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

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