金融 Agent 真正难的不是算 DCF，而是最后谁来签字

原创 山行AI 2026-09-26 09:44 浙江   FINANCIAL AGENT WORKFLOW 2026.09.24Anthrop FINANCIAL AGENT WORKFLOW2026.09.24 # Anthropic 把金融工作拆成 Agent：从研究、建模到 KYC 的一套参考架构 从研究、建模到 KYC：能力自动化，责任不自动转移 工作底稿由 Agent 准备，最终结果由专业人员签核 AGENT · SKILL · MCP · REVIEW 本期导读 金融 Agent 四层架构 Cowork 与后台部署 人工签核与治理边界 金融行业并不缺 AI Demo，真正缺的是能嵌进现有流程、接上内部数据、留下审计痕迹，还能在最后一步交给专业人员签字的系统。 Anthropic 的 financial-services 仓库，提供了一套面向投资银行、股票研究、私募股权、基金运营和财富管理的参考实现。它不是一个“自动投资顾问”，也不是一组孤立的 Prompt，而是把金融工作拆成四类可复用资产： 01**命名 Agent**：Pitch Agent、Market Researcher、Model Builder、GL Reconciler、KYC Screener 等端到端工作流。 02**垂直 Skills**：DCF、LBO、三张表、Comps、财报分析、KYC 规则、Excel 审计和 PPT 模板等领域方法。 03**MCP 连接器**：把 Morningstar、FactSet、S&P Global、LSEG、PitchBook、Egnyte、Box 等数据源接入统一工作流。 04**Managed Agent Cookbooks**：用 agent.yaml、子 Agent 和 steering events，把同一套能力部署到 API 后台。 这套仓库最值得关注的地方，不是“金融 Agent 能做多少事”，而是它把 **能力复用、数据接入、任务编排和人工治理** 放在了同一套文件结构里。 本文是对 Anthropic 开源仓库的中文整理与架构解读。仓库中的 Agent 输出是分析工作底稿，不能替代投资、法律、税务或会计意见；最终结果需要专业人员复核和签核。  — Claude for Financial Services 项目封面 01 PART 一、它到底开源了什么 WHAT IS INCLUDED 截至仓库 README 的 2026 年 9 月快照，financial-services 收录了一组自包含 Agent 插件和金融垂直插件。仓库当前约 3.7 万 Star，采用 Apache-2.0 许可证，主要语言为 Python，但交付形态以 Markdown、JSON、YAML、插件清单和脚本为主。 Anthropic 给出的核心承诺是：同一份 Agent 系统提示词和 Skills，可以有两种运行方式。 01**Cowork 插件**：安装到 Claude Cowork，在桌面工作空间中调度金融 Agent。 02**Claude Managed Agents**：把同一套 Agent 模板部署到 Managed Agents API，再由企业自己的工作流引擎控制。 这不是两套重复实现。Agent 的定义、Skills 和连接器来自同一份仓库，差别主要在于运行入口：一个面向交互式工作台，一个面向后台服务和企业编排。 02 PART 二、四层架构：Agent、Skill、Connector、Managed Wrapper ARCHITECTURE 仓库的目录结构很有代表性： plugins/   agent-plugins/               # 命名 Agent：端到端工作流   vertical-plugins/            # 金融垂直 Skills、命令和 MCP   partner-built/               # 合作伙伴插件 managed-agent-cookbooks/       # API 部署模板与子 Agent claude-for-msft-365-install/   # Microsoft 365 租户安装工具 scripts/                       # 校验、同步、部署和编排脚本   — Financial Services Agent 的四层架构 1. Agent 层：围绕工作结果组织能力 Agent 不是一个“大而全”的聊天机器人，而是绑定到具体工作结果： 01**Pitch Agent**：从可比公司、交易先例、LBO 分析走到品牌化 pitch deck。 02**Meeting Prep Agent**：在客户会议前准备 briefing pack。 03**Market Researcher**：从行业主题生成行业概览、竞争格局、同业可比和投资想法清单。 04**Earnings Reviewer**：读取业绩电话会与公告，更新模型并起草研究笔记。 05**Model Builder**：在 Excel 中执行 DCF、LBO、三张表和可比公司分析。 06**Valuation Reviewer**：读取 GP package，运行估值模板并准备 LP 报告。 07**GL Reconciler**：发现总账差异、追踪根因并路由给签核人员。 08**Month-End Closer**：处理计提、滚动结转和差异说明。 09**Statement Auditor**：在分发前审计 LP statement。 10**KYC Screener**：解析开户材料、运行规则引擎并标记缺失项。 这些 Agent 的共同特点是：每个 Agent 都是相对自洽的工作单元，自带它需要的 Skills，不要求使用者另外拼一堆隐含依赖。 2. Skill 层：把金融经验写成可复用方法 垂直 Skill 负责回答“这个工作应该怎么做”： 01Comps：可比公司和交易倍数分析。 02DCF：WACC、敏感性分析和现金流折现。 03LBO：杠杆收购模型。 04三张表：资产负债表、利润表、现金流量表联动。 05Earnings：业绩更新、预期差和催化剂。 06Audit XLS：公式追踪、硬编码检测和平衡检查。 07PPT/XLSX Author：生成或更新面向交付的文件。 08KYC Rules：把开户材料映射到规则网格。 Skill 的价值不在于告诉模型一些金融名词，而在于把企业惯例、步骤顺序、输出格式和检查标准固化下来。仓库还提供 sync-agent-skills.py，让垂直插件里的源 Skill 同步到需要它的 Agent 插件中，减少复制版本漂移。 3. Connector 层：把外部数据变成工作流输入 所有金融数据连接器集中在 financial-analysis 核心插件中，再由其他垂直 Agent 共享。README 列出的连接器包括： 01Daloopa、Morningstar、S&P Global、FactSet、Moody's、MT Newswires。 02Aiera、LSEG、PitchBook、Chronograph。 03Egnyte、Box 等企业文档系统。 连接器通过 MCP 接入，金融 Agent 不需要为每个数据供应商重写一套调用协议。代价是：这些服务通常需要单独订阅、API Key 或企业授权，仓库本身没有替用户获得数据许可。 4. Managed Wrapper 层：把交互式 Agent 变成后台服务 每个 Managed Agent cookbook 通常包含： 01agent.yaml：主 Agent 的配置和系统指令。 02深度为 1 的 subagents/：研究、建模、审阅、写作等叶子工作者。 03steering-examples.json：外部工作流如何向运行中的 Agent 发送 steering event。 04README：部署说明和安全注意事项。 部署脚本会解析文件引用、上传 Skills、创建 leaf-worker subagents，再向 /v1/agents 提交 orchestrator。仓库提供的 orchestrate.py 还展示了如何在自己的编排层里转发 handoff\_request 事件。 03 PART 三、金融 Agent 的工作流不是“自动批准” HUMAN SIGN-OFF 金融场景最关键的设计，是把 Agent 的输出定位为 **analyst work product（分析工作底稿）**，而不是最终决策。 仓库在 README 中明确排除了几类权限： 01不做投资建议。 02不执行交易。 03不绑定风险。 04不直接记账。 05不批准开户。 这意味着一个典型工作流应当长这样： 01Agent 读取被授权的数据和企业材料。 02Agent 按 Skill 完成分析、建模或规则检查。 03Agent 生成模型、备忘录、研究笔记、差异清单或审计底稿。 04系统保留来源、公式、假设、异常和待确认事项。 05专业人员复核，并决定修改、签核、退回或升级。 06只有经过签核的结果才能进入正式报告、账务、客户沟通或后续流程。  — 金融 Agent 的人工签核门禁 这套边界对金融行业尤其重要：模型可以帮助完成大量实现工作，但责任、授权和最终审批仍然属于机构和专业人员。 04 PART 四、为什么要同时支持 Cowork 和 Managed Agents DUAL RUNTIME Cowork：适合人坐在工作台前 Cowork 插件适合分析师、投行团队和运营人员直接使用。用户可以安装整个仓库，也可以只安装某个 Agent 或垂直插件，例如： claude plugin marketplace add anthropics/financial-services claude plugin install financial-analysis@claude-for-financial-services claude plugin install pitch-agent@claude-for-financial-services claude plugin install market-researcher@claude-for-financial-services  这种模式的优势是交互式：用户可以提供上下文、查看中间结果、修改假设、调整模板，并在最后进行人工审核。 Managed Agents：适合企业工作流后台 Managed Agents 则把 Agent 放进企业自己的工作流引擎。比如，月结系统每天自动触发 month-end-closer，文件到达时启动 statement-auditor，业绩电话会结束后触发 earnings-reviewer。 后台编排可以控制： 01哪个 Agent 可以被调用。 02哪些子 Agent 可以被 handoff。 03哪些数据源可以访问。 04哪些事件需要人工 steering。 05何时暂停、重试、回滚或升级。 但仓库也明确提示：callable\_agents 仍属于 Research Preview，企业不能把预览能力直接当成成熟的生产隔离方案。 05 PART 五、金融垂直插件如何扩展 VERTICALS 仓库把金融业务拆成几个可以独立组合的 vertical： 01**financial-analysis**：核心建模、Excel、deck QC 和全部数据连接器。 02**investment-banking**：CIM、teaser、process letter、buyer list、并购模型和 deal tracker。 03**equity-research**：业绩笔记、initiation、模型更新、投资 thesis 和催化剂日历。 04**private-equity**：项目来源、筛选、尽调、IC memo 和 portfolio monitoring。 05**fund-admin**：总账核对、差异追踪、计提、滚动结转和 NAV tie-out。 06**operations**：KYC 文档解析与规则网格评估。 这样的切分有一个好处：机构可以从核心分析插件开始，逐步安装自己的业务范围，不必一开始把所有金融工具和数据源暴露给每个用户。 06 PART 六、Microsoft 365 是另一个入口 M365 仓库还提供 claude-for-msft-365-install，用于把 Claude 安装到 Excel、PowerPoint、Word 和 Outlook 的 Microsoft 365 Add-in 中。 它本身不是 Cowork Agent，而是 IT 管理员使用的安装工具，负责： 01生成定制的 Add-in manifest。 02申请 Azure 管理员同意。 03通过 Microsoft Graph 写入用户路由配置。 04让机构把运行后端指向自己的 Vertex AI、Bedrock 或内部 LLM Gateway，而不是默认使用 Anthropic API。 这形成了一个清晰的入口关系：Microsoft 365 负责把 Agent 放进现有办公界面，financial-services 里的 Agent 与 Skills 负责具体金融工作。 07 PART 七、这套架构的优点与边界 TRADE-OFFS 优点 01**同源复用**：Cowork 和 Managed Agents 使用相同的系统提示词与 Skills。 02**工作流导向**：Agent 按 Pitch、Earnings、GL、KYC 等结果组织，而不是按模型能力组织。 03**领域知识可维护**：企业术语、模板、检查标准都可以沉淀进 Markdown Skill。 04**连接器集中治理**：金融数据入口集中在核心插件，便于替换和审查。 05**人工签核明确**：默认输出是工作底稿，金融高风险动作不直接自动化。 06**可渐进定制**：可以替换连接器、加入 firm context、带入品牌模板，也可以复制结构新增 Agent。 边界 01仓库是 reference templates，不等于已经完成企业级生产部署。 02数据供应商连接器可能需要订阅、API Key 和独立授权。 03Managed Agents 的子 Agent 委派仍是 Research Preview。 04Agent 生成的模型、估值、研究笔记和规则判断仍需要专业复核。 05Skill 以文件形式维护，团队需要建立版本、审批和变更同步机制。 06金融机构仍需自行完成数据隔离、权限、留痕、模型风险和监管合规评估。 08 PART 八、怎样把它落到自己的机构 IMPLEMENTATION 比较稳妥的落地顺序是： 01先选一个低风险、可复核的工作流，例如会议准备、研究资料整理或 Excel 审计。 02安装 financial-analysis 核心插件，明确数据连接器和凭证边界。 03将机构自己的术语、模板、输出格式和检查清单写入 Skill。 04用 Cowork 做交互式试运行，收集失败案例和人工修改记录。 05把稳定流程迁移到 Managed Agents，加入事件、重试、暂停和人工 steering。 06给每个 Agent 设置清晰的禁止事项和签核点，尤其是交易、记账、开户和客户沟通。 07运行仓库的 check.py、validate.py 和同步脚本，防止 Agent 内置 Skill 与垂直源文件漂移。 最适合优先自动化的，是材料整理、数据核对、模型审计、初稿生成和异常路由；最不适合一开始自动化的，是没有明确审批人、不可逆、直接影响客户或资产的动作。 END PART 九、结语：金融 Agent 的关键不是替代分析师，而是重做工作流 EPILOGUE Anthropic 的 financial-services 让金融 Agent 变得具体：它不只展示一个聊天机器人，而是把 Agent、Skill、MCP 数据连接器、Managed Agent 和办公软件入口组合成一个可扩展的参考系统。 它的核心价值也不在于“模型可以做 DCF、LBO 或 KYC”，而在于把这些能力放进了可复用、可部署、可复核、可人工签核的工作流里。 金融行业真正需要的，不是一个敢于自动批准一切的 Agent，而是一个能把资料、计算、规则、异常和证据整理好，最后把决定交还给负责人的 Agent。 声明：本文由山行整理自：anthropics/financial-services（ 我是山行 AI，持续分享 AI 工具、Agent 工作流与开源项目观察。 如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。 [跳转微信打开](https://wechat2rss.bestblogs.dev/link-proxy/?k=c114a401&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzU2NzkxNDY0Ng%3D%3D%26mid%3D2247491093%26idx%3D1%26sn%3D0c60e2c2cc0b7a74db340945f964ef6a)