja, DN_test_StaraAkceptacja, (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)\n\nDla każdrgo etapu postępuj zgodnie z regułami:\n- Match entity names EXACTLY as provided.\n- Do NOT return phonetic, similar, or misspelled names.\n- Do NOT infer alternative spellings.\n- Do NOT normalize or autocorrect names.\n- Levenshtein distance must be <= 2.\n- If no exact match exists, return an empty result.\n- Do NOT suggest similar entities.\n- Use Kontekst pomocniczy to validate reasult.\n- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko \"Kontekst pomocniczy\"\n\n\nChcę mieć:\nETAPY:\nSzukaj adverse media dla DN_test_StaraAkceptacja w kategorii: \"Korupcja, łapownictwo i przestępstwa korupcyjne.\n\nUwzględniaj tylko informacje, które wskazują na:\n\n* podejrzenie korupcji lub łapownictwa w spółce,\n* śledztwo lub dochodzenie dotyczące korupcji prowadzone przez prokuraturę lub organy ścigania,\n* postawienie zarzutów korupcyjnych osobie powiązanej ze spółką (np. członkowi zarządu, pracownikowi, właścicielowi),\n* akt oskarżenia, zatrzymanie lub skazanie w sprawie korupcyjnej.\n\nNie uwzględniaj informacji dotyczących:\n\n* kar administracyjnych lub sankcji regulatorów (np. GIIF, KNF, UOKiK),\n* postępowań administracyjnych lub naruszeń regulacyjnych,\n* kar finansowych nałożonych przez organy nadzorcze,\n* ogólnych nieprawidłowości lub sporów biznesowych, które nie dotyczą korupcji.\n\nDodawaj wynik tylko wtedy, gdy artykuł jasno wskazuje na **korupcję lub zarzuty korupcyjne**, a nie jedynie na naruszenie przepisów lub sankcję administracyjną.\n\"\n\nIteracja: 2\nDotychczas sprawdzone kategorie: CRIMINAL\n\n1. Skup się na podmiocie DN_test_StaraAkceptacja i powiązanych osobach/firmach.\n2. Znajdź konkretne fakty, daty, kwoty, numery spraw.\n\nWYMAGANY FORMAT ODPOWIEDZI (JSON):\n{\n \"findings\": [\n {\n \"title\": \"Krótki tytuł znaleziska (10-15 słów)\",\n \"description\": \"Szczegółowy opis oparty na źródłach (3-5 zdań)\",\n \"severity\": \"HIGH|MEDIUM|LOW|NEUTRAL\",\n \"date\": \"YYYY-MM-DD lub null\",\n \"status\": \"ongoing|resolved|alleged|pending\",\n \"source_urls\": [\"tylkojeden url. nie łącz wielu url1 w jeden finding\" ],\n \"raw_text\": \"Dokładny cytat ze źródła potwierdzający znalezisko\",\n \"context\": {\"birthDate\":\"data urodzenia\",\"secondName\":\"drugie imię\",\"PESEL\":\"numer PESEL\",\"NIP\":\"numer NIP\",\"KRS\":\"numer KRS\",\"REGON\":\"numer REGON\"}\n \"levenshtein_distance\": \"Obliczone Levenshtein distance\",\n \"matched_name\": \"Dopasowana nazwa\"\n }\n ],\n \"no_findings_reason\": \"Jeśli brak wyników, wyjaśnij dlaczego\"\n}\n\nZASADY:\n- Każde znalezisko MUSI być poparte cytatem ze źródła\n- NIE generuj informacji bez potwierdzenia w źródłach\n- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system\n- Podaj tylko FAKTY i ŹRÓDŁA\n- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context\n",
"response_text": "{\n \"findings\": [],\n \"no_findings_reason\": \"Brak wyników wyszukiwania wskazujących na przypadki korupcji, łapownictwa lub przestępstw korupcyjnych związanych z podmiotem DN_test_StaraAkceptacja.\"\n}",
"findings_count": 0,
"facts_extracted": 0,
"cost": {
"input_tokens": 182052,
"output_tokens": 2074,
"total_tokens": 184126,
"cost_usd": 0.0285522
},
"information_gain": 0.0,
"timestamp": "2026-04-03T09:48:48.252876"
},
{
"iteration_number": 3,
"category": "GOVERNANCE",
"prompt_text": "Przeprowadź screning adverse media dla podmiotu:\n**DN_test_StaraAkceptacja**\nKontekst pomocniczy: DN_test_StaraAkceptacja, DN_test_StaraAkceptacja, (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)\n\nDla każdrgo etapu postępuj zgodnie z regułami:\n- Match entity names EXACTLY as provided.\n- Do NOT return phonetic, similar, or misspelled names.\n- Do NOT infer alternative spellings.\n- Do NOT normalize or autocorrect names.\n- Levenshtein distance must be <= 2.\n- If no exact match exists, return an empty result.\n- Do NOT suggest similar entities.\n- Use Kontekst pomocniczy to validate reasult.\n- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko \"Kontekst pomocniczy\"\n\n\nChcę mieć:\nETAPY:\nSzukaj adverse media dla DN_test_StaraAkceptacja w kategorii: \"Audyty, nieprawidłowości zarządcze i governance.\n Uwzględnij:\n - informacje o nieuregulowanych zobowiązaniach.\n - oficjalne informacje o likwidacji i upadłości.\n - informacje o audytach i kontrolach w spółce.\n - informacje o nieprawidłowościach zarządczych w spółce.\n - informacje o sporach z pracownikami i byłymi pracownikami.\n - informacje o sporach z byłymi członkami zarządu i pracownikami.\n \"\n\nIteracja: 3\nDotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION\n\n1. Skup się na podmiocie DN_test_StaraAkceptacja i powiązanych osobach/firmach.\n2. Znajdź konkretne fakty, daty, kwoty, numery spraw.\n\nWYMAGANY FORMAT ODPOWIEDZI (JSON):\n{\n \"findings\": [\n {\n \"title\": \"Krótki tytuł znaleziska (10-15 słów)\",\n \"description\": \"Szczegółowy opis oparty na źródłach (3-5 zdań)\",\n \"severity\": \"HIGH|MEDIUM|LOW|NEUTRAL\",\n \"date\": \"YYYY-MM-DD lub null\",\n \"status\": \"ongoing|resolved|alleged|pending\",\n \"source_urls\": [\"tylkojeden url. nie łącz wielu url1 w jeden finding\" ],\n \"raw_text\": \"Dokładny cytat ze źródła potwierdzający znalezisko\",\n \"context\": {\"birthDate\":\"data urodzenia\",\"secondName\":\"drugie imię\",\"PESEL\":\"numer PESEL\",\"NIP\":\"numer NIP\",\"KRS\":\"numer KRS\",\"REGON\":\"numer REGON\"}\n \"levenshtein_distance\": \"Obliczone Levenshtein distance\",\n \"matched_name\": \"Dopasowana nazwa\"\n }\n ],\n \"no_findings_reason\": \"Jeśli brak wyników, wyjaśnij dlaczego\"\n}\n\nZASADY:\n- Każde znalezisko MUSI być poparte cytatem ze źródła\n- NIE generuj informacji bez potwierdzenia w źródłach\n- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system\n- Podaj tylko FAKTY i ŹRÓDŁA\n- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context\n",
"response_text": "{\n \"findings\": [],\n \"no_findings_reason\": \"Brak wyników w mediach negatywnych dla podmiotu DN_test_StaraAkceptacja w kategorii Audyty, nieprawidłowości zarządcze i governance. Nie znaleziono żadnych artykułów, raportów ani innych źródeł zawierających dokładną nazwę podmiotu oraz informacje o nieuregulowanych zobowiązaniach, likwidacji, upadłości, audytach, nieprawidłowościach zarządczych czy sporach z pracownikami lub członkami zarządu.\"\n}",
"findings_count": 0,
"facts_extracted": 0,
"cost": {
"input_tokens": 40050,
"output_tokens": 1767,
"total_tokens": 41817,
"cost_usd": 0.0070677
},
"information_gain": 0.0,
"timestamp": "2026-04-03T09:49:14.315585"
},
{
"iteration_number": 4,
"category": "REPUTATIONAL",
"prompt_text": "Przeprowadź screning adverse media dla podmiotu:\n**DN_test_StaraAkceptacja**\nKontekst pomocniczy: DN_test_StaraAkceptacja, DN_test_StaraAkceptacja, (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)\n\nDla każdrgo etapu postępuj zgodnie z regułami:\n- Match entity names EXACTLY as provided.\n- Do NOT return phonetic, similar, or misspelled names.\n- Do NOT infer alternative spellings.\n- Do NOT normalize or autocorrect names.\n- Levenshtein distance must be <= 2.\n- If no exact match exists, return an empty result.\n- Do NOT suggest similar entities.\n- Use Kontekst pomocniczy to validate reasult.\n- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko \"Kontekst pomocniczy\"\n\n\nChcę mieć:\nETAPY:\nSzukaj adverse media dla DN_test_StaraAkceptacja w kategorii: \"Ryzyko reputacyjne oraz wpływ na media i opinię publiczną.\n Uwzględnij:\n - informacje o pokrzywdzonych klientach.\n - opinie pracowników i klientów.\n - negatywne opinie o spółce w mediach i internecie.\n Nie uwzględniaj informacji:\n - z oficjalnych rejestrów.\n \"\n\nIteracja: 4\nDotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE\n\n1. Skup się na podmiocie DN_test_StaraAkceptacja i powiązanych osobach/firmach.\n2. Znajdź konkretne fakty, daty, kwoty, numery spraw.\n\nWYMAGANY FORMAT ODPOWIEDZI (JSON):\n{\n \"findings\": [\n {\n \"title\": \"Krótki tytuł znaleziska (10-15 słów)\",\n \"description\": \"Szczegółowy opis oparty na źródłach (3-5 zdań)\",\n \"severity\": \"HIGH|MEDIUM|LOW|NEUTRAL\",\n \"date\": \"YYYY-MM-DD lub null\",\n \"status\": \"ongoing|resolved|alleged|pending\",\n \"source_urls\": [\"tylkojeden url. nie łącz wielu url1 w jeden finding\" ],\n \"raw_text\": \"Dokładny cytat ze źródła potwierdzający znalezisko\",\n \"context\": {\"birthDate\":\"data urodzenia\",\"secondName\":\"drugie imię\",\"PESEL\":\"numer PESEL\",\"NIP\":\"numer NIP\",\"KRS\":\"numer KRS\",\"REGON\":\"numer REGON\"}\n \"levenshtein_distance\": \"Obliczone Levenshtein distance\",\n \"matched_name\": \"Dopasowana nazwa\"\n }\n ],\n \"no_findings_reason\": \"Jeśli brak wyników, wyjaśnij dlaczego\"\n}\n\nZASADY:\n- Każde znalezisko MUSI być poparte cytatem ze źródła\n- NIE generuj informacji bez potwierdzenia w źródłach\n- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system\n- Podaj tylko FAKTY i ŹRÓDŁA\n- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context\n",
"response_text": "{\n \"findings\": [],\n \"no_findings_reason\": \"Brak wyników wyszukiwania dla podmiotu DN_test_StaraAkceptacja w kategorii Ryzyko reputacyjne oraz wpływ na media i opinię publiczną. Nie znaleziono żadnych artykułów, opinii klientów, pracowników ani negatywnych doniesień medialnych spełniających kryteria, a jedynie ogólne materiały o adverse media, które nie dotyczą tego podmiotu.\"\n}",
"findings_count": 0,
"facts_extracted": 0,
"cost": {
"input_tokens": 91457,
"output_tokens": 1454,
"total_tokens": 92911,
"cost_usd": 0.01459095
},
"information_gain": 0.0,
"timestamp": "2026-04-03T09:49:39.559688"
},
{
"iteration_number": 5,
"category": "POLITICAL_EXPOSURE",
"prompt_text": "Przeprowadź screning adverse media dla podmiotu:\n**DN_test_StaraAkceptacja**\nKontekst pomocniczy: DN_test_StaraAkceptacja, DN_test_StaraAkceptacja, (Dane: NIP: 4174989658, country: PL, description: VAT Information Exchange System)\n\nDla każdrgo etapu postępuj zgodnie z regułami:\n- Match entity names EXACTLY as provided.\n- Do NOT return phonetic, similar, or misspelled names.\n- Do NOT infer alternative spellings.\n- Do NOT normalize or autocorrect names.\n- Levenshtein distance must be <= 2.\n- If no exact match exists, return an empty result.\n- Do NOT suggest similar entities.\n- Use Kontekst pomocniczy to validate reasult.\n- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko \"Kontekst pomocniczy\"\n\n\nChcę mieć:\nETAPY:\nSzukaj adverse media dla DN_test_StaraAkceptacja w kategorii: \"Ekspozycja polityczna i wpływ państwa\"\n\nIteracja: 5\nDotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE, REPUTATIONAL\n\n1. Skup się na podmiocie DN_test_StaraAkceptacja i powiązanych osobach/firmach.\n2. Znajdź konkretne fakty, daty, kwoty, numery spraw.\n\nWYMAGANY FORMAT ODPOWIEDZI (JSON):\n{\n \"findings\": [\n {\n \"title\": \"Krótki tytuł znaleziska (10-15 słów)\",\n \"description\": \"Szczegółowy opis oparty na źródłach (3-5 zdań)\",\n \"severity\": \"HIGH|MEDIUM|LOW|NEUTRAL\",\n \"date\": \"YYYY-MM-DD lub null\",\n \"status\": \"ongoing|resolved|alleged|pending\",\n \"source_urls\": [\"tylkojeden url. nie łącz wielu url1 w jeden finding\" ],\n \"raw_text\": \"Dokładny cytat ze źródła potwierdzający znalezisko\",\n \"context\": {\"birthDate\":\"data urodzenia\",\"secondName\":\"drugie imię\",\"PESEL\":\"numer PESEL\",\"NIP\":\"numer NIP\",\"KRS\":\"numer KRS\",\"REGON\":\"numer REGON\"}\n \"levenshtein_distance\": \"Obliczone Levenshtein distance\",\n \"matched_name\": \"Dopasowana nazwa\"\n }\n ],\n \"no_findings_reason\": \"Jeśli brak wyników, wyjaśnij dlaczego\"\n}\n\nZASADY:\n- Każde znalezisko MUSI być poparte cytatem ze źródła\n- NIE generuj informacji bez potwierdzenia w źródłach\n- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system\n- Podaj tylko FAKTY i ŹRÓDŁA\n- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context\n",
"response_text": "",
"findings_count": 0,
"facts_extracted": 0,
"cost": {
"input_tokens": 0,
"output_tokens": 0,
"total_tokens": 0,
"cost_usd": 0.0
},
"information_gain": 0.0,
"timestamp": "2026-04-03T09:49:48.459637",
"error_message": "peer closed connection without sending complete message body (incomplete chunked read)"
}
],
"categories_checked": [
"CRIMINAL",
"CORRUPTION",
"GOVERNANCE",
"REPUTATIONAL",
"POLITICAL_EXPOSURE"
],
"findings": [],
"facts": [],
"cumulative_cost": 0.050210849999999994,
"information_gain_history": [
0.0,
0.0,
0.0
],
"stop_reason": "Max iterations reached: 5 >= 5",
"stopped_at": "2026-04-03T09:49:48.459678",
"failed_iterations": 2,
"errors": [
"Iteration 1 (CRIMINAL): peer closed connection without sending complete message body (incomplete chunked read)",
"Iteration 5 (POLITICAL_EXPOSURE): peer closed connection without sending complete message body (incomplete chunked read)"
]
}
}
],
"total_facts": 0,
"total_findings": 0,
"structure_summary": "Dane wejściowe są bardzo ograniczone i zawierają jedynie podstawowe informacje o podmiocie. Nie ma szczegółowych danych na temat struktury podmiotowej, właścicieli, osób zarządzających czy podmiotów powiązanych.\n\nDN_test_StaraAkceptacja to podmiot zarejestrowany w Polsce, posiadający numer NIP 4174989658. Dostępne informacje wskazują jedynie na podstawowe dane identyfikacyjne podmiotu, bez szczegółów na temat jego struktury własnościowej, osób zarządzających ani podmiotów powiązanych. Typ podmiotu związany jest z Systemem Wymiany Informacji VAT.\n\nBrak szczegółowych danych uniemożliwia dokładną identyfikację łańcucha właścicielskiego, kluczowych osób zarządzających oraz podmiotów powiązanych. W związku z ograniczonymi informacjami nie można wskazać elementów wymagających uwagi z perspektywy AML."
}