前几天我翻了翻 Anthropic 官方的 GitHub发现他们悄悄放出了一个面向金融行业的开源仓库——把投行、PE私募股权、研究员平时最重复的那部分活全做成了现成的 AI 代理。我试了下它的设计越看越觉得这个思路挺实在所以写篇笔记分享一下。先说它解决的是什么问题用大白话讲金融圈的分析师大量时间花在「重复但又不简单」的活上——拉可比公司、搭 DCF现金流折现估值模型、写研报、对账、做 Pitch Deck给客户看的融资/并购演示材料。这些活 AI 其实能起草个七七八八但金融行业监管严、出错的代价高所以一直没人敢让 AI 直接拍板。Anthropic 这个仓库anthropics/financial-services的思路很聪明AI 负责起草人类负责签字。所有产出先「暂存」等真人复核不直接执行任何交易或入账。这恰恰是它能落地的原因。这项目是什么来头发布方Anthropic就是 Claude 背后的公司仓库挂在官方anthropics组织下属于官方出品不是个人玩具。形态一套「参考实现」——里面是代理Agent、技能Skill、数据连接器Connector的源码全是 Markdown 和 JSON不用编译。协议Apache-2.0可以随便 fork 自己改。热度在 GitHub 上已经接近 4 万 star合作方里有 LSEG路孚特原 Bloomberg 终端那类数据商和 SP Global标准普尔两家金融数据巨头。小提醒网上有些文章把仓库名写成claude-for-financial-services那是错的。正确的仓库是anthropics/financial-services。三层结构代理 / 插件 / 连接器我画了一张图把它的结构捋清楚第一层10 个命名代理。每个代理是一个「端到端工作流」比如 Pitch Agent 一键出 Pitch DeckGL Reconciler 自动找总账对账差异。它们自带要用到的技能装上就能用。第二层7 个垂直插件。按业务线打包的「技能 斜杠命令 连接器」。其中financial-analysis是核心必须第一个装——它带着所有数据连接器。第三层12 个 MCP 数据连接器。把 Claude 接上你的数据源FactSet、LSEG、SP Global 这些专业终端都在这层。MCP模型上下文协议可以理解为「AI 连外部系统的通用插头」负责打通数据。10 个代理都能干啥一张表看完代理所属业务线大白话能干啥Pitch Agent投资银行可比公司 先例交易 LBO杠杆收购→ 直接出品牌 Pitch DeckMeeting Prep Agent覆盖/顾问每次见客户前自动攒一份情报摘要包Market Researcher研究/建模给定行业或主题产出行业概览、竞争格局、同行对比Earnings Reviewer研究/建模听了财报电话 读了申报文件 → 更新模型 → 起草研报Model Builder研究/建模DCF / LBO / 三表模型 / 可比公司直接在 Excel 里搭Valuation Reviewer基金管理吃进 GP普通合伙人即基金管理者数据包 → 跑估值 → 暂存 LP有限合伙人即出资人报告GL Reconciler基金管理找总账对账差异 → 追根因 → 路由给审批人Month-End Closer基金管理月末结账应计、滚动表、差异说明Statement Auditor基金管理给 LP 发报表前先做一遍审计KYC Screener运营解析入职文件 → 跑规则引擎 → 标出缺漏打个比方这些代理就像你团队里「分工明确的初级分析师」——有人专做 Pitch有人专盯对账每个人把自己那块初稿写好摆桌上你只管改和签字。50 个斜杠命令覆盖六条业务线装了垂直插件后会话里就能直接用斜杠命令类似在聊天框打/comps这种。我挑几个有代表性的金融分析核心/comps可比公司、/dcf现金流折现、/lbo杠杆收购、/3-statement-model三表模型、/debug-model查 Excel 公式错误、/competitive-analysis竞争格局、/ppt-template做 PPT 模板投资银行/cim保密信息备忘录、/teaser匿名项目简介、/buyer-list潜在买家清单、/merger-model并购增厚/摊薄分析、/deal-tracker交易管道跟踪股票研究/earnings财报后研报、/initiate新覆盖报告、/morning-note每日早报、/screen股票筛选私募股权/dd-checklist尽调清单、/ic-memo投委会备忘录、/portfolio投资组合监控、/returnsIRR/MOIC 回报分析命令太多这里只列了一部分仓库 README 里每个插件下都有完整清单感兴趣可以直接去翻。12 个数据连接器把专业终端接进来光有代理不够分析师的活离不开数据。这层把行业里常用的数据源通过 MCP 接了进来连接器干啥的FactSet / SP Global / LSEG综合金融数据终端行研、估值、行情Morningstar基金与股票研究数据Moodys信用评级与分析PitchBook一级市场PE/VC数据DaloopaAI 驱动的财务建模数据ChronographPE 投资组合监控Aiera / MT Newswires财报电话分析 / 实时财经新闻Egnyte / Box企业内容管理与文件存储注仓库 README 文字里有时写「11 个连接器」但表格实际列了 12 个多了个 Box。我按表格的 12 个来。接这些一般要各家的数据订阅或 API key。为什么金融圈敢用AI 起草人类签字这是我看完觉得最值得聊的一点。整个项目明明白白写了所有代理——✅会做的起草分析师的工作产物模型、研报、备忘录、对账交给专业人员复核。❌绝不做的发投资建议、执行交易、绑定风险敞口、直接入账、批准客户入职。说白了就是「助理把初稿写好你签字才生效」。这个设计刚好踩在金融监管的线上——把重复耗时的分析丢给 AI把最终判断留给人。从社区反馈看这种「不越权」的定位是它能在投行、基金里真正用起来的关键而不是又一个演示 Demo。一个具体例子Pitch Agent 怎么跑光说概念有点虚我拿最出圈的 Pitch Agent 举个例子你给它一个行业或标的公司它自己串起/comps可比公司、/precedent先例交易、/lbo杠杆收购几条命令把一份带品牌样式的 Pitch Deck 拼出来然后——注意——先暂存等你确认你改改、点个头才发出去。同样一套「起草 → 暂存 → 签字」的套路也用在 GL Reconciler对账、Earnings Reviewer研报这些代理上。怎么装四种玩法这个项目有意思的地方是同一套提示词和技能你可以选在不同地方跑。① 最简单Claude Cowork对话式进 Cowork → 设置 → 插件 → 添加插件粘贴仓库地址然后从市场列表里挑你要的代理和插件https://github.com/anthropics/financial-services② 开发者Claude Code命令行# 先把整个仓库加为插件市场 claude plugin marketplace add anthropics/financial-services # 核心技能 连接器必须第一个装 claude plugin install financial-analysisclaude-for-financial-services # 挑你需要的命名代理 claude plugin install pitch-agentclaude-for-financial-services claude plugin install gl-reconcilerclaude-for-financial-services # 再装对应的垂直插件按业务线 claude plugin install investment-bankingclaude-for-financial-services claude plugin install equity-researchclaude-for-financial-services注意网上有些旧教程直接claude plugin install ...漏了第一步加市场。不加市场后面的claude-for-financial-services会找不到源。③ 无头批量Managed AgentsAPI 驱动适合把代理挂在你自己的工作流引擎后面自动跑export ANTHROPIC_API_KEYsk-ant-... scripts/deploy-managed-agent.sh gl-reconciler④ 进办公室Microsoft 365 加载项如果你的公司在 Excel、PPT、Word、Outlook 里用 Claude仓库里带了一套管理员工具把它部署到你自己的云Vertex AI / Bedrock / 内部网关而不是 Anthropic 的 APIclaude plugin install claude-for-msft-365-installclaude-for-financial-services /claude-for-msft-365-install:setup顺带看一眼Anthropic 怎么写 Agent 事件循环scripts/orchestrate.py是整个项目最值得扒的文件之一——它是 Anthropic 给的「参考事件循环」实现展示一个生产级金融代理的骨架长啥样。我简化了一下它的逻辑# orchestrate.py 的参考事件循环简化示意非逐行原文 while True: # 1. 从任务队列看板、邮件触发等取任务 task fetch_next_task() # 2. 给这个任务准备隔离的工作区和上下文 context prepare_workspace(task) # 3. 加载对应的垂直插件技能 skills load_vertical_skills(task.vertical) # 4. 调 Claude API 跑分析 result claude.run(task, context, skills) # 5. 暂存输出等人工确认——绝不自动执行 stage_for_review(result, approvertask.assigned_analyst) # 6. 记录轨迹Token 消耗、耗时、模型版本 log_trajectory(task, result)真实的orchestrate.py重点在「把handoff_request事件在不同代理之间路由」——也就是多个代理协作时谁该接下一棒。如果你想在自己的系统里搭类似的东西这个文件是很好的起点。它适合谁又有什么坑维度Claude for Financial Services通用 AI 助手专有金融 AI 产品专业深度金融定制工作流50 专业命令通用得自己写一堆 prompt单一垂直覆盖面有限数据集成12 个行业标准数据源没有直接集成通常只接 1-2 个合规设计输出全等人签字不自动执行没有内置合规机制有考虑但不透明可定制全开源可 fork 改黑盒闭源部署四种模式含 M365单一通常 SaaS坑也得说清楚数据是真金白银的门槛那 12 个连接器大部分要你本来就订阅了 FactSet、LSEG 这些年费不便宜不然接不进来。它不替你背锅仓库首页就写「不构成投资建议」最终责任在你。上手有门槛得会用 Claude Code / Cowork 这类工具纯小白直接上手有点懵。总结一句话这不是「AI 要取代金融人」的科幻片而是 Anthropic 给出的、经过工程化设计的落地路线图——AI 把最重复的那层活包了把判断和签字留给人。开源、Apache-2.0、四种部署方式基本把「企业里怎么负责任地用 AI 代理」这件事讲明白了。如果你在投行、PE、基金或 Fintech 团队想快速搭一套合规的 AI 分析工作流这个仓库值得 clone 下来翻一翻。名词速查表Agent代理能自主跑完一段工作流的 AI 程序这里指金融分析场景下的「虚拟初级分析师」。DCF现金流折现一种估值方法把公司未来能赚的钱折算成今天的价位。LBO杠杆收购借钱加杠杆把公司买下来靠后续经营和退出赚钱的玩法。Pitch Deck给投资人/客户看的演示材料讲「为什么值得投/买」。IB / ER / PE / WM投资银行 / 股票研究 / 私募股权 / 财富管理金融圈的四条主要业务线。GP / LP普通合伙人基金管理者/ 有限合伙人出钱的出资人。KYC客户尽职调查金融机构拉新客户时必须做的身份与风险审查。MCP模型上下文协议AI 连接外部系统数据库、API、文件的通用标准接口相当于「AI 的万能插头」。GL总账对账把两套账目比如银行流水和公司账本逐笔核对找出对不上的地方。Cowork / Claude Code / Managed AgentsAnthropic 提供的三种使用入口——对话式网页、命令行、API 无头部署。