Prompts – DN_TEST

CRIMINAL Iteration: 1 Cost: $0.003718 In: 21851 tok Out: 734 tok 2026-04-03T12:16:50

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**DN_TEST_DCC**
Kontekst pomocniczy: DN_TEST_DCC, DN_TEST_DCC,  (Dane: NIP: 1186244081, country: PL, description: VAT Information Exchange System)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be <= 2.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla DN_TEST_DCC w kategorii: "Sprawy karne i postępowania prokuratorskie
Uwzględniaj tylko informacje dotyczące:
- postępowań karnych
- śledztw lub dochodzeń prowadzonych przez prokuraturę lub organy ścigania
- zarzutów karnych, aktu oskarżenia, zatrzymań, aresztowań
- przestępstw lub podejrzeń popełnienia przestępstwa

Nie uwzględniaj informacji dotyczących:
- kar administracyjnych
- decyzji regulatorów (np. GIIF, KNF, UOKiK, organy nadzorcze)
- postępowań administracyjnych
- sporów cywilnych lub gospodarczych
- kontroli regulatora bez zarzutów karnych

Jeśli sprawa dotyczy wyłącznie sankcji administracyjnej lub naruszenia regulacyjnego, pomiń ją." "

Iteracja: 1
Dotychczas sprawdzone kategorie: brak

1. Skup się na podmiocie DN_TEST_DCC i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["tylkojeden url. nie łącz wielu url1 w jeden finding" ],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
      "levenshtein_distance": "Obliczone Levenshtein distance",
      "matched_name": "Dopasowana nazwa"
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

CORRUPTION Iteration: 2 Cost: $0.002362 In: 13072 tok Out: 668 tok 2026-04-03T12:17:01

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**DN_TEST_DCC**
Kontekst pomocniczy: DN_TEST_DCC, DN_TEST_DCC,  (Dane: NIP: 1186244081, country: PL, description: VAT Information Exchange System)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be <= 2.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla DN_TEST_DCC w kategorii: "Korupcja, łapownictwo i przestępstwa korupcyjne.

Uwzględniaj tylko informacje, które wskazują na:

* podejrzenie korupcji lub łapownictwa w spółce,
* śledztwo lub dochodzenie dotyczące korupcji prowadzone przez prokuraturę lub organy ścigania,
* postawienie zarzutów korupcyjnych osobie powiązanej ze spółką (np. członkowi zarządu, pracownikowi, właścicielowi),
* akt oskarżenia, zatrzymanie lub skazanie w sprawie korupcyjnej.

Nie uwzględniaj informacji dotyczących:

* kar administracyjnych lub sankcji regulatorów (np. GIIF, KNF, UOKiK),
* postępowań administracyjnych lub naruszeń regulacyjnych,
* kar finansowych nałożonych przez organy nadzorcze,
* ogólnych nieprawidłowości lub sporów biznesowych, które nie dotyczą korupcji.

Dodawaj wynik tylko wtedy, gdy artykuł jasno wskazuje na **korupcję lub zarzuty korupcyjne**, a nie jedynie na naruszenie przepisów lub sankcję administracyjną.
"

Iteracja: 2
Dotychczas sprawdzone kategorie: CRIMINAL

1. Skup się na podmiocie DN_TEST_DCC i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["tylkojeden url. nie łącz wielu url1 w jeden finding" ],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
      "levenshtein_distance": "Obliczone Levenshtein distance",
      "matched_name": "Dopasowana nazwa"
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

GOVERNANCE Iteration: 3 Cost: $0.002354 In: 13429 tok Out: 566 tok 2026-04-03T12:17:15

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**DN_TEST_DCC**
Kontekst pomocniczy: DN_TEST_DCC, DN_TEST_DCC,  (Dane: NIP: 1186244081, country: PL, description: VAT Information Exchange System)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be <= 2.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla DN_TEST_DCC w kategorii: "Audyty, nieprawidłowości zarządcze i governance.
    Uwzględnij:
    - informacje o nieuregulowanych zobowiązaniach.
    - oficjalne informacje o likwidacji i upadłości.
    - informacje o audytach i kontrolach w spółce.
    - informacje o nieprawidłowościach zarządczych w spółce.
    - informacje o sporach z pracownikami i byłymi pracownikami.
    - informacje o sporach z byłymi członkami zarządu i pracownikami.
    "

Iteracja: 3
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION

1. Skup się na podmiocie DN_TEST_DCC i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["tylkojeden url. nie łącz wielu url1 w jeden finding" ],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
      "levenshtein_distance": "Obliczone Levenshtein distance",
      "matched_name": "Dopasowana nazwa"
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

REPUTATIONAL Iteration: 4 Cost: $0.003139 In: 17470 tok Out: 865 tok 2026-04-03T12:17:22

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**DN_TEST_DCC**
Kontekst pomocniczy: DN_TEST_DCC, DN_TEST_DCC,  (Dane: NIP: 1186244081, country: PL, description: VAT Information Exchange System)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be <= 2.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla DN_TEST_DCC w kategorii: "Ryzyko reputacyjne oraz wpływ na media i opinię publiczną.
    Uwzględnij:
    - informacje o pokrzywdzonych klientach.
    - opinie pracowników i klientów.
    - negatywne opinie o spółce w mediach i internecie.
    Nie uwzględniaj informacji:
    - z oficjalnych rejestrów.
    "

Iteracja: 4
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE

1. Skup się na podmiocie DN_TEST_DCC i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["tylkojeden url. nie łącz wielu url1 w jeden finding" ],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
      "levenshtein_distance": "Obliczone Levenshtein distance",
      "matched_name": "Dopasowana nazwa"
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

POLITICAL EXPOSURE Iteration: 5 Cost: $0.002597 In: 12771 tok Out: 1135 tok 2026-04-03T12:17:30

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**DN_TEST_DCC**
Kontekst pomocniczy: DN_TEST_DCC, DN_TEST_DCC,  (Dane: NIP: 1186244081, country: PL, description: VAT Information Exchange System)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be <= 2.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla DN_TEST_DCC w kategorii: "Ekspozycja polityczna i wpływ państwa"

Iteracja: 5
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE, REPUTATIONAL

1. Skup się na podmiocie DN_TEST_DCC i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["tylkojeden url. nie łącz wielu url1 w jeden finding" ],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
      "levenshtein_distance": "Obliczone Levenshtein distance",
      "matched_name": "Dopasowana nazwa"
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

🔍 Multilevel Screening Review

Prompts for: DN_TEST_DCC