Anthropic 甩王炸！24k Star 金融 Agent 仓库源码级拆解：agents + skills + connectors 三件套架构全解析
2026 年 5 月 5 日，Anthropic 在同一天做了三件事：发布 Claude for Financial Services 仓库、上线 10 个金融 Agent 模板、公布 8 大 MCP 数据连接器。上线当日 GitHub 热榜第一，单日斩获 3077 颗 Star，两周冲到 24.1k Star。
这不是一个玩具 Demo。这是一份从投行到私募、从行研到运营的金融 AI 工作流参考蓝图——包含 11 个可运行 Agent、8 大垂直插件、11 个 MCP 数据连接器、完整的编排器源码。
本文从架构原理到实战代码逐层拆解，帮你理解 Anthropic 如何用 agents + skills + connectors 三件套把金融服务工作流变成可编排的 AI 流程包。
一、先搞清楚：这个仓库到底是个什么？
1.1 一句话定义
Reference agents, skills, and data connectors for the financial-services workflows.
翻译：这是 Anthropic 围绕金融服务最常见的四大场景——投资银行、股权研究、私募股权、财富管理——整理的参考仓库，把 agents（智能体）、skills（技能）和 connectors（数据连接器）组合成行业 AI 流程包。
1.2 它不是什么
| 它不是 | 它是什么 |
|---|---|
| 封装好的 SaaS 产品 | 开源参考模板，Apache 2.0 协议 |
| 免费替代 Bloomberg/FactSet | 数据接口形状，仍需供应商订阅 |
| 能直接出投资建议的 AI | 所有输出暂存等人类签字，不执行交易 |
| 通用 AI 框架 | 金融垂直场景深度优化 |
1.3 核心设计哲学
一句话总结：人类在环（Human-in-the-Loop），AI 做草稿，人做决策。
┌─────────────────────────────────────────────────┐
│ Anthropic Financial Services │
│ │
│ "Every output is staged for human sign-off" │
│ 所有输出暂存等待人类签字 │
│ │
│ ✅ 不做投资建议 │
│ ✅ 不执行交易 │
│ ✅ 不绑定风险 │
│ ✅ 不写入账本 │
└─────────────────────────────────────────────────┘
二、仓库全貌：5 层目录结构一目了然
anthropics/financial-services/
│
├── CLAUDE.md # 仓库级 Claude 上下文文件
├── LICENSE # Apache 2.0
│
├── plugins/ # ★ 核心：所有插件源码
│ ├── agent-plugins/<slug>/ # 命名智能体（自包含，开箱即用）
│ │ ├── agents/<slug>.md # 系统提示词（核心中的核心）
│ │ ├── skills/ # 捆绑的技能副本
│ │ └── commands/ # 可用的斜杠命令
│ │
│ ├── vertical-plugins/<vertical>/ # 垂直领域技能+命令+连接器
│ │ ├── skills/ # 技能源文件（权威版本）
│ │ ├── commands/ # 斜杠命令
│ │ └── .mcp.json # MCP 数据连接器配置
│ │
│ └── partner-built/ # 合作伙伴插件（LSEG、S&P Global）
│
├── managed-agent-cookbooks/<slug>/ # ★ Managed Agent 部署配方
│ ├── agent.yaml # 编排器定义
│ ├── subagents/*.yaml # 子智能体配置
│ ├── steering-examples.json # 转向事件示例
│ └── SECURITY.md # 安全说明
│
├── claude-for-msft-365-install/ # Microsoft 365 集成工具
│
└── scripts/ # 构建/部署/校验脚本
├── sync-agent-skills.py # 技能同步脚本
├── orchestrate.py # 事件循环参考实现
├── deploy-managed-agent.sh # 一键部署
├── check.py # 清单校验 + 交叉引用检查
└── validate.py # 额外验证逻辑
关键设计决策：
- 全文件化：所有内容都是 Markdown 和 JSON，零构建步骤——改了立即生效
- 单源真相（Single Source of Truth）：技能在
vertical-plugins/中编写一次，通过sync-agent-skills.py同步到各 Agent 的捆绑副本 - 自包含智能体：每个 Agent 插件捆绑了它需要的全部技能，安装一个插件即可运行
三、核心架构：五层解耦设计
这是本文最核心的部分——理解这五层，你就理解了整个仓库的设计哲学。
┌──────────────────────────────────────────────────────────┐
│ 用户交互层 │
│ Claude Cowork UI / Claude Code / M365 Add-in │
├──────────────────────────────────────────────────────────┤
│ 智能体层（可选） │
│ Pitch Agent / GL Reconciler / Earnings Reviewer / ... │
│ ┌─────────────────────────────────────────────┐ │
│ │ 编排器 (Orchestrator) │ │
│ │ ↓ handoff_request │ │
│ │ 叶子工人 A → 叶子工人 B → ... → 汇总 │ │
│ └─────────────────────────────────────────────┘ │
├──────────────────────────────────────────────────────────┤
│ 技能层（Skills） │
│ comps-analysis / dcf-model / lbo-model / ... │
│ 自动触发 或 斜杠命令触发 │
├──────────────────────────────────────────────────────────┤
│ 连接器层（MCP Connectors） │
│ FactSet / LSEG / S&P Global / PitchBook / ... │
│ 统一 MCP 协议，JSON 配置声明 │
├──────────────────────────────────────────────────────────┤
│ 数据层 │
│ 金融终端 / 文档存储 / CRM / 内部系统 │
└──────────────────────────────────────────────────────────┘
3.1 层与层之间如何通信
| 跨层通信 | 机制 | 说明 |
|---|---|---|
| 用户 → Agent | 自然语言 / 斜杠命令 | /comps、/dcf 等 |
| Agent → 技能 | 自动触发 + 显式调用 | 技能在上下文匹配时自动加载 |
| 技能 → 连接器 | MCP（Model Context Protocol） | 标准化的工具调用协议 |
| Agent → Agent | handoff_request + 事件循环 | 编排器路由到子 Agent |
| 任意层 → 人类 | 暂存输出 | 所有结果等待人类签字 |
四、Agent 层：11 个命名智能体详解
每个 Agent 都是一个端到端的工作流封装，包含系统提示词、捆绑技能、数据连接和部署模板。
4.1 全景地图
┌─────────────────────────────────────────────────────┐
│ 11 个命名智能体 │
├─────────────────┬───────────────────────────────────┤
│ 覆盖与咨询(2) │ Pitch Agent │
│ │ Meeting Prep Agent │
├─────────────────┼───────────────────────────────────┤
│ 研究与建模(3) │ Market Researcher │
│ │ Earnings Reviewer │
│ │ Model Builder │
├─────────────────┼───────────────────────────────────┤
│ 基金运营(4) │ Valuation Reviewer │
│ │ GL Reconciler │
│ │ Month-End Closer │
│ │ Statement Auditor │
├─────────────────┼───────────────────────────────────┤
│ 合规运营(1) │ KYC Screener │
└─────────────────┴───────────────────────────────────┘
4.2 每个 Agent 的核心职责
| Agent | 所属领域 | 核心功能 | 关键技能 | 输出物 |
|---|---|---|---|---|
| Pitch Agent | 覆盖与咨询 | 可比公司 → 先例交易 → LBO → 路演 PPT，端到端 | /comps, /lbo, pitch-deck | .pptx 演示文稿 |
| Meeting Prep Agent | 覆盖与咨询 | 客户会议前的简报包准备 | competitive-analysis, strip-profile | Briefing Pack |
| Market Researcher | 研究与建模 | 行业/主题 → 竞争格局 → 标的筛选 | /competitive-analysis, /sector, /screen | 行业研究报告 |
| Earnings Reviewer | 研究与建模 | 财报电话会 + 文件 → 模型更新 → 研究笔记 | /earnings, /model-update | 研究笔记初稿 |
| Model Builder | 研究与建模 | DCF/LBO/三表联动，在 Excel 中实时构建 | /dcf, /lbo, /3-statement-model | .xlsx 财务模型 |
| Valuation Reviewer | 基金运营 | 摄入 GP 包，运行估值模板，暂存 LP 报告 | returns-analysis, xlsx-author | LP 报告底稿 |
| GL Reconciler | 基金运营 | 总账对账，差异发现与根因追踪 | gl-recon | 差异报告 |
| Month-End Closer | 基金运营 | 计提、滚调、差异评论 | fund-admin 垂直技能 | 结账报告 |
| Statement Auditor | 基金运营 | LP 报表分发前审计与勾稽 | fund-admin 垂直技能 | 审计报告 |
| KYC Screener | 合规运营 | 入职文档解析 + 规则引擎筛查 + 缺口标注 | operations 垂直技能 | KYC 缺口表 |
4.3 Agent 的"守门人"机制
Anthropic 为每个 Agent 写了极其严格的 Guardrails：
| Agent | 守门规则 |
|---|---|
| Pitch Agent | 模型完成后和 deck 生成后各停一次，交给 banker 审核 |
| Earnings Reviewer | 所有数字必须可溯源，找不到来源标注 [UNSOURCED] |
| Model Builder | 硬编码数字必须高亮标注，公式链路必须可追踪 |
| KYC Screener | 只能给建议，风险评级决定权仍在合规官手中 |
| Valuation Reviewer | 估值方法论变更必须经 GP 确认 |
五、Skills 层：50+ 金融技能全解析
5.1 技能的本质是什么？
每个技能文件本质是一份结构化的领域知识文档（Markdown 格式），包含：
<!-- 技能文件结构示例 -->
## 触发条件
当用户请求 X 或上传 Y 类型文件时自动激活
## 执行步骤
Step 1: 从连接器拉取数据
Step 2: 按 XX 标准筛选
Step 3: 套用 YY 估值方法论
Step 4: 生成 ZZ 格式输出
## 输出规范
- 格式要求：...
- 必填字段：...
- 模板位置：...
## 领域惯例
- 术语约定：EV/EBITDA vs P/E 使用场景
- 披露标准：...
注意：技能不是代码，是领域知识的结构化编码。这使得非程序员（金融分析师、合规官）也能贡献和维护。
5.2 核心插件：financial-analysis（必装）
这是整个仓库的基座层，提供共享建模技能和全部 11 个数据连接器：
| 技能 | 对应命令 | 说明 |
|---|---|---|
comps-analysis | /comps | 可比公司分析，交易乘数 |
dcf-model | /dcf | DCF 估值，WACC 和敏感性分析 |
lbo-model | /lbo | 杠杆收购模型 |
3-statement-model | /3-statement-model | 填充三表联动财务模型模板 |
audit-xls | /debug-model | Excel 模型审计——公式追踪、硬编码检测 |
clean-data-xls | — | 规范化和清洗 Excel 中的表格数据 |
deck-refresh | — | 重新链接和刷新嵌入的图表/表格 |
competitive-analysis | /competitive-analysis | 竞争格局和市场定位 |
ib-check-deck | — | 演示文稿错误和一致性 QC |
pptx-author | — | 无头生成 .pptx 文件 |
xlsx-author | — | 无头生成 .xlsx 文件 |
ppt-template-creator | /ppt-template | 创建可复用的 PPT 模板 |
skill-creator | — | 创建新技能的元技能 |
5.3 六大垂直扩展包
financial-analysis (核心基座)
│
├── investment-banking 投行专用：CIM / Teaser / 买方名单 / 合并模型 / 交易追踪
├── equity-research 行研专用：财报点评 / 覆盖启动 / 模型更新 / 主题跟踪
├── private-equity 私募专用：项目sourcing / 尽调清单 / IC备忘录 / 投后监控
├── wealth-management 财富管理：客户回顾 / 财务规划 / 再平衡 / 税损收割
├── fund-admin 基金管理：GL对账 / Break追踪 / 计提滚调 / NAV核验
└── operations 运营合规：KYC文档解析 / 规则引擎评估
投行扩展包（investment-banking）
| 技能 | 命令 | 场景 |
|---|---|---|
strip-profile | /one-pager | 一页公司简介 |
pitch-deck | — | 用数据填充路演模板 |
cim-builder | /cim | 起草保密信息备忘录 |
teaser | /teaser | 匿名一页公司摘要 |
buyer-list | /buyer-list | 战略和财务买方清单 |
merger-model | /merger-model | 摊薄/增厚 M&A 分析 |
deal-tracker | /deal-tracker | 活跃交易和里程碑追踪 |
行研扩展包（equity-research）
| 技能 | 命令 | 场景 |
|---|---|---|
earnings-analysis | /earnings | 财报后季度更新报告 |
earnings-preview | /earnings-preview | 财报前情景分析 |
initiating-coverage | /initiate | 机构级首次覆盖报告 |
model-update | /model-update | 用新数据更新财务模型 |
sector-overview | /sector | 行业格局和主题报告 |
thesis-tracker | /thesis | 维护和更新投资论点 |
idea-generation | /screen | 股票筛选和想法 sourcing |
私募扩展包（private-equity）
| 技能 | 命令 | 场景 |
|---|---|---|
deal-sourcing | /source | 发现公司、检查 CRM、起草触达 |
deal-screening | /screen-deal | 入站 CIM 快速通过/否决 |
dd-checklist | /dd-checklist | 按工作流的尽调清单 |
returns-analysis | /returns | IRR/MOIC 敏感性表 |
ic-memo | /ic-memo | 投资委员会备忘录起草 |
portfolio-monitoring | /portfolio | 投资组合公司 KPI 追踪 |
value-creation-plan | /value-creation | 100 天计划和 EBITDA 桥 |
ai-readiness | /ai-readiness | 评估投后公司的 AI 准备度 |
5.4 技能同步机制：Single Source of Truth
这是仓库最精妙的工程机制之一：
编辑技能（唯一真相源）
plugins/vertical-plugins/financial-analysis/skills/comps-analysis/SKILL.md
│
│ python3 scripts/sync-agent-skills.py
│
▼
┌──────────────────┼──────────────────┐
▼ ▼ ▼
Pitch Agent/skills/ Model Builder/skills/ Earnings Reviewer/skills/
comps-analysis/ comps-analysis/ comps-analysis/
（捆绑副本） （捆绑副本） （捆绑副本）
为什么这么设计？
- 技能源文件只有一份，修改一处全局生效
- 每个 Agent 的捆绑副本保证自包含——安装一个插件即可运行
check.py在 commit 时自动校验引用完整性，防止漂移
六、Connectors 层：11 个 MCP 金融数据连接器
6.1 什么是 MCP？
MCP（Model Context Protocol） 是 Anthropic 推出的开放协议标准，定义了 AI 模型如何与外部数据源交互。所有连接器以统一的 JSON 配置声明在 .mcp.json 中。
这意味着：切换数据源只需修改 JSON 配置，不动技能代码。
6.2 完整连接器清单
| 数据商 | MCP 端点 | 数据类型 | 场景 |
|---|---|---|---|
| FactSet | mcp.factset.com/mcp | 金融终端数据 | 行情、估值、ESG |
| S&P Global | kfinance.kensho.com/.../mcp | Capital IQ 数据 | 财务数据、估值乘数 |
| LSEG | api.analytics.lseg.com/lfa/mcp | 伦敦交易所数据 | 固收、衍生品、外汇 |
| Morningstar | mcp.morningstar.com/mcp | 基金/股票数据 | 基金评级、持仓 |
| Moody’s | api.moodys.com/.../mcp | 信用数据 | 信用评级、违约概率 |
| PitchBook | premium.mcp.pitchbook.com/mcp | PE/VC 数据 | 交易数据、公司估值 |
| Chronograph | ai.chronograph.pe/mcp | PE 投资组合监控 | KPI、IRR 追踪 |
| Daloopa | mcp.daloopa.com/server/mcp | 财务数据提取 | 自动化报表提取 |
| Aiera | mcp-pub.aiera.com | 财报电话会 AI 分析 | 实时 Earnings Call 解析 |
| MT Newswires | vast-mcp.blueskyapi.com/... | 实时新闻 | 市场新闻流 |
| Egnyte | mcp-server.egnyte.com/mcp | 文档管理 | 企业文件存储 |
6.3 MCP 连接器的核心价值
┌─────────────────────────────────────────────────────┐
│ MCP 标准协议 │
│ │
│ ① 切换数据源 = 改 JSON 配置 │
│ FactSet → Wind（国内）→ 东方财富 → 同花顺 │
│ │
│ ② 接入内部系统 = 加一个端点 │
│ 内部 CRM / 自建数据仓库 / OMS / 风控引擎 │
│ │
│ ③ 一次定义，全部继承 │
│ financial-analysis 中定义的连接器， │
│ 所有垂直领域和 Agent 自动继承 │
└─────────────────────────────────────────────────────┘
重要提醒：MCP 连接器提供的是接口形状，不是免费数据。大多数需要供应商订阅或 API 密钥。国内用户要落地，需要替换为 Wind、Choice、同花顺 iFind 等本地数据源。
七、编排层：Agent 间协作的完整机制
7.1 两种运行面
| 运行面 | 适用对象 | 特点 |
|---|---|---|
| Claude Cowork 插件 | 分析师个人/小团队 | 交互式，UI 驱动 |
| Managed Agents API | 企业级集成 | 无头式，API 事件驱动 |
关键：两者共享完全相同的系统提示词和技能文件，只是运行位置不同。
7.2 Managed Agent 的两层架构
在 Managed Agent 模式下，采用编排器 + 叶子工人的两层架构：
┌──────────────────────────────────────────────────┐
│ 编排器 (Orchestrator) │
│ agent.yaml 定义 + system prompt │
│ │
│ 理解意图 → 拆解任务 → 路由给子 Agent │
└──────────────┬───────────────────────────────────┘
│ handoff_request
┌──────────┼──────────┐
▼ ▼ ▼
┌────────┐ ┌────────┐ ┌────────┐
│叶子工人A│ │叶子工人B│ │叶子工人C│
│(DCF) │ │(Comps) │ │(LBO) │
└────────┘ └────────┘ └────────┘
│ │ │
└──────────┼──────────┘
▼
汇总结果 → 暂存审核
7.3 orchestrate.py：事件循环源码级解析
Anthropic 提供了 scripts/orchestrate.py 作为参考事件循环实现。这是一个完整的、可直接运行的多 Agent 编排器。
安全防护机制（三重验证）：
# 第一重：硬编码白名单——只有预定义的 Agent 才能被路由到
ALLOWED_TARGETS = {
"pitch-agent", "market-researcher", "earnings-reviewer",
"meeting-prep-agent", "model-builder", "gl-reconciler",
"kyc-screener", "valuation-reviewer", "month-end-closer",
"statement-auditor",
}
# 第二重：JSON Schema 验证——payload 必须符合指定格式
HANDOFF_PAYLOAD_SCHEMA = {
"type": "object",
"properties": {
"event": {"type": "string", "maxLength": 2000},
"context_ref": {"type": "string", "maxLength": 256,
"pattern": r"^[a-zA-Z0-9_\-./:]+$"},
},
"required": ["event"],
}
# 第三重：正则提取——从 AI 文本输出中安全提取 handoff 指令
HANDOFF_RE = re.compile(r'\{[^{}]*"type"\s*:\s*"handoff_request"[^{}]*\}')
完整事件循环流程：
def run(source_session_id: str, agent_ids: dict[str, str]) -> None:
client = anthropic.Anthropic()
# 1. 监听源会话的流式输出
with client.beta.agents.sessions.stream(session_id=source_session_id) as stream:
for event in stream:
# 2. 只处理文本消息事件
if event.type != "message_delta" or not getattr(event, "text", None):
continue
# 3. 提取 handoff_request
handoff = extract_handoff(event.text)
if not handoff:
continue
# 4. 白名单验证
target_slug = handoff["target_agent"]
target_id = agent_ids.get(target_slug)
if not target_id:
continue
# 5. 路由到目标 Agent
client.beta.agents.sessions.steer(
agent_id=target_id,
input=handoff["payload"]["event"],
)
handoff_request 的 JSON 格式：
{
"type": "handoff_request",
"target_agent": "pitch-agent",
"payload": {
"event": "请基于以下可比公司数据生成 Pitch Deck...",
"context_ref": "deal_2026_001"
}
}
为什么不用专用工具调用，而要从文本中提取 JSON？
官方注释说得很诚实：
⚠️ 这是参考实现。生产环境建议使用专用工具调用（tool_use）而非文本正则提取。
当前使用文本提取的原因是兼容性——这样同一份提示词在 Cowork 插件和 Managed Agent 两种模式下都能工作。正式上线时，企业应替换为 Temporal、Airflow 等成熟工作流引擎。
八、Microsoft 365 集成：跨应用上下文传递
这是 Anthropic 的另一个杀手级设计——Claude 在 Excel、PowerPoint、Word、Outlook 之间携带知识和上下文无缝流转。
| 应用 | Agent 能力 |
|---|---|
| Excel | 构建财务模型、审计跨工作簿公式、运行敏感性分析 |
| PowerPoint | 起草自动随底层数字变化的演示文稿 |
| Word | 根据公司模板编辑信用备忘录 |
| Outlook | 分拣收件箱、安排会议、用用户声音起草回复 |
实际场景：
① 分析师在 Excel 中开始做 DCF 模型（Model Builder 辅助）
↓（上下文自动传递）
② 转到 PowerPoint，Claude 已理解模型数据，直接生成路演 PPT
↓（上下文自动传递）
③ 转到 Outlook，Claude 已理解 PPT 内容，起草给客户的邮件
跨应用传递的核心价值：不需要在每个应用中重新解释"我在做什么"。Claude 记得。
九、实战案例：三个完整工作流
🔥 案例一：投行 Pitch Book 全流程
场景：某科技公司的 M&A 顾问团队要准备出售方案。
┌──────────────────────────────────────────────────────────────┐
│ Step 1: 建立可比公司池 │
│ ───────────────────── │
│ 分析师输入："/comps 目标公司 DataCore Inc." │
│ │
│ Pitch Agent 自动执行： │
│ → comps-analysis 技能激活 │
│ → 通过 FactSet MCP 拉取行业数据 │
│ → 筛选可比公司（营收规模 +/- 50%、同行业、同地区） │
│ → 生成 EV/EBITDA、P/E 乘数表 │
│ → 输出 .xlsx → 暂存等待审核 ✋ │
│ │
├──────────────────────────────────────────────────────────────┤
│ Step 2: 跑 LBO 模型 │
│ ───────────────── │
│ 分析师输入："/lbo 基于以下乘数假设" │
│ │
│ → lbo-model 技能激活 │
│ → 读取上一步的 comps 数据 │
│ → 构建 IRR 敏感性表（退出乘数 x 杠杆率 x 持有期） │
│ → 输出 .xlsx → 暂存等待审核 ✋ │
│ │
├──────────────────────────────────────────────────────────────┤
│ Step 3: 生成路演 PPT │
│ ──────────────────── │
│ 分析师输入："用这些内容生成 pitch deck" │
│ │
│ → pitch-deck + pptx-author 技能激活 │
│ → 自动链接到公司 PPT 模板 │
│ → 填充 comps 表格、LBO 敏感性图 │
│ → 品牌化排版 │
│ → 输出 .pptx → 暂存等待审核 ✋ │
│ │
├──────────────────────────────────────────────────────────────┤
│ Step 4: 生成买方清单 │
│ ──────────────────── │
│ 分析师输入："/buyer-list" │
│ │
│ → buyer-list 技能激活 │
│ → 按 M&A 历史和战略匹配度打分 │
│ → 输出战略买方 + 财务买方清单 │
│ → 输出 .xlsx → 暂存等待审核 ✋ │
└──────────────────────────────────────────────────────────────┘
全流程 AI 辅助，人类在每一步签字。
🔥 案例二：PE 投资委员会备忘录
场景：PE 基金完成了某 SaaS 公司的尽调，需要起草 IC Memo。
┌──────────────────────────────────────────────────────────────┐
│ 输入：CIM、管理层演示、财务数据、专家访谈纪要 │
│ │
│ 智能体协作流程（Managed Agent 模式）： │
│ │
│ 编排器 │
│ │ handoff → deal-screening Agent │
│ │ → 快速通过/否决判断 │
│ │ handoff → unit-economics Agent │
│ │ → ARR 队列、LTV/CAC、净留存分析 │
│ │ handoff → returns-analysis Agent │
│ │ → IRR/MOIC 敏感性表 │
│ │ handoff → ic-memo Agent │
│ │ → 按基金模板起草 IC Memo │
│ ▼ │
│ 输出：IC Memo .docx → 暂存等待 GP 签字 ✋ │
└──────────────────────────────────────────────────────────────┘
🔥 案例三：基金运营月结对账
场景：PE 基金每月需要完成 GL 对账和月结。
┌──────────────────────────────────────────────────────────────┐
│ 自动触发（Managed Agent 定时任务） │
│ │
│ GL Reconciler： │
│ → 读取总账数据（通过内部 MCP 连接器） │
│ → 与子账比对 │
│ → 发现差异 → 追踪根因（日期不匹配？货币换算？） │
│ → 输出差异报告 ✋ │
│ │
│ Month-End Closer： │
│ → 运行结账清单 │
│ → 准备计提和日记账分录 │
│ → Roll-forward 上月余额 │
│ → 生成差异评论 │
│ → 输出结账报告 ✋ │
│ │
│ Statement Auditor： │
│ → 审查 LP 报表一致性 │
│ → 检查勾稽关系 │
│ → 确认审计就绪性 │
│ → 输出审计报告 ✋ │
└──────────────────────────────────────────────────────────────┘
十、部署指南：三种使用路径
10.1 路径对比
| 路径 | 适用对象 | 优点 | 缺点 |
|---|---|---|---|
| Claude Cowork 插件 | 分析师快速试用 | 上手最快，UI 交互 | 与企业审计系统有距离 |
| Claude Code + 垂直插件 | 想先试单个命令 | 按需安装，轻量化 | 仅限交互式使用 |
| Managed Agents API | 企业级集成 | 可托管、可编排 | 需自行实现编排层 |
10.2 推荐的落地路径
Phase 1（验证价值，1-2 周）
→ 在 Cowork 装一个命名 Agent（如 Pitch Agent）
→ 确认团队是否需要这种工作流
Phase 2（验证连接器，2-4 周）
→ 在 Claude Code 安装 financial-analysis + 一个垂直插件
→ 接入 1-2 个 MCP 数据源
→ 验证 commands 和 connectors
Phase 3（企业集成，1-3 月）
→ 前两步跑通后，看 Managed Agents
→ 接进审批、调度和审计流程
→ 替换为内部数据源和模板
10.3 一键部署命令
Cowork 插件安装：
# 添加市场源
claude plugin marketplace add anthropics/financial-services
# 核心技能+连接器（必须先装）
claude plugin install financial-analysis@claude-for-financial-services
# 按需安装命名智能体
claude plugin install pitch-agent@claude-for-financial-services
claude plugin install gl-reconciler@claude-for-financial-services
Managed Agent 部署：
export ANTHROPIC_API_KEY=sk-ant-...
scripts/deploy-managed-agent.sh gl-reconciler
Microsoft 365 集成：
claude plugin install claude-for-msft-365-install@claude-for-financial-services
/claude-for-msft-365-install:setup
安装后立即可用的斜杠命令：
/comps 跑可比公司分析
/dcf 跑 DCF 估值
/lbo 跑 LBO 模型
/earnings 写财报分析
/ic-memo 起草 IC 备忘录
/teaser 生成公司摘要
/screen 股票筛选
/sector 行业格局报告
十一、架构核心原则总结
原则一：技能与智能体解耦再捆绑
垂直插件中的技能（可独立使用）
│
│ sync-agent-skills.py
▼
智能体中的捆绑副本（端到端可用）
- 技能独立存在于垂直插件中，可单独使用
- 智能体按需捆绑技能，形成端到端工作流
- 同步脚本保证捆绑副本与源文件一致
原则二：双部署路径统一语义
同一份系统提示词 ──→ Cowork UI（交互式）
└──→ Managed Agents API（无头式）
同一份 prompt，两种运行环境。设计意图是让金融机构根据自己的流程灵活选择。
原则三：领域深度优先于通用性
每个技能都是金融行业特定方法论的编码——不是通用的"写文档"或"做表格"，而是"按投行标准做可比公司分析"、“按 PE 标准写 IC 备忘录”。
这种领域深度是仓库的核心价值，也是其他通用框架（LangChain、CrewAI）难以覆盖的。
原则四：人类主权不可剥夺
AI 生成草稿 → 暂存 → 人类审核 → 人类签字 → 才算完成
所有 Agent 的 Guardrails 都明确：AI 是助手，不是决策者。投资建议、交易执行、合规审批的最终决定权永远在人类手中。
十二、与国内落地的适配路径
12.1 数据源替换
| 海外连接器 | 国内替代 |
|---|---|
| FactSet / S&P Capital IQ | Wind / Choice / iFind |
| Bloomberg Terminal | Wind Terminal / 聚源 |
| PitchBook | IT 桔子 / 企名片 |
| Morningstar | 天相投顾 / 好买基金 |
| MT Newswires | 财联社快讯 / 同花顺新闻 |
| Egnyte | 钉钉文档 / 企业微信文档 |
12.2 模板本地化
- 替换 PPT/Excel 模板为机构内部标准
- 加入中文合规披露要求
- 适配中国会计准则（CAS vs IFRS）
- 注入机构内部术语和流程规范
12.3 合规适配
- 遵循《证券期货投资者适当性管理办法》
- 确保数据不出境（本地部署）
- 加入审计日志和操作留痕
- 连接内部审批流程（OA / BPM）
十三、这给多 Agent 架构设计的启示
回到你正在设计的 HiClaw 或其他多 Agent 系统，Anthropic 这个仓库有几个值得借鉴的设计模式：
| 设计模式 | Anthropic 的做法 | 可借鉴点 |
|---|---|---|
| 技能与智能体解耦 | vertical-plugins → agent-plugins 同步 | 避免 Agent 之间的代码重复 |
| 全文件化配置 | Markdown + JSON，零构建 | 降低非程序员贡献门槛 |
| Guardrails 前置 | 每个 Agent 的系统提示词内置严格约束 | 比运行时拦截更可靠 |
| 人类审批暂存 | 所有输出暂存等待签字 | 金融/医疗/法律领域必备 |
| 事件驱动协作 | handoff_request + 白名单 + Schema 验证 | 安全的多 Agent 路由方案 |
| MCP 标准化 | JSON 配置声明数据源 | 数据层与逻辑层彻底解耦 |
写在最后
Anthropic 的这个仓库本质上回答了一个问题：
如何把一个行业的专业知识，变成 AI 可以理解和执行的结构化流程？
答案不是写更多代码，而是用 Markdown 和 JSON 把领域知识编码为技能文件，用 MCP 把数据源标准化接入，用系统提示词把 Guardrails 内置到 Agent 中。
这种"文档即代码"的思路，比任何炫酷的框架都更务实。对金融行业是这样，对医疗、法律、供应链、制造业也是一样。
下一期预告：我会用 Anthropic 的这套架构模式，拆解如何设计一个面向国内医疗行业的多 Agent 系统——从 HIS 系统对接到临床决策支持，敬请关注。
📌 项目信息
- 仓库地址：github.com/anthropics/financial-services
- 协议：Apache License 2.0
- Stars：24.1k | Fork：3.3k
- 发布时间：2026 年 5 月 5 日
- 适用场景：投资银行、股权研究、私募股权、财富管理、基金运营、合规运营
如果这篇文章对你有帮助，点个关注不迷路。后续我会持续拆解 Anthropic、OpenAI 等头部 AI 公司的开源项目架构，分享多 Agent 系统设计的实战经验。有问题欢迎评论区讨论！
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_31142761/article/details/161171785
