Μετάβαση στο περιεχόμενο

Diligence decision-support experiment

Kairos VC

Πρωτότυπο υποστήριξης αποφάσεων για venture due diligence

A full-stack diligence-workflow prototype with deal, research, scoring, portfolio, and reporting surfaces. Its source demonstrates workflow architecture and provider abstraction; it does not establish investment performance.

Γέφυρα επιχείρησης ↔ τεχνολογίας · Diligence decision-support experiment

Connect external signals to an investment decision without turning a score into authority.

Explores a reviewable full-stack diligence workflow with visible assumptions and replaceable model providers.

Πρόκειται για ερμηνεία χαρτοφυλακίου και πηγής, όχι για ισχυρισμό πελάτη, ανάπτυξης, πιστοποίησης ή αποτελέσματος.

  1. 01

    Επιχειρηματική πίεση

    Deal, market, founder, technical, portfolio, and reporting evidence is assembled across disconnected data sources and individual judgement.

  2. 02

    Απόφαση προϊόντος

    Separate workflow, APIs, persistence, retrieval, scoring, and model providers, including a deterministic mock path for repeatable testing.

  3. 03

    Τεχνικό αρχείο

    Deal, research, diligence, scoring, portfolio, and report surfaces across FastAPI, Next.js, data, retrieval, and provider-adapter boundaries.

  4. 04

    Επιστροφή τεκμηρίων

    Missing sources, conflicting signals, score assumptions, and reviewer decisions return to thesis, diligence scope, and portfolio monitoring.

Τεκμήρια πηγαίου κώδικα

Τι τεκμηριώνει πραγματικά ο πηγαίος κώδικας

A full-stack diligence-workflow prototype with deal, research, scoring, portfolio, and reporting surfaces. Its source demonstrates workflow architecture and provider abstraction; it does not establish investment performance.

Το λεπτομερές τεχνικό στιγμιότυπο διατηρείται στα αγγλικά.

Ωριμότητα
Development prototype
Έλεγχος τεκμηρίων
Κατάσταση κώδικα έως

Αποφάσεις προϊόντος και αρχιτεκτονικής

  • Separate the browser workflow, API modules, persistence, retrieval, and model-provider layer.
  • Use a deterministic mock provider so workflow and scoring behaviour can be exercised without a live model.
  • Position model-assisted scoring as decision support whose assumptions remain visible to an investor.

Ελέγξιμα τεκμήρια

  • FastAPI and Next.js application surfaces with PostgreSQL, vector-search, and Redis boundaries.
  • Backend tests spanning deal, intelligence, diligence, portfolio, and report workflows.
  • Provider adapters and local container configuration for repeatable development setup.

Όρια ισχυρισμών

  • No investment return, predictive accuracy, or decision-quality outcome is asserted.
  • External data coverage and model output depend on the services and credentials configured by an operator.
  • The repository does not establish a live customer deployment or a production operating record.

Τα τεκμήρια αποθετηρίου δεν αποτελούν τεκμήρια πελατών, ανάπτυξης, πιστοποίησης ή αποτελεσμάτων.

Αρχιτεκτονική

Επιφάνειες ροής εργασίας από το κρύο email του ιδρυτή έως την παρακολούθηση του χαρτοφυλακίου

Τρία όρια πηγαίου κώδικα: διεπαφή ροής εργασίας, αρθρωτά API και ένα αντικαταστάσιμο επίπεδο παρόχων μοντέλων με υποστήριξη deterministic δοκιμών.

Μόνο χάρτης πηγής: ένα επίπεδο μπορεί να αναπαριστά υλοποιημένο κώδικα, όριο προσαρμογέα ή τεκμηριωμένο σχεδιασμό. Δεν δηλώνει διαμορφωμένη υπηρεσία παραγωγής.

  1. 01

    Επίπεδο 1 — Διεπαφή Ροής Εργασίας Συμφωνίας

    Ο πηγαίος κώδικας Next.js αναπαριστά επιφάνειες για πίνακες pipeline, ανασκόπηση ιδρυτών, βαθμολόγηση, χαρτογράφηση ανταγωνισμού και παρακολούθηση χαρτοφυλακίου. Η παρουσία πηγαίου κώδικα δεν τεκμηριώνει κάλυψη live δεδομένων ή υιοθέτηση από επενδυτές.

  2. 02

    Επίπεδο 2 — Αρθρωτά API

    Ο πηγαίος κώδικας FastAPI αναπαριστά μονάδες για την εύρεση συμφωνιών, την due diligence, τη βαθμολόγηση ιδρυτών, την τεχνική αξιολόγηση, την ανταγωνιστική νοημοσύνη, τη σύνταξη term-sheet και την παρακολούθηση μετά την επένδυση. Λογική προσαρμοσμένη στο στάδιο — αυτό που έχει σημασία στο seed δεν είναι το ίδιο με αυτό που έχει σημασία στο Series C.

  3. 03

    Επίπεδο 3 — Modular LLM Backend

    Οι adapters παρόχων αναπαριστούν διαδρομές Anthropic, Mistral, Ollama, Hugging Face και deterministic mock. Η συμπεριφορά μοντέλου, η τοποθεσία και η επεξεργασία δεδομένων εξαρτώνται από τον επιλεγμένο πάροχο και τη ρύθμιση deployment.

Το Πρόβλημα

Το Πρόβλημα

Γιατί η VC due diligence δεν λειτουργεί σωστά

  1. Χειροκίνητη Έρευνα

    Τα στοιχεία μιας συμφωνίας συχνά συντίθενται χειροκίνητα από πηγές ιδρυτών, αγοράς, τεχνικής, εμπορικής και κανονιστικής πληροφόρησης, δυσκολεύοντας τη διατήρηση προέλευσης και συνεπούς ανασκόπησης.

  2. Ασυνεπές Βάθος

    Η ποιότητα ποικίλλει ανά αναλυτή. Χωρίς τυποποιημένο πλαίσιο, κρίσιμα σήματα χάνονται σε ορισμένες αξιολογήσεις.

  3. Αργή Ανταπόκριση

    Εβδομάδες για την παραγωγή ενός μόνο investment memo. Τα hot deals κλείνουν πριν ολοκληρωθεί η due diligence.

  4. Απομονωμένη Πληροφόρηση

    Οι γνώσεις από προηγούμενα deals δεν επαναχρησιμοποιούνται. Κάθε αξιολόγηση ξεκινά από το μηδέν χωρίς θεσμική μνήμη — και τα ευρωπαϊκά δεδομένα (επιχορηγήσεις EIC, BPI France, καταθέσεις INPI, γνωστοποιήσεις AMF) αγνοούνται εντελώς.

Χαρακτηριστικά

Βασικά Χαρακτηριστικά

Επιφάνειες πηγαίου κώδικα για μια ροή εργασίας due diligence με υποστήριξη μοντέλου

Μόνο πεδίο πηγής: μια εγγραφή μπορεί να περιγράφει υλοποιημένο κώδικα, τεκμηριωμένο προσαρμογέα ή διαμορφωμένη ροή. Δεν δηλώνει ενεργή υπηρεσία παραγωγής.

  1. 01

    Due Diligence Ιδρυτών

    Ο πηγαίος κώδικας αναπαριστά μια ρουμπρίκα αξιολόγησης ιδρυτή που καλύπτει υπόβαθρο, ιστορικό, δίκτυο, τεχνικό βάθος, ηγεσία, ανθεκτικότητα, γνώση αγοράς και ακεραιότητα — σταθμισμένη στο 25% του Kairos Score. Ο επενδυτής παραμένει υπεύθυνος για το συμπέρασμα.

  2. 02

    Επικύρωση Αγοράς

    Επιφάνειες ροής εργασίας για παραδοχές TAM/SAM/SOM, ανάλυση χρονισμού και βαθμολόγηση ευκαιρίας αγοράς. Η διαθεσιμότητα των πηγών εξαρτάται από τους adapters δεδομένων που έχουν ρυθμιστεί.

  3. 03

    Χαρτογράφηση Ανταγωνισμού

    Ο πηγαίος κώδικας αναπαριστά μια ανάλυση ανταγωνιστικού τοπίου που συντάσσεται ως προσχέδιο από AI, με τοποθέτηση, αξιολόγηση διαφοροποίησης και εκτίμηση moat. Ο επενδυτής παραμένει υπεύθυνος για το συμπέρασμα.

  4. 04

    Σήματα Traction

    Επιφάνειες adapters και ροής εργασίας για ψηφιακή παρουσία, δραστηριότητα αποθετηρίων, σήματα προσλήψεων, συναίσθημα πελατών, καταθέσεις και εμπορικά σύνολα δεδομένων. Μια κατονομαζόμενη πηγή δεν αποτελεί τεκμήριο ενεργής πρόσβασης.

  5. 05

    Διερευνητικά μοντέλα σημάτων

    Ο πηγαίος κώδικας αναπαριστά ροές για χρονισμό χρηματοδότησης, σήματα αλλαγής, κίνδυνο βασικού προσώπου και παραδοχές αποτίμησης. Απαιτούν αδειοδοτημένα δεδομένα, βαθμονόμηση και επενδυτική ανασκόπηση· δεν διατυπώνεται ακρίβεια πρόβλεψης ή επενδυτικό αποτέλεσμα.

  6. 06

    Προσχέδια Παραδοτέων

    Ο πηγαίος κώδικας συνθέτει προσχέδια investment memos, αναφορών due diligence, ανταγωνιστικών επισκοπήσεων και μητρώων κινδύνων για ανασκόπηση από επενδυτή. Δεν διατυπώνεται ισχυρισμός για αποτέλεσμα ως προς τον χρόνο διεκπεραίωσης ή την ποιότητα των αποφάσεων.

8 διαστάσεις βαθμολόγησης

Τι βαθμολογεί το πρωτότυπο, γιατί το βαθμολογεί, τι λένε τα δεδομένα

Το πρωτότυπο καθιστά ρητές τις διαστάσεις και τις ρουμπρίκες βαθμολόγησης, ώστε ο επενδυτής να μπορεί να επιθεωρεί τις παραδοχές αντί να αντιμετωπίζει την έξοδο ενός μοντέλου ως ετυμηγορία.

Μόνο επιφάνεια αποθετηρίου: διαθεσιμότητα, πληρότητα, απόδοση και λειτουργική καταλληλότητα απαιτούν ξεχωριστή επικύρωση.

DIM 1

Ποιότητα Ομάδας

01

Βάθος τομέα × ταχύτητα εκτέλεσης × σήματα συμβατότητας ομάδας (δυναμική συνιδρυτών, προηγούμενη απόδειξη παράδοσης προϊόντος, ιστορικό προσλήψεων). Δεδομένα εισόδου που αναπαρίστανται στον πηγαίο κώδικα: εμπλουτισμός LinkedIn, ρυθμός δημόσιων commits και μεταγραφές συνεντεύξεων. Μια κατονομαζόμενη πηγή δεν αποτελεί τεκμήριο ενεργής πρόσβασης.

DIM 2

Μέγεθος Αγοράς

02

TAM από κάτω προς τα πάνω με πηγές, έλεγχος λογικής από πάνω προς τα κάτω, 5ετής διατριβή ανάπτυξης, ρυθμιστικός άνεμος/αντίθετος άνεμος. Η προτεινόμενη κλίμακα αξιολόγησης θα επέβαλλε ποινή σε 'όλη η ΕΕ είναι η αγορά μας' με μια δομημένη απαίτηση για το 'γιατί τώρα'.

DIM 3

Προσαρμογή Προϊόντος

03

Καταγράφει τεχνουργήματα έρευνας χρηστών, τεκμήρια διατήρησης όπου είναι διαθέσιμα και την απόσταση ανάμεσα σε μια επίδειξη και ένα προϊόν που μπορεί να λειτουργήσει. Ο επενδυτής παραμένει υπεύθυνος για το συμπέρασμα.

DIM 4

Δύναμη Ελκυστικότητας

04

Ποιότητα καμπύλης εσόδων (όχι μόνο απόλυτος αριθμός), καθαρή διατήρηση δολαρίου, συμπίεση κύκλου πωλήσεων με την πάροδο του χρόνου, μείγμα οργανικών έναντι πληρωμένων. Βαθμονομημένο ανά στάδιο — αυτό που έχει σημασία στο seed δεν είναι το ίδιο με το Series A.

DIM 5

Αποδοτικότητα Κεφαλαίου

05

Πολλαπλάσιο καύσης έναντι σταδίου, περίοδος αποπληρωμής στο CAC, σαφήνεια διαδρόμου, αναλογία τιμής προς ποιότητα προηγούμενου γύρου. Η προτεινόμενη κλίμακα αξιολόγησης θα επισήμαινε 'υπερβολικό κεφάλαιο για το ορόσημο που επιτεύχθηκε'.

DIM 6

Τεχνολογικό Βάθος

06

Τεχνική αξιολόγηση ανά τομέα, που συντάσσεται ως προσχέδιο από το LLM backend με διαφορετικές ρουμπρίκες για Seed και Series C. Αποτελεί στοιχείο εισόδου προς επιθεώρηση από τον επενδυτή, όχι ετυμηγορία για τον ισχυρισμό καινοτομίας του ιδρυτή.

DIM 7

Αμυντικότητα (Moat)

07

Βάθος data moat, ανάλυση κόστους αλλαγής, ρυθμιστικό moat όπου εφαρμόζεται (π.χ. κλινικό, άμυνα), σχήμα καμπύλης δικτυακού αποτελέσματος. Η απάντηση στο 'γιατί αυτό δεν θα συντριβεί από τη Big Tech;'.

DIM 8

Ταχύτητα GTM

08

Σαφήνεια κίνησης πωλήσεων, πειθαρχία ICP, ποιότητα καναλιού, σχέδιο μετάβασης σε πωλήσεις με ηγεσία ιδρυτή. Η προτεινόμενη κλίμακα αξιολόγησης θα επέβαλλε ποινή σε απαντήσεις τύπου 'θα προσλάβουμε έναν VP Sales για να το καταλάβει'.

Τεχνολογίες

Τεχνολογίες

Οι τεχνολογίες κατονομάζουν εξαρτήσεις ή επιφάνειες προσαρμογέων του αποθετηρίου· δεν δηλώνουν ενεργή ενσωμάτωση ή ανάπτυξη.

Backend
Python, FastAPI, PostgreSQL + pgvector, Redis, SQLAlchemy, Alembic
AI / ML
Πηγαίος κώδικας adapters Anthropic, Mistral, Ollama, Hugging Face και deterministic mock· η διαθεσιμότητα, η τοποθεσία και η επεξεργασία δεδομένων εξαρτώνται από τη ρύθμιση του φορέα στο ξεχωριστό αποθετήριο.
Frontend
Next.js 16, React 19, Tailwind CSS, Radix UI, Recharts, Zustand
Συλλογή Δεδομένων
Playwright, Selenium, BeautifulSoup, httpx, LinkedIn, GitHub, F6S
Υποδομή
Docker Compose, JWT auth, API keys, structlog, rate limiting
Δοκιμές
Pytest, Playwright E2E, Vitest, TanStack Query

Πηγαίος Κώδικας

Εξερευνήστε τον Κώδικα

Ο πηγαίος κώδικας του πρωτοτύπου Kairos VC είναι διαθέσιμος κατόπιν αιτήματος για σκοπούς αξιολόγησης και συνεργασίας.

Απαιτείται NDA

Για πρόσβαση στον πηγαίο κώδικα, παρακαλώ υπογράψτε τη Συμφωνία Εμπιστευτικότητας. Πρόκειται για τυπική νομική διαδικασία.

Σχετικές Συμβουλευτικές Υπηρεσίες

Ψάχνετε due diligence με AI ή εμπειρογνωμοσύνη κλιμάκωσης startups; Ανακαλύψτε τις συμβουλευτικές μου υπηρεσίες.

Συνεργασία

Ενδιαφέρεστε για το Kairos VC;

Για ομάδες που διερευνούν μια ελέγξιμη ροή εργασίας due diligence με υποστήριξη μοντέλου.

Επικοινωνήστε
Ειδήσεις AI

The AI Dispatch

Από την επίδειξη στην αξιόπιστη λειτουργία. Εγγραφείτε για νέα αναγνώσματα σχετικά με το Physical AI.

Διαγραφή ανά πάσα στιγμή. Χωρίς spam, ποτέ.