Python + AI Agent 实战：深入解析 Anthropic financial-services 项目

🚀 Python + AI Agent 实战：深入解析 Anthropic financial-services 项目

如果你最近关注 AI Agent、Claude Code、MCP、金融 AI、企业级 AI 应用，那么 Anthropic 官方开源的 financial-services 项目非常值得研究。

项目地址：

https://github.com/anthropics/financial-services

很多人第一次看到这个项目，会以为它是一个用于金融计算的 Python 库，例如用 Python 计算股票价格、金融指标或者实现各种量化算法。

实际上，它并不是传统意义上的 Python 金融库。

financial-services 更像是一套 面向金融行业的 AI Agent 工作流参考实现。

它把大模型、Agent、Skills、MCP、金融数据和企业工作流组合在一起，让 Claude 不再只是回答金融问题，而是可以参与投资银行、股票研究、私募股权、财富管理、基金运营等真实金融工作。

这也是这个项目最值得程序员研究的地方。

一、financial-services 到底是什么？

Anthropic 的 financial-services 项目，可以理解成：

一套面向金融行业的 Claude Agent、Skills 和数据连接器集合。

项目覆盖多个金融业务领域，例如：

• Investment Banking：投资银行
• Equity Research：股票研究
• Private Equity：私募股权
• Wealth Management：财富管理
• Fund Administration：基金管理
• Financial Operations：金融运营
• KYC：客户身份识别
• 财务分析
• 企业估值
• 财务模型分析

它里面不是只有一个 Agent，而是包含多个针对不同业务场景设计的 Agent 和 Skill。

例如：

Pitch Agent
Meeting Prep Agent
Market Researcher
Earnings Reviewer
Model Builder
Valuation Reviewer
GL Reconciler
Month-End Closer
Statement Auditor
KYC Screener

这些名称看起来可能有点陌生，但实际上对应的都是金融行业中的真实工作。

例如：

Market Researcher

负责市场研究。

Model Builder

负责金融模型构建。

Valuation Reviewer

负责估值审核。

所以这个项目真正有意思的地方并不是“金融计算”，而是：

如何让 AI Agent 真正参与专业人员的工作流程。

二、为什么这个项目和 Python 有关系？

很多人可能会产生一个疑问：

这个不是 Anthropic 的 Claude 项目吗？为什么又和 Python 有关系？

原因是这个项目并不是传统意义上的 Python SDK。

它大量采用：

Markdown
YAML
JSON
Python
MCP
Claude Agent

这些组件共同组成整个 Agent 系统。

也就是说，它并不是：

from financial_services import DCF

result = DCF(...)

这种传统 Python 库。

更准确的理解应该是：

financial-services
↓
Agent 工作流
↓
Skills
↓
MCP Tools
↓
金融数据
↓
Claude

Python 更多承担的是：

• 工程化脚本
• 配置验证
• Agent 编排
• 自动检查
• 工作流辅助

这其实非常符合现在 AI 应用的发展趋势。

三、传统 AI 应用和 Agent 应用有什么区别？

以前我们开发 AI 应用，可能是这样的：

用户
↓
Python
↓
Prompt
↓
LLM
↓
返回答案

例如：

response = client.responses.create(
model="xxx",
input="分析一下苹果公司的财务情况"
)

这属于典型的 LLM 调用。

但是 Agent 的思路不一样。

可能变成：

用户
↓
Agent
↓
分析任务
↓
调用 Skill
↓
查询数据
↓
运行计算
↓
调用其他 Agent
↓
检查结果
↓
生成报告

也就是说：

Chatbot 的核心是回答问题。

而：

Agent 的核心是完成任务。

这就是 financial-services 最值得研究的地方。

四、Agent 和 Skill 有什么区别？

理解这个项目，最重要的概念之一就是：

Agent 和 Skill 并不是同一个东西。

可以简单理解：

Skill = 专业能力

Agent = 工作流程

例如一个金融系统可能拥有：

DCF Skill
Comparable Companies Skill
Financial Statement Skill
Market Research Skill
Excel Modeling Skill

每个 Skill 只负责一部分能力。

而 Agent 可以把多个 Skill 组合起来。

例如：

Market Researcher Agent

↓

市场研究
↓
行业分析
↓
竞争对手分析
↓
财务数据分析
↓
估值分析
↓
生成研究报告

所以：

Skill
=
“我会做什么”

Agent
=
“我如何把这些能力组合起来完成一项工作”

这个思想和传统软件工程其实非常相似。

例如 Python 中：

def calculate_dcf():
pass

def analyze_company():
pass

def generate_report():
pass

这些函数代表具体能力。

然后再通过业务逻辑：

def research_agent():
analyze_company()
calculate_dcf()
generate_report()

把它们组合起来。

Agent 系统只是把这种思想进一步扩展到了大模型。

五、为什么金融行业特别适合 AI Agent？

金融行业有一个非常明显的特点：

存在大量重复、标准化、流程化的知识工作。

例如一个股票研究员可能需要：

获取公司财报
↓
阅读财报
↓
提取关键数据
↓
计算财务指标
↓
分析竞争对手
↓
分析行业
↓
进行估值
↓
制作模型
↓
撰写研究报告

以前这些工作需要大量人工完成。

现在可以把其中一部分交给 Agent。

例如：

财报
↓
Agent
↓
提取数据
↓
金融分析 Skill
↓
估值模型
↓
报告生成
↓
人工审核

这就是 AI Agent 和传统 ChatGPT 式问答的区别。

它不是单纯告诉你：

“某公司的 PE 是多少？”

而是可以围绕：

“完成一份公司研究”

这个目标连续执行多个步骤。

六、Pitch Agent：AI 如何参与投资银行工作？

Pitch Agent 是这个项目中非常有代表性的 Agent。

投资银行工作中经常需要制作 Pitch。

一个典型流程可能包括：

公司资料
↓
行业分析
↓
竞争对手分析
↓
可比公司分析
↓
交易案例分析
↓
估值
↓
制作 Pitch 材料

传统情况下，这可能需要分析师花费大量时间。

而 Agent 可以负责其中大量信息整理和分析工作。

例如：

Company Information
↓
Comparable Companies
↓
Precedent Transactions
↓
Valuation
↓
Pitch Materials

当然，这并不意味着 AI 可以完全替代金融专业人员。

更加合理的方式是：

AI
负责整理、计算、分析和生成初稿

+

专业人员
负责审核、判断和最终决策

这也是企业 AI 比较现实的落地模式。

七、Market Researcher：让 AI 做市场研究

另一个非常典型的 Agent 是：

Market Researcher

假设用户提出：

帮我研究新能源行业。

普通 LLM 可能直接生成一篇文章。

但是 Agent 可以把任务拆成多个步骤：

新能源行业
↓
行业规模
↓
行业增长趋势
↓
主要竞争者
↓
市场份额
↓
重点公司
↓
财务表现
↓
估值分析
↓
研究报告

这时候大模型不再只是“写文章”。

而是成为：

整个研究流程的控制中心。

这就是 Agent 的价值。

八、Model Builder：AI 开始进入金融建模

金融行业还有一个非常重要的工作：

Financial Modeling，金融建模。

例如：

• DCF
• LBO
• Comparable Company Analysis
• 三大财务报表模型
• 财务预测
• 敏感性分析

这些任务通常高度依赖 Excel。

而 financial-services 中提供了与金融建模相关的 Agent 和 Skills。

例如：

DCF
LBO
Comps
3-Statement Model
Debug Model

简单理解：

/DCf

代表 DCF 估值工作流。

而：

/debug-model

则可以理解成对金融模型进行检查。

这意味着 AI Agent 正在从：

文本生成

逐渐走向：

结构化业务操作

这是一个非常重要的变化。

九、MCP 为什么这么重要？

如果 Agent 只能处理 Prompt 和 Markdown，那么它的能力其实还是有限的。

真正让 Agent 进入企业环境的关键技术之一，就是：

MCP。

MCP 可以简单理解成：

让 AI Agent 能够访问外部工具和数据的一套标准化机制。

可以想象成：

Claude
│
Agent
│
MCP
│
┌───────────┼───────────┐
↓ ↓ ↓
Excel 数据库 CRM
│ │ │
└───────────┼───────────┘
↓
企业数据

这样 Agent 就不仅能“思考”，还能够：

查询数据
读取文件
访问数据库
调用 API
操作企业系统

这也是为什么 MCP 对企业 AI Agent 非常重要。

可以简单总结：

LLM
负责理解和推理

MCP
负责连接外部世界

两者结合以后，Agent 才真正拥有执行任务的能力。

十、Python 在 financial-services 中承担什么角色？

看到这里可能有人会问：

如果核心是 Claude Agent，那么 Python 到底负责什么？

答案是：

Python 主要负责工程化和自动化。

项目中包含一些 Python 脚本，例如：

scripts/
├── check.py
├── validate.py
├── orchestrate.py
└── sync-agent-skills.py

其中 check.py、validate.py 等脚本可以用于检查：

YAML
JSON
Agent 配置
Skill 配置
文件引用

是否正确。

为什么需要这些检查？

因为 Agent 项目和传统 Python 项目不太一样。

传统 Python 项目：

.py
.py
.py

代码本身就是主要内容。

但是 Agent 项目里面可能存在：

Agent
Skill
Prompt
YAML
JSON
Markdown
MCP

大量配置文件之间还存在相互引用。

因此：

Agent 项目同样需要类似传统软件工程的自动化验证体系。

十一、Multi-Agent：多个 Agent 如何协作？

这个项目另外一个值得研究的地方就是：

Multi-Agent。

并不是所有任务都需要一个超级 Agent。

例如：

Research Agent
↓
Modeling Agent
↓
Review Agent
↓
Report Agent

每一个 Agent 负责自己的工作。

例如：

Research Agent
负责收集和分析资料

Modeling Agent
负责建立金融模型

Review Agent
负责检查结果

Report Agent
负责整理最终报告

这种架构和传统微服务有一点类似：

微服务：
多个服务协作完成业务

Multi-Agent：
多个 Agent 协作完成任务

这样做的好处是每个 Agent 的职责更加清晰。

十二、为什么不直接做一个“超级 Agent”？

很多人第一次开发 AI Agent 时，很容易犯一个错误：

一个 Agent
+
100 个工具
+
一个超级 Prompt

看起来很强。

但工具数量越来越多以后，很容易出现：

Prompt 越来越长
↓
上下文越来越大
↓
工具越来越多
↓
Agent 不知道应该调用哪个工具
↓
系统越来越难维护

而 financial-services 展示的是另一种思路：

Agent
│
┌───────────┼───────────┐
↓ ↓ ↓
Research Modeling Operations
│ │ │
Skills Skills Skills
│ │ │
MCP MCP MCP

把复杂能力拆开。

这其实就是经典的软件工程思想：

高内聚、低耦合、模块化。

只不过现在应用到了 AI Agent 上。

十三、Agent 项目为什么越来越像软件工程？

传统软件：

代码
↓
模块
↓
服务
↓
数据库
↓
工作流

现在的 Agent：

Prompt
↓
Skill
↓
Agent
↓
Tool
↓
MCP
↓
Workflow

两者其实越来越接近。

所以未来开发 AI 应用，仅仅会调用 LLM API 可能是不够的。

开发者还需要理解：

Agent Architecture
Tool Calling
MCP
RAG
Workflow
Memory
Multi-Agent
Evaluation
Observability
Human-in-the-loop

而 Python 依然会是其中非常重要的一门语言。

十四、如何安装 financial-services？

如果你使用 Claude Code，可以按照项目官方文档中的方式添加 Marketplace。

首先：

claude plugin marketplace add anthropics/financial-services

然后安装金融分析插件：

claude plugin install financial-analysis@claude-for-financial-services

也可以安装具体的 Agent，例如：

claude plugin install pitch-agent@claude-for-financial-services

或者：

claude plugin install market-researcher@claude-for-financial-services

需要注意一个容易混淆的地方。

GitHub 仓库名称是：

anthropics/financial-services

而 Marketplace 名称是：

claude-for-financial-services

所以看到两个不同的名字不用奇怪。

十五、它不是传统的 pip Python 库

这一点非常重要。

如果你期待的是：

pip install financial-services

然后：

from financial_services import DCF

那么这个项目并不是这种定位。

它更接近：

AI Agent Reference Architecture

也就是：

AI Agent 参考架构和行业工作流模板。

它告诉开发者：

一个金融 Agent 应该怎么设计？

一个金融 Skill 应该怎么组织？

Agent 如何调用工具？

多个 Agent 如何协作？

企业数据如何连接？

AI 如何参与真实业务流程？

从这个角度来看，它其实比一个普通 Python 库更加值得研究。

十六、普通 Python 开发者可以学到什么？

1. Prompt 正在逐渐变成“代码”

以前我们会认为：

Python = 程序
Prompt = 给 AI 的一句话

但是现在：

Prompt
+
Skill
+
Agent
+
Tool
+
Workflow

本身就构成了一个程序。

因此未来 AI 软件项目里面：

.py
.md
.yaml
.json

可能都同样重要。

2. Agent 应该围绕业务流程设计

不要一开始就想着：

我要做一个超级 AI Agent。

更好的思路是：

这个行业的人每天到底怎么工作？

例如：

收集资料
↓
分析资料
↓
计算指标
↓
验证结果
↓
生成报告
↓
人工审核

然后把这些步骤逐渐 Agent 化。

3. MCP 是 Agent 的“手和脚”

可以简单理解：

大模型
=
大脑

MCP
=
手和脚

Skills
=
专业技能

Workflow
=
做事流程

只有把这些东西组合起来，Agent 才真正具备执行复杂任务的能力。

4. Human-in-the-loop 非常重要

尤其是在金融领域。

AI 可以：

收集数据
分析数据
建立模型
生成报告

但是最终的：

投资决策
风险判断
交易决策
企业审批

仍然需要专业人员负责。

因此更加合理的企业 AI 模式是：

AI
↓
生成结果
↓
人工审核
↓
最终确认

而不是：

AI
↓
直接执行

十七、对正在做 AI 软件的人有什么启发？

如果你现在正在使用 Python 开发 AI 应用，那么 financial-services 有一个非常重要的启发：

未来的 AI 软件可能不再是：

response = llm.chat(prompt)

这么简单。

而是：

用户
↓
Agent
↓
┌─────────┼─────────┐
↓ ↓ ↓
Skills Tools Memory
↓ ↓ ↓
└─────────┼─────────┘
↓
MCP
↓
外部数据
↓
Workflow
↓
结果验证
↓
人工审核

最终形成一个完整的：

Agentic Application。

这也是现在 AI 软件工程正在发生的一个非常明显的变化。

十八、如果把它应用到其他行业呢？

其实 financial-services 的思路并不局限于金融行业。

例如你做：

医疗 Agent

可以设计：

病历分析 Agent
检查报告 Agent
医学知识 Agent
诊疗记录 Agent

法律 Agent

可以设计：

合同分析 Agent
法规检索 Agent
案例研究 Agent
合同审查 Agent

企业知识库 Agent

可以设计：

文档检索 Agent
报告分析 Agent
数据分析 Agent
报告生成 Agent

工程项目 Agent

甚至可以设计：

规范查询 Agent
图纸分析 Agent
检测报告 Agent
问题识别 Agent
报告生成 Agent

最终都可以采用类似的架构：

行业知识
+
Skills
+
Agent
+
MCP
+
企业数据
+
Workflow

所以真正值得学习的不是金融本身，而是：

Anthropic 是如何把一个行业的专业工作拆解成 AI 可以执行的模块。

十九、总结

Anthropic 的 financial-services 表面上看是一个金融 AI 项目，但它真正值得程序员研究的，是背后的 Agent 工程思想。

它并不是简单地让 Claude 回答：

“什么是 DCF？”

而是希望 AI 可以参与：

研究
↓
分析
↓
建模
↓
验证
↓
生成报告
↓
人工审核

整个架构可以简单概括为：

用户
↓
Agent
↓
┌────────┴────────┐
↓ ↓
Skills Workflow
↓ ↓
└────────┬────────┘
↓
MCP
↓
企业/金融数据
↓
AI分析
↓
结果验证
↓
人工审核

而 Python 在其中承担的是非常重要的工程化角色：

Python
↓
配置验证
↓
自动化脚本
↓
Agent 编排
↓
Workflow
↓
企业应用

所以，如果你是一名 Python 开发者，现在学习 AI Agent，千万不要只停留在：

调用 LLM API

这一层。

更值得学习的是：

LLM
↓
Agent
↓
Skill
↓
Tool
↓
MCP
↓
RAG
↓
Workflow
↓
Multi-Agent
↓
Human-in-the-loop

这才是越来越接近企业级 AI 应用的完整技术栈。

而 financial-services 恰好提供了一份非常好的行业级参考案例。

一句话总结：

🚀 financial-services 不是一个简单的 Python 金融库，而是一套把 Claude、Agent、Skills、MCP 和金融工作流结合起来的行业 AI Agent 参考架构。对于 Python 开发者来说，真正值得学习的是它背后的 Agent 工程化思想。