机构实体

概览

机构是各垂域唯一共享的东西：申报的公司、做试验的申办方、拿到资助的大学、药品说明书上的标签持有人。458 万家、552 万条别名、530 万条关联覆盖 266 万篇文档——"这家公司最近在做什么"因此变成一次查实体、每个域一次调用，而不是在每个域里各做一次名称匹配。

关联并不都是硬指标。109 万条是用 CIK 或股票代码直挂，113 万条是名称唯一的精确匹配，308 万条是模型对 79,867 个写法做消歧得来的（平均置信度 0.81）。每条关联都说明自己属于哪一种——method 为 id、exact_unique 或 llm，最后这种带分数——读的人据此判断。同一家机构往往同时在几个登记库里有 id，一所大学的 ROR、EDGAR cik、GLEIF lei，接口会一起返回。

已关联：filings 109 万 / 109 万 · grants 103 万 / 131 万 · trials 51 万 / 60 万 · drugs 3.1 万 / 25.7 万

drugs 这一条本来就薄：标签持有人多是小型分装商，登记库里没有他们。联邦公报的发布机构与 CVE 的厂商是下一批。

找一家机构

GET/v1/entities?q={q}

458 万家机构、552 万条别名。返回候选而不是替你选定——matched_by 为 exact、fuzzy（带 similarity）或 none。上游偶尔会把母公司与子公司合在一起，所以让人来挑。2 credits。

参数

参数	类型	说明
q 必填	string	名称、股票代码或标识符。
limit	integer= 5	返回几个候选。

示例

{ "matched_by": "exact",
  "entities": [ { "entity_id": "cik:1682852", "kind": "company", "name": "Moderna, Inc.", "country": "US",
                  "ids": { "cik": "1682852", "tickers": ["MRNA"] },
                  "documents": { "filings": 315, "trials": 1 }, "matched_alias": "Moderna", "similarity": 1.0 } ] }

一家机构

GET/v1/entities/{entity_id}

实体本身，带别名与各垂域的文档数。1 credit。

参数

参数	类型	说明
entity_id (path) 必填	string	来自检索结果：`cik:`（SEC）、`lei:`（GLEIF）、`ror:`（科研机构）、`cn:`（A 股）。

它申报过、做过、拿过什么

GET/v1/entities/{entity_id}/docs

530 万条关联覆盖 266 万篇文档，这家机构在 filings、trials、grants、drugs 里关联到的文档。每条带 method——id（用 CIK 或代码挂上，最可靠）、exact_unique（名称唯一精确匹配）、llm（模型判断，带 score）——读的人据此判断可信度。3 credits；level=none 只取关联不取卡片，更便宜。

参数

参数	类型	说明
entity_id (path) 必填	string	来自检索结果：`cik:`（SEC）、`lei:`（GLEIF）、`ror:`（科研机构）、`cn:`（A 股）。
domain	filings · trials · grants · drugs	限定一个垂域，留空则给所有有关联的。
top_k	integer= 20	1–100。
level	brief · none= brief	`none` 不要文档卡片。

示例

{ "docs": [ { "domain": "filings", "id": "us:1682852:0001682852-24-000016", "matched_on": "cik",
                "mention": "Moderna, Inc.", "method": "id", "brief": { … } } ] }

目前 filings、grants、trials、drugs 有关联；以后加域时形状不变。各域自描述里的 extra_endpoints.entities 指回这里。