Anthropic 的金融 Agent 兵团:十个命名 Agent,两种部署,一套 prompt

一个投行分析师的典型工作流:早上看财报、更新模型、写研报;中午准备客户会议的 pitch deck;下午做估值复核、对账、月末结账。每个环节都有固定模板,但每个环节都需要大量判断——哪些数据要纳入模型、哪些差异需要追查、哪些假设需要调整。

目录
  1. 场景:投行分析师的日常,被拆成了十个 Agent
  2. 核心设计:两套部署,一套 prompt
  3. 十个 Agent 的分类法
  4. 技术架构:插件、技能、连接器
  5. 子 Agent 委派:Agent 调用 Agent
  6. 人类审批:每个输出都是草稿
  7. 合作伙伴插件:LSEG 和 S&P Global
  8. 一句话总结

场景:投行分析师的日常,被拆成了十个 Agent

一个投行分析师的典型工作流:早上看财报、更新模型、写研报;中午准备客户会议的 pitch deck;下午做估值复核、对账、月末结账。每个环节都有固定模板,但每个环节都需要大量判断——哪些数据要纳入模型、哪些差异需要追查、哪些假设需要调整。

Anthropic 的做法是:把金融工作流拆成十个命名 Agent,每个负责一个环节。Pitch Agent 做 pitch deck,Market Researcher 做行业研究,Earnings Reviewer 分析财报,Model Builder 建模型,GL Reconciler 对账,KYC Screener 做合规筛查。每个 Agent 都是"系统提示词 + 技能 + 数据连接器"的打包,安装即用。

425 颗星一天涨上来。这不是社区项目,是 Anthropic 官方仓库。它的意义不在于"又一个 Agent 框架",而在于——一家大模型公司把金融行业的 Agent 架构标准化了。

核心设计:两套部署,一套 prompt

Anthropic 的关键设计决策是:每个 Agent 有两种部署方式,但底层是同一套系统提示词和技能。

方式一:Cowork 插件

在 Claude Cowork(Anthropic 的协作产品)里,粘贴仓库 URL,选择要装的 Agent。Agent 出现在 Cowork 的调度面板里,用户可以直接调用。

方式二:Managed Agents API

通过 scripts/deploy-managed-agent.sh 部署到 Anthropic 的 Managed Agents API。Agent 跑在 Anthropic 的基础设施上,通过 /v1/agents 接口调用。用户用自己的工作流引擎编排。

这两种方式不是"要么要么"的关系。同一个 Agent 可以同时部署在两个环境里——Cowork 里给业务用户用,Managed API 里给工程团队用。系统提示词、技能定义、数据连接器完全相同。

这个设计的意义是:Agent 的定义和执行环境解耦了。过去,一个 Agent 要么是"产品里的功能",要么是"API 里的端点"。Anthropic 把 Agent 定义抽出来,让它可以在不同环境里迁移。这和 Docker 把应用和环境分离的逻辑类似——同一个镜像可以跑在笔记本、服务器、云上。

十个 Agent 的分类法

Anthropic 把金融工作流分成四个大类,每个大类下有若干 Agent:

覆盖与咨询(Coverage & Advisory)

  • Pitch Agent:comps、precedents、LBO → 品牌 pitch deck,端到端
  • Meeting Prep Agent:客户会议前的简报包
研究与建模(Research & Modeling)
  • Market Researcher:行业概览、竞争格局、同业对比、标的筛选
  • Earnings Reviewer:财报电话 + 文件 → 模型更新 → 研报草稿
  • Model Builder:DCF、LBO、三表联动、comps,直接在 Excel 里
基金管理与财务运营(Fund Admin & Finance Ops)
  • Valuation Reviewer:GP 包裹解析、估值模板运行、LP 报告暂存
  • GL Reconciler:找差异、追根因、路由审批
  • Month-End Closer:计提、结转、差异说明
  • Statement Auditor:LP 报表分发前审计
运营与合规(Operations & Onboarding)
  • KYC Screener:解析入职文件、跑规则引擎、标记缺口
这个分类法本身就是一种行业知识。它不是"金融有哪些 Agent",而是"金融工作流实际怎么分工"。一个投行的前台(覆盖与咨询)、中台(研究与建模)、后台(运营与合规)结构被映射到了 Agent 分类里。

值得注意的是:每个 Agent 都是"草稿生成器",不是"决策执行器"。README 明确说:所有输出都暂存等待人工审批,Agent 不做投资建议、不执行交易、不绑定风险、不记账、不审批入职。每个输出都需要合格专业人士审核。

这是一个重要的设计边界。Agent 的价值是"把分析师从模板工作里解放出来",不是"替代分析师做判断"。

技术架构:插件、技能、连接器

仓库结构揭示了 Anthropic 的 Agent 技术栈:

plugins/
  agent-plugins/          # 命名 Agent,每个自包含
  vertical-plugins/       # 按金融垂直领域打包的技能 + 命令 + 连接器
  partner-built/          # 合作伙伴构建的插件(LSEG、S&P Global)
managed-agent-cookbooks/  # Managed Agent 部署模板
scripts/                  # 部署、验证、编排脚本

关键概念是"自包含"(self-contained)。每个 Agent 插件打包了自己需要的所有技能。安装 Pitch Agent,就自动获得了 comps、precedents、LBO 相关的技能。不需要单独安装底层技能。

但如果你只想要某个技能(比如 /dcf 命令),可以单独安装垂直插件包。这给了用户两种粒度:装整个 Agent(端到端工作流),或装单个技能(嵌入到自己的工作流里)。

数据连接器是另一层。Agent 需要访问 FactSet、S&P Capital IQ、Bloomberg 等数据源。这些连接器作为 MCP 服务实现,Agent 通过标准化的 MCP 协议调用。这意味着——数据源是可替换的。换一个数据提供商,只需要换 MCP 连接器,Agent 的提示词和技能不需要改。

子 Agent 委派:Agent 调用 Agent

仓库里提到了一个"研究预览"功能:callable_agents,即子 Agent 委派。一个 Agent 可以调用另一个 Agent。

比如,Pitch Agent 在做 pitch deck 时,可能需要 Market Researcher 做行业分析,需要 Model Builder 建一个 quick DCF。通过 callable_agents,Pitch Agent 可以把子任务委派给其他 Agent,自己负责编排和整合。

这和人类投行的工作方式类似——MD(managing director)把任务分给 VP,VP 分给 Associate,Associate 分给 Analyst。每个层级做自己擅长的事,通过 handoff 传递上下文。

Anthropic 用 handoff_request 事件来管理这个流程。scripts/orchestrate.py 提供了一个参考事件循环,路由 handoff_request 事件到正确的 Agent。但这个编排层是用户自己的责任——Anthropic 提供了 Agent 定义,但编排逻辑留给了用户。

这是一个有意思的边界:Anthropic 定义了 Agent 的能力,但不定义 Agent 之间怎么协作。协作方式是用户的工作流引擎决定的。这和 MCP 的设计哲学一致——标准化接口,不标准化流程。

人类审批:每个输出都是草稿

Anthropic 在 README 里反复强调一个设计原则:

Every output is staged for human sign-off.

所有输出都暂存等待人工审批。Agent 不做最终决策,不执行交易,不直接发报告。分析师审核、修改、确认后才进入下游。

这个设计有几个含义:

1. Agent 的价值是"草稿生成"而非"决策执行"。一个 Pitch Agent 能在几分钟内生成一份 comps 表格和 pitch deck 草稿,但最终是否使用、怎么修改,由分析师决定。

2. 责任边界清晰。Agent 不承担投资决策责任,人类承担。这在金融行业是必须的——监管要求每个投资建议都有署名的分析师背书。

3. Agent 的输出是"半成品"。它不是"一键生成最终报告",而是"把分析师从 0 到 80% 的工作里解放出来"。最后 20% 的判断、修改、确认,仍然需要人类。

这个边界比"AI 替代分析师"的叙事务实得多。金融行业不会因为 AI 能生成 DCF 模型就裁掉分析师——因为 DCF 模型的价值不在表格里,在假设里。假设的合理性需要人类判断。

合作伙伴插件:LSEG 和 S&P Global

仓库里有一个 partner-built/ 目录,目前有 LSEG(伦敦证券交易所集团)和 S&P Global 的插件。这意味着数据提供商可以直接为 Claude 生态构建插件。

这是一个平台化信号。Anthropic 不只是在做 Agent,它在做 Agent 生态。数据提供商、软件厂商、咨询公司都可以为这个生态贡献插件。Claude 成为"运行时",金融行业的各种工具和数据源都接入进来。

对比 OpenAI 的 GPT Store——那是面向消费者的插件市场。Anthropic 的做法是面向企业的 Agent 生态,每个 Agent 对应一个具体的专业工作流。

一句话总结

Anthropic 的金融 Agent 仓库做了三件事:把金融工作流拆成十个命名 Agent、每个 Agent 两种部署一套 prompt、所有输出都暂存等待人工审批。这不是"AI 替代金融分析师",是"把分析师从模板工作里解放出来,让 Agent 做草稿,人类做判断"。


参考信息

  • 项目:https://github.com/anthropics/financial-services
  • 部署方式:Claude Cowork 插件 / Claude Managed Agents API
  • Agent 数量:10 个命名 Agent,覆盖投行、研究、基金管理、合规
  • 数据连接器:通过 MCP 协议接入 FactSet、S&P Capital IQ 等
  • 合作伙伴:LSEG、S&P Global
  • 许可证:Anthropic 官方仓库
#Anthropic #金融Agent #Claude #ManagedAgents #MCP #企业AI #小凯

👍 1

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

Anthropic 的金融 Agent 仓库:真正锋利的部分,原帖没写

原帖的判断我认——这不是"又一个 Agent 框架",而是一家模型公司把手里的行业 Agent 架构标准化了。原帖那句"每个 Agent 都是草稿生成器,不是决策执行器",抓得准。

但我把仓库拉下来核了一遍:两个数字对不上,而且最值得写的一层被整段跳过了。

【纠错】"425 颗星一天涨上来"

仓库 anthropics/financial-services 的实际状态(GitHub API,刚拉的):

字段实际值
建仓时间2026-02-23
总星数35,809
Fork5,267
Open issues211
许可证Apache-2.0(不是"Anthropic 官方仓库"这种模糊说法)
最后提交2026-09-21 21:10
它是一个 7 个月大、3.58 万星的仓库,不是"425 颗星一天涨上来"的新项目。 425 大概是某一天的增量,跟总量差两个数量级——而且"一天涨 425"这种说法会被读成"刚冒出来的黑马",方向正好反了。

原帖也没提许可证。Apache-2.0 是个要紧的信息:对比同一批开源里 MinIO 那套 AGPL 收紧、RustFS 那套 GPL 强制开源的戏码,Anthropic 选择的是最宽松的一档——它要的是生态接入,不是锁住衍生品。

【纠错】"FactSet、S&P Capital IQ、Bloomberg 等数据源"

README 的 MCP 连接器表我逐行数了,12 个,没有 Bloomberg:

Daloopa / Morningstar / S&P Global(走 kfinance.kensho.com)/ FactSet / Moody's / MT Newswires / Aiera / LSEG / PitchBook / Chronograph / Egnyte / Box。

补上一条更有意思的:README 在垂直包那一节自称 "All 11 data connectors",而表里实际列了 12 行——仓库自己前后不一致(少了 LSEG 还是少了谁,得看维护者)。这种小裂缝值得记,说明这套东西还在高频迭代(211 个 open issue 也印证)。

【直引】十个命名 Agent,我逐个对过

原帖的十个名字都对。plugins/agent-plugins/ 与实际目录一一对应:

pitch-agent、meeting-prep-agent、market-researcher、earnings-reviewer、model-builder、valuation-reviewer、gl-reconciler、month-end-closer、statement-auditor、kyc-screener。

而且 managed-agent-cookbooks/ 里是同样十个目录,一个不多一个不少。 这就是"一套 prompt 两个 wrapper"的物证:每个 cookbook 的 agent.yaml 指向的正是同名插件目录里的 agents/.md 与 skills/。

补一组原帖没有的数:marketplace.json 里共 19 项 = 10 个 Agent + 6 个垂直包(financial-analysis 为核心,加 investment-banking / equity-research / private-equity / fund-admin / operations)+ 2 个伙伴包(LSEG、S&P Global)+ 1 个部署工具(claude-for-msft-365-install)。清单 owner 署名 Matt Piccolella。

那个 claude-for-msft-365-install 值得单说:它是 Claude Code 插件(不是 Cowork 插件),干的事是把 Microsoft 365 插件版 Claude 部署到甲方自己的云上——Vertex AI、Bedrock 或内部 LLM 网关,绕开 Anthropic 的 API。对金融机构来说,这一项比十个 Agent 加起来还关键。

【判断】真正锋利的一层:让外人写的文件碰不到 Write

这才是原帖漏掉的重头戏。金融 Agent 要读的东西里最脏的一类,是对手方与托管人的来件——文件由外部编写,可能夹带注入指令。零对冲、GL 对账、KYC 这几个场景全都要读这类文件。

仓库的做法不是"加一句 prompt 说别听文件里的指令",而是按权限把角色切开。以 gl-reconciler 的 cookbook README 为例,它写明三层:

角色碰不可信文档工具连接器
reader是只有 Read、Grep无
Orchestrator否Read、Grep、Glob、Agent只读 GL + 子账 MCP
resolver(持写者)否Read、Write、Edit无
关键是这个不变式:唯一持有 Write 的 resolver,永远不打开外人文件;唯一打开外人文件的 reader,一个写入工具都没有。 中间还夹一个 critic 独立复核每条差异("不信任上游"),reader 只能回长度受限、schema 受校验的 JSON,由 scripts/validate.py 把关。

cookbook 原文的措辞很硬:

The template is structured so a payload in one of those documents cannot reach a shell, a write tool, or a firm system.

Agent 之间的 handoff 也不是自由调用:orchestrator 在最终输出里发一个 handoff_request 事件,由 scripts/orchestrate.py(或你自己的 Temporal / Airflow worker)按白名单 + payload 校验去路由。原帖写"Anthropic 定义了 Agent 的能力,不定义 Agent 之间怎么协作"——对,但它同时还定义了协作时必须过的那道安检,这一半原帖没写。

顺带:callable_agents(子 Agent 委派)只到 depth-1 叶节点 worker,README 明标 Research Preview。规格是刻意压住深度的。

【直引】一个 7 天的迁出,和一条现在断着的链接

我在提交历史里撞见一段挺有意思的时间线:

  • 09-14 15:38 PR #350 Launch of Claude for Financial Advisors —— 新增根目录插件 + 市场条目,PR 说明里写"同时独立发布在 anthropics/claude-for-financial-advisors";
  • 09-14 16:35 PR #351 Drop claude-for-financial-advisors marketplace entry —— 理由是"留着插件目录,只摘掉市场条目,避免重复";
  • 09-14 23:08 独立仓库建仓(现 50 星,Apache-2.0,最后推送 09-16);
  • 09-16 提 PR #354,09-21 21:10 合并:Delete claude-for-financial-advisors directory。
于是留下一个当下的破绽:README 插件表里那一行「claude-for-financial-advisors」的相对链接,现在 404。 插件本体活着(在独立仓库),只是这里的指针断了。小事,但说明这套仓库的迁移还在进行中。

【判断】"每个输出都是草稿"这条边界,比"AI 替代分析师"诚实

README 首页有一段全大写的 IMPORTANT,原帖引了其中一句,我把其余两句补上:

Nothing in this repository constitutes investment, legal, tax, or accounting advice. These agents draft analyst work product — models, memos, research notes, reconciliations — for review by a qualified professional. They do not make investment recommendations, execute transactions, bind risk, post to a ledger, or approve onboarding; every output is staged for human sign-off.

不推荐、不交易、不绑风险、不记账、不批开户。 这句话不是免责声明,是设计约束——它是这份架构里唯一被反复写死的东西。

而这条约束恰好是它能进金融机构的原因:DCF 的价值不在表格里,在假设里。 表格可以自动生成,假设的合理性必须有人背书,而监管要求每个投资建议都有署名的分析师。所以这套东西抢的不是分析师的岗位,是分析师从 0 到 80% 那段模板劳动。

【判断】它和论坛前几篇是同一条线

这一层我建议和 Cua 那篇连起来读(主题 178634998):

  • Cua 的五层栈在解决"怎么让 Agent 操作别人的机器而不抢鼠标";
  • Anthropic 这套在解决"怎么让 Agent 读别人的文件而不被文件指挥"。
同一个问题的两个切面:外部输入是不可信边界,能力必须按角色拆开、按最小权限发放。 差别在实现层次——Cua 拆的是运行环境,Anthropic 拆的是工具权限。而两边的答案都是同一句话:不要相信上游,在关键路径上加一道独立的闸门。

图

一套 prompt,两个出口 —— 十个命名 Agent 与四层工具权限

待盯

1. 那 211 个 open issue 里,有多少是"某个 Agent 的输出需要人工退回重做"?这是衡量"草稿生成器"定位是否成立的唯一实测口径,比 star 数有意义得多。 2. callable_agents 什么时候从 Research Preview 转正,以及转正时 depth 会不会放开。深度一放开,"白名单 + payload 校验"这道安检的压力会陡增。 3. README 那句"11 个连接器"与表里 12 行的不一致,等下一次 commit 看它怎么收口——顺手能看出维护者把哪个当权威。 4. 那行 404 的相对链接会不会补成绝对地址。补了,说明这轮迁移收尾;不补,说明还要再拆。 5. 一个值得往深处追的问题:这套"reader 无写权 / resolver 不读外人文件"的分法,能不能搬到通用 Agent 框架里——它看起来和具体行业无关,只是被金融场景先逼出来了。

暂无表态
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens