夜雨聆风> 极客深潜 · 第8期
```
项目: anthropics/financial-services
Stars: 20,409 ⭐
语言: Python + Markdown
仓库: github.com/anthropics/financial-services
合作: LSEG（路孚特）、S&P Global
```
---
如果你是一个投行分析师，手上有三件事同时在催：
- 周二前帮 MD 出某标的的投标书（Pitch Book），需求是「先拉一版看看」
- 周中和 PE 客户过 LBO 模型的假设
- 周五前补完季末对账的差异分析
正常情况，这得熬三个大夜。
但 Anthropic 刚刚开源了一个项目，把上面所有这些事——投行、行研、私募、基金会计、财富管理——封装成了 **10 个端到端 AI Agent + 50 多个专业技能包**，装在 Claude 里直接能用。
而且这 10 个 Agent，**一行 Python 主循环都没写**。
---
## 一、50+ 技能包，覆盖金融全链路
这个项目不是单一的「写研报」工具。它把金融服务业最常见的工作流，拆成了 **7 个垂直领域的 50+ 个 Skill**，然后按岗位角色组合成 10 个端到端 Agent。
投行、行研、金融分析这三个领域做得最深：
**投行（Investment Banking）——9 个技能**
Pitch Deck（品牌化投标书 PPT）、CIM Builder（保密信息备忘录）、Merger Model（并购分析模型）、Buyer List（买家清单）、Teaser（匿名摘要）、Process Letter（投标流程）、Deal
Tracker（交易管理）、Datapack Builder（数据包）、Strip Profile（一页公司概况）
**行研（Equity Research）——8 个技能**
Earnings Analysis（财报分析）、Model Update（模型更新）、Initiate Coverage（首次覆盖报告）、Morning Note（每日早报）、Sector Overview（赛道综述）、Idea
Generation（投资观点生成）、Catalyst Calendar（催化剂日历）、Thesis Tracker（投资逻辑跟踪）
**金融分析（Financial Analysis）——8 个技能**
DCF Model（现金流折现）、LBO Model（杠杆收购）、3-Statement Model（三张表联动）、Comps Analysis（可比估值）、Audit XLS（Excel 审计）、Clean Data
XLS（数据清理）、PPTX Author（PPT 自动生成）、XLSX Author（Excel 生成）
**还有四个领域：**
私募侧：标的筛选、尽调清单、IC Memo（投决备忘录）、退出回报分析、投后监控、价值创造计划
基金会计：对账（GL Recon）、NAV Tie-out、应计表、Roll-Forward、差异分析
财富管理：客户报告、投资组合调仓、财务规划、税损收割
运营：KYC 文档解析、AML 规则引擎
**基本覆盖了一个中型投行/基金后台 90% 的日常工作。**
---
## 二、10 个端到端 Agent，等于请了 10 个分析师
Skills 是模组，Agent 是把模组拼装成完整工作流的人。Agent → Skills → 数据 → 产出，每个 Agent 的产出都可以直接交付。
10 个 Agent 分别是：
1. **Pitch Agent**（全能投标手）→ 目标公司+交易类型 → Excel 估值表 + 品牌化 PPT
2. **Market Researcher**（赛道分析师）→ 行业/主题 → 综述+竞争分析+观点
3. **Earnings Reviewer**（财报专员）→ 股票代码+财报期 → 模型更新+分析笔记
4. **Model Builder**（建模师）→ 代码+假设 → DCF/LBO/三表 Excel
5. **Meeting Prep Agent**（会议秘书）→ 客户ID → 客户简报
6. **GL Reconciler**（对账员）→ 交易数据 → 差异清单
7. **KYC Screener**（合规审查员）→ 开户文件 → 实体提取+规则评估
8. **Month-End Closer**（月结专员）→ 实体+月份 → 结账包
9. **Statement Auditor**（审计员）→ 对账单 → 对账表+异常
10. **Valuation Reviewer**（估值复核员）→ 基金+日期 → 估值摘要+LP 报告
以 **Pitch Agent** 为例——它是旗舰 Agent，完整复刻了一个投行分析师的投标书制作流程：
> 输入：一个公司名称 + 一句交易类型（"正评估战略选择"）
>
> 输出：
> 1. Excel 估值工作簿——Trading Comps、Precedent Transactions、DCF、Football Field 汇总，所有输出单元格都是活公式，可追溯到输入数据
> 2. 投标书 PPT——在银行模板上自动生成：公司概览、估值摘要、可比明细、交易先例、交易流程日程
整个流程 9 步：范围确认 → 赛道撰文 → 数据拉取（MCP）→ 可比分析 → LBO 搭建 → DCF 建模 → Football Field → 填充 PPT → 质量控制。
每一步交给合适的 Skill 来做，就像分析师说「小王你拉一下 Comps」「小李你搭一下 DCF」。
---
## 三、一行 Python 都没写的 AI Agent
这是整篇文章我最想讲的部分。
这个项目 **没有一行 Python 主循环逻辑**。没有 main.py，没有路由，没有状态机。
所有 Agent 的行为，全靠 **System Prompt（系统提示词）** 定义。
来看 Pitch Agent 的系统提示词：
```
## Workflow
1. Scope the ask. Confirm target, sector, and situation.
2. Write the situation overview. Invoke `sector-overview` skill...
3. Pull data. Use the CapIQ MCP for trading multiples...
4. Spread the peer set. Invoke `comps-analysis` skill...
5. Stand up the sponsor case. Invoke `lbo-model` skill...
6. Build the rest of the model. Invoke `dcf-model` and `3-statement-model`...
7. Generate the football field. Min/median/max from each methodology...
8. Populate the deck. Invoke the `pitch-deck` skill...
9. Run deck QC. Invoke `ib-check-deck`...
```
这就是产品逻辑。Anthropic 把它写成了自然语言的 Workflow，Claude 读取后自动执行。
每个 Skill 也是一个 `SKILL.md` 文件，包含特定任务的领域知识和操作规范。比如 `dcf-model/SKILL.md` 会告诉 Agent：WACC 怎么做、Terminal Value 用什么假设、敏感性分析怎么跑。
**这里体现了一个重要的趋势：**
> 提示词正在变成代码。而系统提示词，就是传统软件中 main() 函数的替代品。
传统开发：10,000 行 Python + 状态机 + 配置文件
Agent 开发：1 份 Markdown 系统提示词 + 50 份 Skill Markdown + 几个脚手架脚本
这就是 Anthropic 对「Agent」的定义：**Agent = System Prompt + Tools + Skills**，其中 System Prompt 是灵魂。
---
## 四、Agent 安全设计，值得每个团队学习
金融数据天然敏感——客户资料、交易数据、合规文件——如果 Agent 出错或被注入，后果不仅是报告跑偏，可能是合规事故。
这个项目在安全层面的设计是我见过最系统的，而且完全值得非金融团队参考。
### 第一层：不可信文档隔离
发给 KYC Agent 的开户文件（护照、公司文件等）被标记为 `UNTRUSTED`。读取这些文档的子 Agent：
- 只有 **Read + Grep** 两个工具
- **没有任何 MCP 连接**（连不到外部数据源）
- **没有任何 Skills**
- **不能调用子 Agent**
- 输出只能是预定义的 **JSON Schema**，不能输出自由文本
连 MCP 都没有——这是最大程度降低攻击面的设计：
```
name: kyc-doc-reader
tools:
- read ✓
- grep ✓
- write ✗ # 不能写文件
mcp_servers: [] # 不能连外部数据
skills: [] # 没有知识包
callable_agents: [] # 不能调其他人
```
### 第二层：编排器不可写
主 Agent（Orchestrator）可以调用子 Agent、连接 MCP 拉数据、协调工作流——但它 **没有任何写工具**。不能直接写 Excel、不能保存 PPT、不能发消息。
### 第三层：唯一写权限 Agent
每个 Workflow 中，只有 **唯一一个** 子 Agent 持有 Write 工具：
- Pitch Agent → `deck-writer`：PPT 写手
- KYC Screener → `kyc-escalator`：合规报告生成器
而且这个写 Agent **永远不能直接访问原始不可信文档**。
这就实现了：**数据读取者不能写，协调者不能写，写者不能读原始数据**——一个非常漂亮的三权分立。
### 安全护栏 2：Schema 验证
子 Agent 的输出不只是 JSON 格式，而是经过 **严格 JSON Schema 校验** 的结构化数据：
```
output_schema:
type: object
required: [packet_id, entity, ubos]
additionalProperties: false # 不允许额外字段
properties:
packet_id: { type: string, maxLength: 32 }
country: { type: string, maxLength: 2, pattern: '^[A-Z]{2}$' }
```
部署时 `validate.py` 在子 Agent 输出和编排器之间执行 Schema 校验，确保不可信文档内的恶意指令无法通过结构化数据注入到下一环节。
### 安全护栏 3：Handoff 白名单
Agent 间的通信通过 `handoff_request` 结构化 JSON 完成。编排器做两层验证：
1. **白名单检查**：`target_agent` 必须在硬编码的 `ALLOWED_TARGETS` 中
2. **Schema 验证**：payload 必须符合 `HANDOFF_PAYLOAD_SCHEMA`
**这整套安全体系——权限最小化 + Schema 验证 + 白名单机制——直接对标软件工程中的零信任安全模型。**
---
## 五、One Source, Two Wrappers：一份提示词服务两种场景
这也是一个值得学习的工程模式。
每个 Agent 的系统提示词只写一份，同时服务于两种部署形态：
**部署形态 1：Cowork Plugin（交互式）**
分析师在 Claude 对话中直接使用，像和 AI 同事对话一样：「帮我看这个季度的财报」
**部署形态 2：Managed Agent API（生产化）**
通过 Anthropic 的 `/v1/agents` API 部署为可编排的生产 Agent：
```
# managed-agent-cookbooks/pitch-agent/agent.yaml
name: pitch-agent
system:
file: plugins/agent-plugins/pitch-agent/agents/pitch-agent.md # ← 同一份
append: "You are running headless. Produce files in ./out/;..."
```
一份 System Prompt 通过不同的启动配置（加一行 append 或改一个 model 参数）适配完全不同的运行环境。这就避免了传统开发中「开发环境一份、生产环境一份」导致的 drift 问题。
**MCP 作为数据总线**
所有外部数据源统一通过 MCP（Model Context Protocol）接入。Agent 不需要知道数据源的具体 API 地址或认证方式，只要配置一个 MCP URL：
```
mcp_servers:
- { type: url, name: capiq, url: "${CAPIQ_MCP_URL}" }
- { type: url, name: daloopa, url: "${DALOOPA_MCP_URL}" }
```
Anthropic 与 LSEG（路孚特）和 S&P Global 的合作意味着 CapIQ、FactSet、Daloopa 等金融数据巨头正在被纳入 MCP 生态。对于企业 IT 团队，这意味着替换数据源只需要改一行配置——不需要改任何
Agent 逻辑。
---
## 六、怎么用
### 方式一：Claude Cowork（推荐体验）
在 Claude Cowork Settings → Plugins → Add plugin，粘贴 GitHub 地址。装好之后输入：
- `/comps AAPL` — 苹果可比估值
- `/dcf MSFT` — 微软 DCF 模型
- `/earnings TSLA` — 特斯拉财报分析
- `/sector cloud-infra` — 云基础设施赛道综述
### 方式二：Claude Code
```
claude plugin marketplace add anthropics/financial-services
claude plugin install pitch-agent@claude-for-financial-services
```
### 方式三：生产部署（Managed Agent）
```
export CAPIQ_MCP_URL="https://..."
export DALOOPA_MCP_URL="https://..."
bash scripts/deploy-managed-agent.sh pitch-agent
python3 scripts/orchestrate.py
```
> ⚠️ 注意：需要 Claude Pro/Cowork 订阅，以及 CapIQ / FactSet / Daloopa 等金融数据源的企业级访问权限。
---
## 总结
1. **金融业 AI Agent 正在从概念走向工程化**——不再是「能写报告的 chatbot」，而是覆盖投行/PE/基金前端到后端的完整工作流平台
2. **System Prompt 就是产品**——50+ Skills 和 10 个 Agent 的核心逻辑全部写在 Markdown 文件里，没有一行 Python 主循环。提示词工程正在成为真正的软件工程分支
3. **Agent 安全有成熟范式了**——不可信文档隔离 + Schema 验证 + 权限三权分立 + Handoff 白名单，这套模式值得所有面向企业用户的 Agent 团队学习
4. **MCP 生态正在成型**——Anthropic 拉来了 LSEG 和 S&P Global 做官方合作伙伴，金融数据源的标准化接入可能会加速
---
**项目地址**：github.com/anthropics/financial-services
*极客深潜，每周一个 GitHub 高星项目，挖到源码层面。*
*关注 TableX，不错过下一期。*