Anthropic Financial Services 完整教程：华尔街的AI金融Agent工具箱#
原文参考: 微信公众号文章《Anthropic金融服务Agent仓库解析》（极客之家） GitHub 官方仓库: https://github.com/anthropics/financial-services
📋 目录导航#
一、项目概述与背景#
2026年中，Anthropic 在 GitHub Trending 上发布了一个名为 financial-services 的仓库，直接瞄准了华尔街——这个对准确性、专业性要求极高的金融服务业。这不是又一个"AI聊天助手"的demo，而是Anthropic官方亲自下场打造的一套完整金融服务行业工作流模板。
1.1 仓库基本数据#
指标 |
数据 |
|---|---|
发布方 |
Anthropic 官方 |
GitHub Star |
3.2万（截至发布时） |
维护状态 |
官方持续维护 |
定位 |
金融服务垂直领域 Agent 工作流模板集 |
1.2 覆盖的四大金融垂直领域#
该仓库覆盖了金融行业四个核心细分领域：
投资银行（Investment Banking）：pitch book（项目建议书）制作、可比公司分析、交易先例分析
股票研究（Equity Research）：财报分析、模型更新、首次覆盖、晨会纪要
私募股权（Private Equity）：项目筛选、投资备忘录、LBO（杠杆收购）建模、投后监控
财富管理与基金运营（Wealth Management & Fund Operations）：总账对账、KYC（了解你的客户）审查
1.3 核心定位：不是聊天页面，是"AI金融工具箱"#
理解这个仓库的关键，是先搞清楚它不是什么：
❌ 它不是一个聊天界面
❌ 它不是空壳的"AI金融助手"（只会说"我可以帮你分析股票"但没有实际能力）
❌ 它不是开箱即用的成品系统
它是什么？你可以把它理解成一个**"AI金融工具箱"**——里面塞满了现成的金融分析技能、标准化工作流程、数据连接器模板。它把金融从业者日常的重复性工作拆解成了可复用的模块，企业可以基于这套模板快速搭建自己的金融AI工作流。
打个通俗的比方：如果普通AI聊天产品是"给你一把锤子让你自己做家具"，那这个仓库就是"给你一整套预制的宜家家具组件+组装说明书"，你需要做的是把它们拼成适合自己家的样子。
二、核心定位与四层架构#
这个仓库和市面上大多数"AI金融产品"有本质区别。区别不在于模型更聪明，而在于它真正理解了金融工作的流程化、标准化、可审计需求，设计了一套清晰的四层架构。
2.1 与普通AI聊天产品的本质区别#
普通AI聊天产品的思路是：一个对话框解决所有问题。用户输入自然语言，模型输出一段文字。但金融团队真正需要的不是"能聊天的AI"，而是：
输出口径稳定（今天像投行、明天像自媒体是大忌）
流程入口统一（新人不需要背一堆提示词）
能对接真实数据源（不能靠模型记忆编数字）
能嵌入企业现有工作流（不是另开一个孤岛平台）
可审计、可追责（金融行业合规要求）
Anthropic Financial Services 正是围绕这些需求设计的。
2.2 四层架构详解#
整个系统采用分层设计，从工作流代理到数据连接层层层递进：
层级 |
名称 |
核心作用 |
举例 |
|---|---|---|---|
第一层 |
Agent层（代理层） |
完整的端到端工作流代理，负责编排多个技能完成复杂任务 |
Pitch Agent（投行材料流水线）、GL Reconciler（总账对账代理） |
第二层 |
Skill层（技能层） |
可复用的工作说明，定义输出格式、步骤、检查点，解决口径不稳定问题 |
财报分析技能、IC memo（投资委员会备忘录）技能、CIM（保密信息备忘录）技能 |
第三层 |
Slash Command层（命令层） |
命令式入口，用户输入斜杠命令即可触发对应工作流，少写提示词 |
|
第四层 |
MCP Connector层（数据连接层） |
数据连接器，对接真实金融数据源，避免模型"编数据" |
Daloopa、Morningstar、S&P Global、FactSet、PitchBook 等 |
2.3 四层如何协同工作#
四层不是孤立的，而是形成一个完整的协作链路：
用户通过 /command 触发工作流
↓
调用对应 Skill（确保输出格式/步骤标准化）
↓
如需复杂编排，由 Agent 协调多个 Skill 完成
↓
通过 MCP Connector 从真实数据源拉取数据
↓
输出标准化、经过检查的结果
举个具体例子：当投行分析师输入 /comps AAPL 时：
Slash Command 层识别到这是"可比公司分析"命令
调用 comps Skill，按照投行标准格式输出（包含可比公司列表、交易倍数、估值区间）
如果是完整的 Pitch Agent 工作流，会继续调用 precedents 交易先例技能、LBO建模技能
整个过程通过 MCP Connector 从 FactSet 拉取真实财务数据，而不是让模型凭记忆写
2.4 内置的金融模型能力#
仓库内置了金融行业最核心的四类建模能力：
可比公司分析（Comps - Comparable Company Analysis）：选取同行业可比公司，对比估值倍数（P/E、EV/EBITDA、P/B等）
现金流折现模型（DCF - Discounted Cash Flow）：基于未来现金流折现计算公司内在价值
杠杆收购模型（LBO - Leveraged Buyout）：模拟私募股权收购场景，计算收购方的投资回报率（IRR）
三张财务报表模型（3-Statement Model）：整合利润表、资产负债表、现金流量表的联动财务模型
三、十大核心功能模块详解#
本章逐个解析仓库的十大核心功能模块，讲清楚每个模块"是什么、核心价值、适用场景"。
3.1 Pitch Agent：投行pitch book的骨架#
它是什么：Pitch Agent（项目建议书代理）是面向投资银行覆盖与 advisory（财务顾问）业务的完整工作流代理。
它做什么：
执行 comps（可比公司分析）
执行 precedents（先例交易分析）
运行 LBO（杠杆收购）模型
生成带品牌标识的 pitch deck（项目建议书PPT）
核心价值： 这不是"帮你写一份商业计划书"那种泛泛的AI写作。它的真正价值在于搭起了投行材料的流水线结构：数据、模型、PPT是三个独立环节，后面要改模板、改口径、对接内部数据，都有明确的下手位置。
很多所谓"金融AI"产品只会写一段"行业前景广阔、公司具备核心竞争优势"这类空话；Pitch Agent 至少把材料的逻辑链条搭出来了——从可比公司估值，到交易先例，到LBO回报，再到最终PPT呈现，每个环节都是可修改、可替换、可审计的。
适用场景：投行分析师准备客户 pitch book、项目建议书初稿、初步估值材料。
3.2 financial-analysis：核心能力都在这里#
它是什么：financial-analysis 是整个仓库最核心的插件，所有基础金融分析能力都集中在这里。
包含的命令：
/comps：可比公司分析/dcf：现金流折现模型/lbo：杠杆收购模型/3-statement-model：三张报表联动模型/debug-model：模型debug检查
核心价值：/debug-model 才是真省时间的脏活
前几个命令大家都熟悉，DCF、LBO模型很多AI工具都能生成。但真正有价值的是 /debug-model——这是金融建模人员每天都在做、但最枯燥最费时间的工作。
DCF谁都能生成，但查硬编码、查公式错链、查平衡表假平，这些才是真正省时间的"脏活"。
举个模拟的 debug-model 输出示例：
1. WACC 输入为硬编码 8.0%，没有链接到 Assumptions 页。
2. Exit Multiple 在 Base Case 和 Downside Case 使用同一个单元格，敏感性表无法独立变化。
3. Debt Schedule 的期末债务余额没有回链到三表模型，Balance Sheet 仍然能平，是因为 Cash 被迫吸收差额。
这三条问题都是金融建模中非常典型且致命的错误：
WACC（加权平均资本成本）硬编码意味着修改假设页时不会联动更新
Exit Multiple（退出倍数）共用单元格导致敏感性分析失效
债务余额没有回链会导致资产负债表"假平衡"——差额被现金项强行吸收，模型逻辑错误但表面看起来平了
适用场景：金融建模人员检查Excel模型错误、审计模型逻辑、建模完成后的交叉验证。
3.3 Skill：把团队口径写进文件#
它是什么：Skill 本质上是可复用的工作说明文件。它不是代码，而是用Markdown写的"操作手册"，告诉Claude在做某项工作时应该遵循什么格式、什么步骤、什么检查点。
各领域Skill举例：
领域 |
Skill举例 |
|---|---|
股票研究 |
earnings analysis（财报分析）、model update（模型更新）、initiating coverage（首次覆盖） |
私募股权 |
deal screening（项目筛选）、IC memo（投资委员会备忘录）、portfolio monitoring（投后监控） |
投资银行 |
CIM（保密信息备忘录）、teaser（项目 teaser）、buyer list（买家名单）、merger model（合并模型） |
核心价值：解决"输出口径不稳定"的问题。
金融团队最烦的不是"模型不会写中文"，而是输出风格飘忽不定：今天输出像正式投行报告，明天像财经自媒体，后天又像管理咨询PPT。Skill 文件能把格式、步骤、检查点标准化，至少不会每次都从零开始"训模型"。
打个比方：Skill 就像是团队的"标准化作业指导书（SOP）"，把资深分析师的经验固化成文件，新人按照这个SOP做，输出质量不会差得太离谱。
适用场景：团队统一输出标准、新人培训、跨人员协作时保持口径一致。
3.4 Slash Command：少写提示词#
它是什么：Slash Command（斜杠命令）是工作流的命令式入口。用户只需要输入 / 开头的命令，就能触发对应工作流，不需要写一长串提示词。
各领域命令列表：
领域 |
命令 |
|---|---|
投资银行 |
|
股票研究 |
|
私募股权 |
|
核心价值：
团队协作友好：新人不需要背一长串提示词，只要知道什么时候敲
/comps，什么时候敲/ic-memo入口统一：避免每个人自己发明提示词，导致输出五花八门
降低使用门槛：不需要懂提示词工程，金融从业者用自己熟悉的术语就能操作
客观说明（重要）： Command 不是魔法。输入材料烂，输出照样烂。它解决的是"流程入口标准化"问题，不解决"数据质量"问题。如果你给的财报数据是错的，再完美的命令也输出不了正确结果。
这就像Excel的函数——=VLOOKUP() 是个很方便的命令，但如果你引用的数据源错了，结果肯定错。
适用场景：团队日常协作、新人快速上手、标准化工作流触发。
3.5 equity-research：股票研究，不是只写研报#
它是什么：equity-research（股票研究）模块是对卖方/买方研究员日常工作的完整拆解，而不只是一个"写研报"的工具。
模块拆分（非常细）：
earnings preview（财报预览）
earnings analysis（财报分析）
model update（模型更新）
initiating coverage（首次覆盖）
morning note（晨会纪要）
sector overview（行业概览）
thesis tracker（投资论点跟踪）
catalyst calendar（催化剂日历）
idea generation（投资想法生成）
核心价值：模拟研究员的真实日常。
真实的股票研究工作，不是每天坐下来写万字研报。研究员的日常是：
追财报电话会（earnings call）
跟着季报更新Excel模型
根据新信息补正自己的投资观点
更新投资催化剂时间表
第二天晨会要准备几条能讲的话
每周写几句 sector overview（行业观点）
这个模块把这些日常工作都拆成了独立技能，而不是笼统地给一个"写研报"命令。这才是真正理解了研究员的工作场景。
重要注意事项： 这块需要接上 Aiera（财报电话会 transcript 数据）、FactSet 或 S&P Global 这类数据源，才能发挥完整价值。如果没有数据源连接，它只能当一个"写作框架"用——格式是对的，但里面的数字和观点需要你自己填。
适用场景：卖方分析师日常工作、买方研究员覆盖股票、晨会材料准备、财报季快速响应。
3.6 GL Reconciler：最容易落地的场景#
它是什么：GL Reconciler（总账对账代理）是面向基金运营和财务团队的对账工作流代理。
它做什么：
找 breaks（差异项）
追 root cause（根本原因）
输出结果交人确认
它不做什么：不是"自动关账"，不是"AI CFO"。
为什么这是最容易落地的场景： 很多金融AI产品一上来就说要做"AI CFO"、"全自动投资决策"，结果因为责任边界不清、错误无法追责，没人敢真用。GL Reconciler 反其道而行之——它做的是输入输出非常清楚的"脏活"：
输入是两份账（总账和子账）
输出是差异列表、可能原因、建议跟进人
错了能明确追溯是哪里出问题
最终确认权在人手里
这个范围比"AI CFO"老实太多，也实用太多。
正确输出示例：
差异金额：$125,430
涉及账户：应付账款 - 供应商A
可能来源：
1. 子账漏记了3笔发票（发票号INV-2026-0412/0415/0418）
2. 总账一笔付款重复过账
需要确认人：应付账款会计张XX、出纳李XX
不是写一段漂亮的"财务健康状况总结"，而是运营场景里需要的废话少、可执行的信息。运营场景里，冗余的文学性描述越少越好。
适用场景：基金运营团队月末对账、财务团队总账子账核对、对账差异初步排查。
3.7 KYC Screener：材料初筛好手#
它是什么：KYC Screener（客户身份审查初筛代理）负责客户 onboarding（开户/入驻）材料的初步审查。
它做什么：
解析 onboarding documents（入驻材料）——不只是OCR文字识别
跑规则表（检查材料是否符合KYC规则）
标出缺口（哪些文件缺失、哪些字段有问题）
核心价值： KYC不只是把纸质文件扫成文字。它还要检查：
文件是否齐全（身份证/地址证明/资金来源证明是否都交了）
字段是否对得上（比如身份证名字和银行账户名字是否一致）
规则是否满足（比如高风险地区客户是否需要额外材料）
哪里需要补材料（给客户列一个清晰的补件清单）
让AI做初筛、列缺口、准备 review packet（供审核人员看的材料包），非常够用。最终的审核决定权仍然在合规人员手里。
适用场景：银行/券商/基金客户开户材料初筛、合规部门KYC材料预处理、客户补件清单自动生成。
3.8 MCP Connector：企业路线图，不是免费数据包#
它是什么：MCP Connector 层是Anthropic设计的数据连接层，基于MCP（Model Context Protocol）协议对接真实金融数据源。
列出的数据源清单：
Daloopa（财务数据自动化）
Morningstar（晨星，基金/投资数据）
S&P Global（标普全球，评级/市场数据）
FactSet（金融数据终端）
Moody's（穆迪，信用评级）
MT Newswires（财经新闻）
Aiera（财报电话会/transcript）
LSEG（伦敦证券交易所集团，原Refinitiv/Reuters）
PitchBook（私募股权/VC数据库）
Chronograph（私募数据）
Egnyte、Box（企业文件存储）
关键提醒（非常重要）： 这些不是给个人开发者免费用的数据包。README里列出这些连接器，更像是一张企业集成路线图——告诉已经购买了这些数据服务的金融机构：你可以照着这个样子把Claude接进你们已有的数据系统。
FactSet、PitchBook、S&P Global这些机构级数据服务，API key的年费用都是六位数甚至七位数美元级别，个人开发者根本用不起。如果你只是clone了仓库，没有这些数据服务的账号，这些连接器对你来说就是"样板间"——看个样子，用不了真实数据。
方向正确性： 尽管个人用不了，但方向是对的——让Claude接真实数据，而不是靠模型记忆"编"答案。这是金融AI应用能进生产的必要前提。
适用场景：已采购机构级金融数据服务的企业、内部IT团队做数据集成参考。
3.9 Managed Agents：这才是正经企业级思路#
它是什么：managed-agent-cookbooks/ 目录下放的是 Managed Agents API 的部署模板，是面向生产环境的企业级部署方案。
包含什么：
agent.yaml：代理配置文件subagents（子代理）：可以拆分复杂任务
steering examples（引导示例）：给模型的few-shot示例，引导输出符合预期
部署命令示例：
export ANTHROPIC_API_KEY=sk-ant-...
scripts/deploy-managed-agent.sh gl-reconciler
核心观点： 这才是金融Agent该有的样子。那些想把所有事都塞进聊天窗口的AI产品，金融团队用两周就会弃坑。为什么？因为聊天只是交互入口之一，不是工作流本身。
真正能进生产的金融Agent，必须能接：
任务系统（自动接收/派发任务）
权限系统（谁能看什么数据、谁能审批）
数据源（接内部数据库、第三方数据终端）
审批流（重要操作需要人确认）
审计日志（谁在什么时候做了什么，可追溯）
Managed Agent 的意义就在这里：它不假设用户只会在聊天框里用，而是提供一套可以嵌入企业现有系统的API和部署框架。聊天只是可选入口之一，不是工作流的全部。
对市面上很多"AI工作台"产品的批评：把所有功能都藏在一个聊天框里，用户想做什么都要先"和AI聊几句"，这在消费互联网场景可能成立，但在金融机构这种有严格流程、权限、审计要求的场景，根本用不起来。
适用场景：企业IT部门部署生产级AI代理、将AI能力嵌入内部工作流系统、需要权限/审批/审计的金融场景。
3.10 Microsoft 365：把入口放回办公软件#
它是什么：仓库里的 claude-for-msft-365-install/ 目录，用来帮IT管理员部署 Claude Microsoft 365 加载项。
功能：让 Claude 直接出现在 Excel、PowerPoint、Word、Outlook 这些办公软件里。
核心价值：解决"入口问题"。
金融团队80%的工作本来就在哪里？就在Excel、PowerPoint、Word、Outlook里：
Excel：财务模型、数据整理
PowerPoint：pitch book、研报、汇报材料
Word：备忘录、报告、合同初稿
Outlook：邮件、日程、审批
让Claude直接进这些地方，比另开一个AI平台、让用户在软件之间跳来跳去现实得多。工具离工作现场越近，越有人真正用起来；再聪明的AI，如果需要用户每次单独打开一个网页，用两周就没人记得了。
这也是为什么这个目录值得看——它不是炫功能，而是在踏踏实实地解决"工具怎么融入日常工作"这个入口问题。
适用场景：企业IT部门部署全员可用的AI助手、金融团队在日常办公软件中使用AI能力、降低AI工具推广阻力。
四、快速上手指南#
本章手把手教你如何安装和配置这套金融工具箱，包含具体命令、安装建议和避坑提示。
4.1 添加插件市场#
首先需要将Anthropic官方金融服务插件市场添加到你的Claude配置中：
claude plugin marketplace add anthropics/financial-services
这一步会把Anthropic维护的金融服务插件仓库注册到你的本地插件市场，之后你就可以从这个市场安装各种金融插件了。
4.2 安装核心插件：先装这个，别贪多#
重要建议：别一上来全装！
这个仓库覆盖面非常宽——投资银行、股票研究、私募股权、基金运营、KYC审查全都有。如果你第一次就把所有插件都装上，会导致slash command列表非常长，真正常用的命令反而难找，就像你手机装了几百个App，真正每天用的也就那十来个。
正确的安装顺序：先装核心插件 financial-analysis，这是所有金融分析能力的基础：
claude plugin install financial-analysis@claude-for-financial-services
4.3 按场景加装垂直插件#
装完核心插件后，再根据你的实际工作场景，按需加装对应的垂直插件：
场景1：做投行材料（pitch book、CIM、估值）
claude plugin install investment-banking@claude-for-financial-services
场景2：想体验完整的端到端Agent工作流
claude plugin install pitch-agent@claude-for-financial-services
场景3：做股票研究（财报分析、模型更新、首次覆盖）
claude plugin install equity-research@claude-for-financial-services
场景4：做基金运营/财务对账
claude plugin install gl-reconciler@claude-for-financial-services
场景5：做KYC/合规审查
claude plugin install kyc-screener@claude-for-financial-services
4.4 安装后的效果#
装完插件后，你的Claude里会多出一批slash command，例如：
/comps：可比公司分析/dcf：现金流折现模型/lbo：杠杆收购模型/earnings：财报分析/ic-memo：投资委员会备忘录/debug-model：Excel金融模型检查/teaser：项目Teaser制作/buyer-list：买家名单生成
这些命令比"帮我分析一下这家公司"这种模糊提示靠谱得多——它明确告诉模型：我们现在要执行哪一种标准化的金融动作。
4.5 ⚠️ 避坑提示（非常重要）#
这里有一个很容易踩的坑，必须提前说清楚：
README里列了FactSet、PitchBook、Morningstar、S&P Global这些MCP连接器，但这不等于你clone了仓库就能免费用这些数据。
FactSet、PitchBook这类机构级金融数据终端的API key，年费用都是六位数甚至七位数美元级别，普通个人开发者根本承担不起。README里列出这些连接器，更像是一张企业集成路线图——告诉已经采购了这些数据服务的金融机构：你可以照着这个方向把Claude接进你们已有的数据系统。
对于个人开发者来说：
✅ 可以免费使用框架、Skill、Slash Command、Agent结构设计
❌ 不能直接用里面的MCP连接器拉取真实金融数据（需要自己有机构账号）
⚠️ 输出的数字和分析结果需要你自己验证，模型可能会"编"数据
五、源码结构与学习路径#
拿到一个三万多Star的大仓库，很多人第一反应是"我从哪里看起"。本章帮你理清源码结构，并根据不同的学习目的推荐阅读路径。
5.1 核心观点：这是"样板间"，不是成品房#
首先要建立一个正确的认知：别把它当成一个开箱即用的成品系统，它是一套金融Agent的"样板间"。
什么意思？就像你去买房看样板间——样板间的作用不是让你直接拎包入住，而是告诉你：
房子的户型结构是什么样的（Agent架构设计）
客厅可以怎么布置（Skill怎么写）
厨房可以放什么电器（MCP连接器怎么接）
卧室可以怎么装修（企业定制化怎么做）
你需要做的，是在这个"户型结构"的基础上，把它装修成适合你们公司"居住"的样子。
5.2 按学习目的推荐目录#
根据不同的学习目的，仓库里的不同目录有不同的价值：
学习目的 |
看哪个目录 |
你能学到什么 |
|---|---|---|
想学Agent结构设计 |
|
一个完整的端到端Agent是怎么组织的、子代理怎么拆分、引导示例（steering examples）怎么写 |
想学专业金融动作怎么写 |
|
具体的金融技能（Skill）是怎么定义格式、步骤、检查点的，如何把专业领域知识固化成可复用的文件 |
想看企业级部署方案 |
|
生产环境部署需要什么配置文件、agent.yaml怎么写、如何接权限/审批/审计 |
想看数据怎么接 |
|
MCP连接器怎么配置、.mcp.json怎么写、如何对接内部系统和第三方数据源 |
5.3 重点提醒：不要照抄内容，要注入自己的东西#
真要用起来，重点不是照抄Anthropic写的金融内容，而是把自己团队的东西塞进去：
你们团队的pitch book模板是什么字体、什么颜色、logo放哪里？
你们IC memo的固定结构是哪几部分？
你们模型里特有的会计调整项是什么？
你们的数据来自Bloomberg还是Wind还是内部数据库？
你们的审批流程是几级？需要谁签字？
Anthropic提供的是"骨架"，你需要填入你们团队的"血肉"。一个好的金融Agent，里面应该装的是你们公司自己的知识、模板、口径、流程，而不是Anthropic写的通用示例。
六、企业定制化方法#
Anthropic官方在README里明确说了：仓库里的这些内容都是参考模板，你用得顺手的前提，是把它改成你们公司自己的那套。本章详细介绍5种定制化方法。
6.1 方法一：换数据连接器#
改什么：修改 .mcp.json 配置文件。
怎么改：把默认配置里的FactSet、PitchBook这些，换成你们自己实际在用的数据提供商和内部系统。
举例：
如果你们用Bloomberg Terminal（彭博终端）而不是FactSet，你需要自己写一个Bloomberg的MCP server（仓库里有其他连接器的例子，可以照猫画虎）
如果你们有内部财务数据库，写一个内部数据库的MCP连接器，指向你们的数据源
如果你们用万得（Wind）这类国内数据终端，同样需要自己写对应的MCP server
核心思路：MCP层是可插拔的，底层数据源换了，上层的Skill和Agent逻辑不用动。
6.2 方法二：加公司上下文#
改什么：修改或新增Skill文件。
怎么改：把你们公司/团队的术语、流程、格式标准扔进Skill文件里。Skill文件本质上是Markdown格式的"操作手册"，不需要写代码，改起来很方便。
具体可以加什么：
你们pitch deck的字体要求（比如标题必须用Arial 14号加粗、正文用Calibri 11号）
你们logo的标准位置和大小
你们IC memo（投资委员会备忘录）的固定结构（必须包含投资亮点、风险提示、财务预测、回报分析、退出路径这五部分）
你们模型里特有的调整项（比如某些一次性费用怎么处理、关联交易怎么调整）
你们团队的黑话/术语表（避免AI按通用意思理解你们内部的特殊说法）
效果：改完之后，Claude输出的东西就自带你们公司的风格了，不需要每次都重新跟它说格式要求。
6.3 方法三：用自己的模板#
用什么命令：/ppt-template
怎么用：这个命令可以教Claude学习你们公司的品牌PPT布局。你只需要给它看几个你们公司过往的标准pitch deck样例，它就能从中学习到：
封面页长什么样
目录页格式
内容页的标题位置、正文位置、页脚格式
图表的标准样式
免责声明的标准措辞
学完之后，它会生成一个可复用的PPT模板技能，以后再生成pitch deck，就自动套用你们公司的模板了。
适用场景：投行、咨询、PE/VC这类对PPT格式要求极高的行业，这个功能能省大量调格式的时间。
6.4 方法四：调整代理范围#
改什么：编辑 agents/<slug>.md 文件（比如 agents/pitch-agent.md）。
怎么改：根据你们团队实际的工作流方式，调整Agent的工作范围和步骤。
举例：
如果你们公司的pitch流程比标准流程多了两步审批（先是VP审核，再是MD签字），就把这两步加到Agent的工作流里
如果你们做可比公司分析时，有自己独特的筛选标准（比如必须排除某类公司、必须包含某类指标），就把这些标准写进去
如果你们的对账流程需要额外抄送某个部门，就加上这个步骤
核心思路：Agent不是写死的，它的工作流程完全可以按你们的实际情况调整。
6.5 方法五：加自定义工作流#
怎么做：如果你们有自己独特的工作流（仓库里没有现成的），直接复制仓库的目录结构，自己建一个新的。
为什么容易做：
Skill文件都是Markdown和JSON格式，没有编译步骤
Agent配置也是YAML和Markdown
不需要复杂的构建流程，改完就能用
可以参考现有插件的结构，照葫芦画瓢
举例：如果你们是做债券承销的，仓库里没有现成的债券承做插件，你可以：
复制investment-banking插件的目录结构
把里面的Skill改成你们债券承做的流程（比如尽职调查清单、募集说明书章节、路演材料要点）
加上你们自己的Slash Command（比如
/bond-memo、/due-diligence）对接你们内部的债券数据库
总结：这套仓库的设计就是为了方便定制的——所有东西都是明文配置文件，没有黑盒，想怎么改就怎么改。
七、法律免责与人工审核#
⚠️ 本章是整个教程最重要的一章，请务必认真阅读。
7.1 最核心的原则：一切输出都要人工审核#
这一点怎么强调都不为过：这些Agent输出的一切都只是draft（草稿），你——使用这个工具的专业人士——才是最终对结果负责的那个人。
在金融行业，一份错误的pitch book可能丢掉客户，一个错误的模型可能导致投资亏损，一份不合规的KYC审查可能带来监管处罚。这些责任，AI不替你承担，Anthropic也不替你承担，最终的责任人是你。
7.2 Anthropic官方免责声明（原文翻译）#
Anthropic在仓库README里有非常明确的免责声明，这里严肃呈现：
重要免责声明
本仓库中的内容不构成投资建议、法律建议、税务建议或会计建议。
这些代理（Agents）仅用于起草分析师的工作成果——包括财务模型、投资备忘录、研究笔记、对账差异报告等——所有这些输出最终都需要由合格的专业人士进行审核和签字。
它们：
❌ 不提供投资建议
❌ 不执行任何交易
❌ 不承担任何风险
❌ 不进行会计记账
每一个输出都必须经过人工审核签字。你需要自行验证所有输出的准确性，并确保其符合你公司所在司法辖区的所有适用法律法规。
7.3 责任边界必须划清#
请务必建立清晰的认知：
角色 |
责任 |
|---|---|
AI（Claude + 这些插件） |
辅助起草、提高效率、检查明显错误、提供初稿 |
你（使用工具的专业人士） |
审核内容准确性、验证数据来源、做出最终决策、承担专业责任 |
你所在的机构 |
建立内部审核机制、合规流程、风险控制体系 |
AI是助手，不是决策者。它能帮你从0分做到60分，帮你省掉大量写初稿、调格式、查明显错误的时间，但从60分到100分的专业判断、风险把控、最终决策，必须由人来完成。
这不是"AI不够好"，这是金融行业的本质要求——金融是经营风险的行业，可审计、可追责、人来拍板，这是底线。
八、内容三维评估#
为了帮助你客观判断这个仓库的价值，本章从三个维度对其进行评分和说明。
评估维度 |
评分 |
说明 |
|---|---|---|
准确性 |
9/10 |
本教程基于Anthropic官方GitHub仓库编写，信息来源准确；但本文是第三方解读，部分细节可能存在理解偏差，具体以官方GitHub最新内容为准 |
权威性 |
10/10 |
Anthropic官方出品并在GitHub正式发布，代表了Claude生态在垂直行业落地的官方最佳实践，具有极高的参考价值 |
实用性 |
7/10 |
对有一定规模、已采购机构级数据服务的企业用户参考价值极高（可以直接基于这套框架搭建自己的系统）；对个人开发者来说，受限于付费数据源门槛，无法直接使用真实数据，实用性打折扣 |
8.1 为什么实用性不是10分？#
实用性没有给满分，主要原因就是前面反复提到的数据源门槛：
仓库里的MCP连接器（FactSet、PitchBook、S&P Global、Morningstar等）都需要机构级数据订阅，年费用六位数美元起，个人开发者和小团队大多承担不起。没有这些数据源，你用这套框架跑出来的分析，数字可能是模型"编"的，只能当格式模板和学习参考，不能直接用于真实决策。
但换个角度说：
如果你是想学习"垂直行业Agent应该怎么设计"的开发者，这个仓库的参考价值是10分——四层架构设计、Skill标准化、人工审核机制、企业级部署思路，这些都是通用的，跟你有没有数据订阅没关系。
如果你是企业IT部门或金融机构的数字化团队，这个仓库的实用价值也是10分——你们本来就买了那些数据服务，缺的就是一套能把Claude接进去的标准化框架，这个仓库正好提供了。
九、个人见解与行业启示#
本章分享一些基于这个仓库延伸出来的个人观察和行业思考，供做Agent产品和企业AI落地的朋友参考。
9.1 洞察一：垂直行业Agent的正确路径是"模板+定制"，不是"开箱即用"#
市面上很多AI产品喜欢宣传"一键解决所有问题"、"开箱即用的行业AI"，但从Anthropic这个官方仓库能看出来：真正能进生产的垂直行业Agent，一定是"提供标准化模板+企业投入定制化"的模式。
为什么？因为每个金融机构的：
数据来源不一样（你用Bloomberg我用Wind他用内部系统）
模板格式不一样（你们的PPT长这样我们的长那样）
审批流程不一样（你们两级审批我们三级审批）
术语口径不一样（同一个指标你们这么算我们那么算）
合规要求不一样（不同司法辖区、不同监管体系）
这些差异决定了不存在一个"开箱即用、适用于所有金融机构"的万能AI系统。正确的路线是：像Anthropic这样，提供一套设计良好的模板/骨架/最佳实践，然后企业花力气把自己的东西填进去、对接自己的系统、建立自己的审核机制。
想做"开箱即用"的万能产品，最终要么只能做非常浅的demo，要么在定制化需求面前不堪一击。
9.2 洞察二：聊天只是入口，不是工作流本身#
这个仓库里最值得从业者深思的，是Managed Agents这个方向——它明确告诉大家：别把所有功能都塞进聊天框里。
把所有操作都藏在"和AI聊几句"后面，这是消费互联网的产品思维（因为C端用户喜欢简单、喜欢"自然语言交互"）。但企业级应用需要的是：
API接入（不是只有聊天界面）
权限控制（谁能看什么、谁能做什么）
审批流程（重要操作需要人确认）
审计日志（谁在什么时候做了什么，可追溯）
系统集成（接OA、接数据库、接任务系统）
聊天只是众多入口之一，不是工作流本身。你可以在聊天框里触发一个对账任务，但这个任务后续怎么派发、谁审核、结果存哪里、怎么追溯，这些才是企业级系统的核心——这些东西是聊天框装不下的。
Managed Agents这个方向才是企业级AI落地的正经思路。
9.3 洞察三：工具要回到工作现场#
仓库里有个容易被忽略的目录：claude-for-msft-365-install/——帮IT管理员把Claude部署到Microsoft 365里。
这个思路非常务实。金融从业者80%的工作时间在哪里？就在Excel、PowerPoint、Word、Outlook这四个软件里：
建模型用Excel
写材料用PowerPoint
写备忘录用Word
沟通发邮件用Outlook
让AI直接出现在这些工具里，用户不需要在软件之间跳来跳去，不需要单独打开一个"AI平台"网页——这才是真正降低使用门槛的方式。工具离工作现场越近，越有人真正用起来；再聪明的AI，如果需要用户每次专门打开一个网页、把数据复制粘贴过去，用两周就没人记得了。
很多AI产品犯的错误就是：总想让用户"到我这里来"，而不是"我到用户那里去"。
9.4 洞察四：Skill标准化是团队知识沉淀的关键#
Skill这个设计看似简单（就是Markdown文件），但解决了企业AI落地的一大障碍：输出口径不稳定。
很多团队试过AI之后发现最大的问题不是AI"不够聪明"，而是AI输出的东西"不像我们公司的人写的"——今天像正式报告、明天像自媒体、后天像学生作业，每次都要花大量时间改风格、改口径、改格式。
Skill的本质是什么？是把资深员工脑子里的隐性经验，变成了结构化、可复用、可迭代的显性文件：
资深分析师知道IC memo应该写哪几部分、哪些坑要避——写成Skill
资深Associate知道pitch deck的标准格式和注意事项——写成Skill
资深运营知道对账差异应该怎么排查、常见原因有哪些——写成Skill
新人来了，不需要Senior手把手教三个月，照着Skill跑，输出质量至少能到及格线；团队每个人用同样的Skill，输出口径自然统一。这比"让AI自己学习公司风格"靠谱多了——与其指望模型自己悟，不如把知识明明白白写下来。
9.5 对Agent开发者的启示#
如果你正在做垂直领域的Agent产品，从这个仓库可以学到几个关键原则：
分层设计：Agent/Skill/Command/MCP分层，每层职责清晰，不要把所有东西堆在一起
流程标准化：把专业工作拆解成标准化步骤和检查点，而不是笼统地让AI"帮我做XX"
数据可接入：不要把模型"编数据"当功能，要提供标准的连接器接口，接真实数据源
人工审核留痕：从设计上就把"人工审核"作为必要环节，而不是可有可无的"安全补丁"
可定制化：模板和实例分开，让企业能方便地注入自己的知识、模板、流程
不要只做"能聊天"的demo，要做真正能嵌入工作流的工具。
十、常见问题FAQ#
本章整理了8个最常见的问题，用Q&A形式回答，方便快速查阅。
Q1: 个人开发者能直接用这个仓库做金融分析吗？#
A: 框架和技能可以免费用，但MCP连接器里的金融数据源（FactSet/PitchBook等）大多需要机构级订阅，个人开发者用不起。没有数据源的话，只能当学习Agent架构设计的样板，输出的数字需要自己验证。
换句话说：你可以用它学习怎么写金融Agent、怎么设计Skill、怎么组织工作流，但如果你指望它直接给你出准确的DCF估值、真实的可比公司数据——做不到，因为数据需要你自己提供或接入。
Q2: 这个仓库会给我投资建议吗？#
A: 不会。Anthropic有明确的免责声明，所有输出都只是draft（草稿），不构成投资建议，必须由合格的专业人士审核。
绝对不要根据它的输出直接做投资决策。它能帮你整理材料、搭模型框架、查明显错误，但最终买什么卖什么、投什么不投什么，必须你自己判断、自己负责。
Q3: 为什么不建议一上来把所有插件都装上？#
A: 因为这个仓库覆盖面太宽——投行、股票研究、私募、基金运营、KYC全有，第一次全装会导致slash command列表非常长（可能有几十个命令），真正常用的命令反而难找。
就像你手机不会把App Store里所有App都装上一样——先装核心的financial-analysis，再根据你实际做的业务场景，按需加一两个垂直插件就够了。等你用熟了、确实需要其他功能了，再加装也不迟。
Q4: 它能自动做账/自动交易吗？#
A: 不能。GL Reconciler只找差异不自动关账，所有代理都不执行交易。
这不是Anthropic做不到，而是刻意把范围限定在"辅助起草"而非"自动执行"——这是非常重要的合规边界。金融领域里，自动关账、自动交易这种事情，一旦出错责任重大，必须有人工审核和签字。AI只做"找问题、列选项、写初稿"这类辅助性工作，最终的拍板和执行一定是人。
Q5: 国内金融从业者能用吗？#
A: 分两层看：
工具本身：Claude本身需要订阅，且国内金融机构有严格的数据合规要求（不能随便把内部数据传到境外API），直接用官方服务有合规障碍。
架构思想：这个仓库的设计思路是完全通用的——四层架构（Agent/Skill/Command/MCP）、Skill标准化、人工审核机制、企业级部署思路，这些跟你用不用Claude没关系。国内开发者完全可以参考这套思路，用国产大模型、国内数据源搭建自己的金融Agent系统。
"师夷长技以制夷"——学它的架构设计和产品思路，而不是直接照搬用。
Q6: /debug-model检查的问题真的是金融建模常见错误吗？#
A: 是的，而且是非常典型、非常致命的错误。
/debug-model里检查的几个问题：
WACC硬编码（不链接到假设页）
退出倍数共用单元格（敏感性分析失效）
债务表不回链（资产负债表假平衡）
这三个问题恰好是初级分析师最容易犯、资深分析师review模型时最常抓的典型错误。能把这几个检查项做出来，说明Anthropic在设计这个功能的时候，确实请教了真正懂金融建模的人，不是外行人拍脑袋想的。
Q7: 怎么把自己公司的模板加进去？#
A: 两种方式：
用
/ppt-template命令：给Claude看几个你们公司的标准PPT样例，它会自动学习你们的品牌布局（字体、颜色、logo位置、页边距等），生成一个可复用的PPT模板技能。直接修改Skill文件：Skill文件都是纯Markdown格式，你可以直接用文本编辑器打开，把你们的格式要求、步骤、检查点、术语表直接写进去。不需要编译，保存了就生效。
第二种方式更灵活，适合深度定制；第一种方式更简单，适合快速导入PPT模板。
Q8: 这个仓库和市面上的"AI炒股"工具有什么区别？#
A: 区别非常大，根本不是一个赛道的东西：
对比项 |
市面上的"AI炒股"工具 |
Anthropic financial-services仓库 |
|---|---|---|
目标用户 |
个人散户投资者 |
金融机构、专业从业者 |
产品定位 |
给买卖信号、告诉你买什么卖什么 |
专业人士的效率工具、工作流模板 |
合规设计 |
大多没有合规设计，灰色地带 |
从一开始就强调人工审核、可审计、不做自动决策 |
核心卖点 |
"帮你赚钱"、"高胜率" |
"提高工作效率"、"标准化工作流" |
责任边界 |
模糊（亏了钱算你的还是算AI的？） |
清晰——AI只写草稿，人负责审核和决策 |
一句话总结：市面上的"AI炒股"工具想做的是"替你做决策"，而Anthropic这个仓库想做的是"帮你提高做决策的效率"。前者是灰色地带，后者是正经的企业级工具方向。
十一、相关资源链接#
本章整理了与本教程相关的原始资源和延伸阅读材料。
11.1 原始资源#
anthropics/financial-services - GitHub官方仓库 - Anthropic官方发布的金融服务Agent工作流模板集，本文所有内容的一手来源，建议直接读源码
11.2 本项目相关Wiki#
Agent Skills 开放标准完整指南 - 深入了解Skill的标准规范、设计原则和最佳实践，理解为什么Skill是企业知识沉淀的关键
Agent 通信协议完整教程：MCP/ACP/A2A/ANP - 了解MCP（Model Context Protocol）协议的技术细节，看懂数据连接器是怎么工作的
明略科技Octo平台学习Wiki - 另一个多Agent协作平台的参考，对比不同Agent架构设计的思路