夜雨聆风
Claude金融服务插件架构解析与能力实践
一、项目概述
1.1 产品定位
Financial Services Plugins 是 Anthropic 官方2026年2月开源的金融行业插件库，定位为将 Claude 从通用 AI 助手转变为金融领域专业工具的「行业知识注入框架」。该项目面向 Claude Cowork（非开发者桌面自动化产品）和 Claude Code（开发者命令行工具），以纯文件形式（Markdown + JSON）封装金融分析领域的专业知识、标准化流程和数据连接能力，让 Claude 变成金融专业人员的”行业专家助手”。
1.2 核心价值
Financial Services Plugins的核心价值在于把金融场景里高频、可复用的能力（行情、研究、风控、交易辅助等）封装成标准化插件，让 Claude 能“安全地接业务系统”，而不是只会聊天。更具体地说，有以下三点：
-
「标准化集成」：统一接口/调用模式，纯文件驱动（Markdown/JSON），极简部署，降低把模型接入金融系统的工程成本。 -
「高度专业化」：内置金融行业最佳实践与标准化工作流（Skills），并通过 MCP 协议接入来自主流金融数据提供商的实时数据，将通用大模型能力转化为可直接服务金融业务的工作流工具。 -
「端到端自动化」：打通“实时数据获取 → 逻辑分析建模 → 专业报告生成”的全流程。
1.3 目标用户场景
-
投资银行：CIM、Teaser、流程函、买家列表、并购模型、Strip Profile -
股票研究：盈利分析、初始覆盖报告、晨报、催化剂追踪、行业筛选 -
私募股权：项目筛选、尽调清单、IC Memo、投资回报分析、投后管理 -
财富管理：客户会议准备、财务规划、组合再平衡、税损收割
二、总体架构设计
2.1 分层架构
整个插件库采用「核心 + 扩展」的三层架构模式：
| 「层级」 | 「组成」 | 「职责」 | 「特征」 |
| 「数据连接层」 |
|
|
|
| 「知识引擎层」 |
|
|
|
| 「用户交互层」 |
|
|
|
2.2 插件组织结构
插件分为 Core（必装）和 Add-on（按需安装）两类，Core 插件提供共享建模能力和全部数据连接器，Add-on 插件按业务线扩展：
| 「插件」 | 「类型」 | 「Skills」 | 「Commands」 | 「核心能力」 |
| 「financial-analysis」 |
|
|
|
|
| 「equity-research」 |
|
|
|
|
| 「investment-banking」 |
|
|
|
|
| 「private-equity」 |
|
|
|
|
| 「wealth-management」 |
|
|
|
|
| 「LSEG（合作伙伴）」 |
|
|
|
|
| 「S&P Global（合作伙伴）」 |
|
|
|
|
三、核心组件详解
3.1 Skill（领域知识模块）
Skill 是整个架构的核心资产，每个 Skill 是一个独立目录，包含 SKILL.md 主文件和可选的示例/资源文件。它编码了某个金融分析任务的完整方法论，文件规模通常在 200–1200+ 行。
「触发机制：」 Skill 通过 YAML front-matter 中的 description 字段声明触发条件。Claude 运行时根据用户意图自动匹配加载（隐式触发），也可由 Command 通过 skill: “comps-analysis” 语法显式调用。
「内容结构：」 典型的 Skill 文件包含数据源优先级策略、分步操作流程、Excel/PPT 输出规范（含公式 vs 硬编码规则）、行业特定指标定义、质量检查清单，以及环境适配逻辑（Office JS vs Python/openpyxl）。
「设计哲学：」 Skill 被官方定义为「onboarding guides for specific domains」——将通用 AI 模型转化为领域专家的标准化知识包。内置的 skill-creator 元技能提供了创建新 Skill 的方法论，强调「context window 是公共资源」，要求每条指令都论证其 token 成本的合理性。
3.2 Command（用户指令编排器）
Command 是用户通过 /slash 命令主动触发的操作入口，以 Markdown 文件形式存在于 commands/ 目录下。它的职责是工作流编排，而非知识承载。
「两种形态：」
-
薄壳路由型：仅 2–5 行，纯粹将用户意图路由到对应 Skill。例如 /lbo 命令仅一句「Load the lbo-model skill and build a leveraged buyout model」。 -
编排协调型：50–100+ 行，串联多个 Skill 并定义交叉验证逻辑。例如 /dcf 命令先调用 comps-analysis skill 获取同业估值，再调用 dcf-model skill 构建模型，最后用 comps 输出交叉验证 DCF 结果。
「Command vs Skill 关系：」
| 「维度」 | 「Command」 | 「Skill」 |
| 「类比」 |
|
|
| 「触发」 |
|
|
| 「体量」 |
|
|
| 「职责」 |
|
|
| 「复用性」 |
|
|
3.3 MCP Connectors（数据连接层）
MCP（Model Context Protocol）连接器是插件库接入外部金融数据的标准化方式。所有 11 个连接器集中配置在 Core 插件（financial-analysis）的 .mcp.json 文件中，Add-on 插件通过共享机制使用，不重复定义。
| 「数据提供商」 | 「覆盖领域」 | 「MCP 端点」 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3.4 Plugin Manifest（插件清单）
每个插件通过 .claude-plugin/plugin.json 声明元数据（名称、版本、描述、作者），通过 .mcp.json 声明数据连接器依赖。这种纯声明式的清单设计使得插件的发现、安装和版本管理完全可以通过文件系统操作完成，无需构建步骤或运行时基础设施。
四、关键架构设计模式
4.1 纯文件架构（File-as-Code）
整个插件库的一个显著特征是零代码、零基础设施依赖。所有插件定义均为 Markdown 和 JSON 文件，没有任何编译、构建或部署步骤。这意味着：
-
任何金融分析师（非开发者）都可以通过编辑 Markdown 文件来定制工作流 -
版本管理直接使用 Git，变更通过 PR 审核，修改即时生效 -
没有运行时依赖，不需要容器化部署，不需要 CI/CD 管道
4.2 Core + Add-on 分离模式
数据连接器全部集中在 Core 插件中（financial-analysis），业务线插件作为 Add-on 不重复定义数据源。这种设计确保：数据源配置的单点管理、Add-on 之间无耦合可独立安装、新增数据源时只需修改 Core 的 .mcp.json。
4.3 Skill 复用与编排模式
Skill 之间存在显式的依赖和复用关系。典型示例是 /dcf Command 的编排流程：先加载 comps-analysis skill 构建同业估值矩阵，其输出（中位数 EV/EBITDA、增长率、利润率等）直接作为 dcf-model skill 的输入假设。这种模式将复杂分析分解为可独立验证的步骤，同时通过 Command 层的交叉验证逻辑保证输出一致性。
4.4 合作伙伴扩展模式
partner-built/ 目录允许数据提供商（LSEG、S&P Global）以相同的插件规范构建和维护自己的插件，拥有独立的 plugin.json、skills、commands 和 MCP 配置。这种模式为插件生态的开放扩展提供了标准化路径。
4.5 可定制起点模式
Anthropic 明确将这些插件定位为「starting points」，设计了多个定制化入口：
-
连接器替换：编辑 .mcp.json 指向公司内部数据源 -
知识注入：在 Skill 文件中添加公司术语、交易流程、格式标准 -
模板学习：通过 /ppt-template 命令教 Claude 学习公司品牌 PPT 模板 -
流程调整：修改 Skill 中的分析步骤以匹配团队实际操作方式
五、标准文件结构
每个插件遵循统一的目录结构：
| 「路径」 | 「说明」 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
注：hooks 目录当前所有插件中均为空，表明 Anthropic 预留了事件驱动自动化的扩展点，但尚未启用。
六、工作流实践示例
6.1 股票研究—财报点评
「输入问题：」根据/定期报告目录下不同时期的年报和半年报数据，给出宁德时代2025半年度财报的财报点评，要求尽可能详尽分析，必要时可以搜索外部资料，但时间不得穿越，且相同数据以目录中文件为准。
「结果示例」：
详见附件《宁德时代2025年半年度财报点评.pdf》
「简要点评」：
产出与 Skill 定义对齐，内容丰富且一致性强，但分析深度有限。具体表现为：
-
报告结构和内容覆盖面与 Skill 设定一致（8-12页、Beat/Miss分析、图表等） -
侧重财务维度的”描述性分析”（多维指标拆解、同比变动等），对财报事件做了抽象概括，但缺乏更深层次的 归因判断和前瞻推断 -
未与估值模型联动，财报结果未自动传导至 DCF/Comps 等模型进行估值更新 -
缺乏对公司未来的研判，如盈利趋势预测、战略转折点判断等
6.2 基础分析—DCF估值模型
「输入问题：」根据我提供的数据，构建宁德时代的DCF估值模型
其中输入数据/MA_COM_WZXBALANCESHEET0310.xls包含了该标的的资产负债表，
输入数据/ma_com_wzxcashflow0310.xls包含了该标的的现金流量表，
输入数据/ma_com_wzxincome0310.xls包含了该标的的利润表，
输入数据/示例0309.xlsx中维护了不同字段对应的中文释义和字段英文名的映射关系
「结果示例」：
详见附件《300750_DCF_Model_2026-03-10.xlsx》
「简要点评」：
能力评估：基础可用，深度不足。 估值模型仅覆盖核心财务指标（DCF、可比分析等），各模型相对独立，缺乏对完整财务指标传导链路的建模能力（如”收入假设→运营杠杆→现金流→估值”的多层联动）。
根因在于其 Skill 技能设计本身就是单点性的，每个 Skill 聚焦特定任务，未构建跨 Skill 的财务逻辑闭环。若采用Command 编排逻辑，则能实现类似建模，可定制化扩展。
「6.3 财富管理—客户资产建议」
「输入问题：」请帮我的客户进行投资现状梳理，并生成配置建议，客户信息如下：
客户姓名：张三
投资金额：100万
投资目标：资产增值
风险偏好：积极
投资期限：中期3-5年
投资偏好：医药、半导体，不投新能源
当前买有20万的沪深300宽基ETF
「结果示例」：
详见附件《张三投资提案.md》
「简要点评」：
资产建议能力面向客户服务基本适用（建议强化图表呈现），但面向投研深度分析仍需增强（需补充数据源与分析框架）。
七、对内部 AI Agent 项目的借鉴意义
| 「架构层面的借鉴点」 |
|
|
|
|
|
|
|
|
|
|
| 「需要注意的局限性」 |
|
|
|
|
|
|
|
|
八、总结
Anthropic Financial Services Plugins 的核心价值在于提供了一套可扩展、零基础设施依赖的行业知识注入范式——通过「纯文件编码领域知识 + MCP 标准化数据接入 + Command/Skill 分层编排」实现 AI 能力的金融垂直化。其 Command/Skill 分层设计、数据连接集中管理及合作伙伴扩展模式，对我方 AI Agent 架构设计具有直接参考意义。
插件在产出规范性上表现成熟，但在分析深度、跨模块联动及前瞻性判断方面仍有明显不足，距离实战应用存在一些差距。
建议后续优化方向：
-
定制化 Skill 能力：结合我方业务场景优化 Skill 提示词逻辑，提升分析深度与跨模型联动能力。
-
接入内部 MCP 数据源：对接公司内部数据系统，实现数据自主可控，替换外部依赖。