作者：老余捞鱼
原创不易，转载请标明出处及原作者。
本文约 3400 字 | 预计阅读 9 分钟
文中示例仅用于技术讨论，不构成任何操作建议。量化策略开发应以学习和技术交流为目的。本公众号不荐股、不卖课、不承诺收益。市场有风险，请合法合规投资。
2026年5月Anthropic 直接开源了 Claude for Financial Services。这不是一个概念产品，目前 GitHub 17,500+ 星，Apache 2.0 协议。
这是目前我看到的最完整的开源金融行业 AI Agent 工具集：10个专业 Agent、41项领域技能、11个数据连接器，覆盖投行、股权研究、私募、财富管理、基金运营、合规六大场景。
我花了几天时间把这个项目翻了个底朝天，今天把它的底层逻辑和实际应用方向给大家扒扒。
· · ·
一、它到底能干什么？
先看架构。Anthropic 把整个系统分了三层：
数据层：处理 PDF 财报、监管文档、实时 API 市场数据。
逻辑层：核心 Prompt 库，针对金融逻辑优化的系统提示词，支持 Tool Use。
应用层：自动化合规、投资调研、财报摘要。
翻译成人话就是：以前你得自己从 Wind、彭博拉数据、手动填 Excel、熬夜写 memo，而现在10个 Agent 可以帮你批量处理这些破事儿。
10个专业 Agent
| Agent | 职能 |
|---|---|
| Pitch Agent | 从 Comps 到 LBO，一条龙生成 Pitch Deck |
| Meeting Prep Agent | 客户会前 briefing pack |
| Market Researcher | 行业研究、竞争格局、标的筛选 |
| Earnings Reviewer | 财报电话会 → 模型更新 → 笔记初稿 |
| Model Builder | DCF、LBO、三张表、Comps，Live in Excel |
| Valuation Reviewer | GP 包估值、LP 报告 |
| GL Reconciler | 找差异、追根因、提交审批 |
| Month-End Closer | 应计、滚动、方差分析 |
| Statement Auditor | 审计 LP 语句 |
| KYC Screener | 解析开户文档、规则引擎检查 |
41项技能 + 11个数据连接器
技能包括：/comps、/dcf、/lbo、/earnings、/ic-memo 等等。
数据连接器直接接入：Daloopa、Morningstar、S&P Global、FactSet、Moody’s、LSEG、PitchBook。
这意味着 Agent 可以自己动手查数据，不用你复制粘贴。
图1：10个专业 Agent 的分工架构
· · ·
二、它怎么工作的？
Anthropic 用了一个很有意思的设计：一次开发，双路径部署。
同一套系统提示词和技能，既可以作为 Claude Cowork 插件 安装直接在桌面端使用，也可以通过 Claude Managed Agents API 部署到你自己的企业工作流引擎里。
Cowork 安装：
claude plugin marketplace add anthropics/financial-servicesclaude plugin install financial-analysis@claude-for-financial-servicesclaude plugin install pitch-agent@claude-for-financial-servicesManaged Agent 部署：
export ANTHROPIC_API_KEY=sk-ant-...scripts/deploy-managed-agent.sh gl-reconciler两种路径用同一套技能，区别只是一个在云端跑、一个在你本地跑。
还能直接嵌入 Microsoft 365
这是我觉得最狠的一点。Anthropic 做了 Microsoft 365 的原生集成，Claude 可以直接在 Excel、PowerPoint、Word、Outlook 里面跑。
分析师不用再跳来跳去复制粘贴了。直接在 Excel 里调 Agent，模型自动更新，结论直接写进 PPT。
图2：手动搬运 vs AI Agent 自动化
· · ·
三、大家都在用它干什么？
这是很多人关心的。但说句实在话，由于项目5月初才开源，公开渠道能查到的实际部署案例确实不多。
原因也不难猜：
- 金融机构用了通常不会公开说
- 企业部署需要时间周期
- 很多团队可能还在概念验证阶段
但从项目设计、社区讨论和技术能力来看，几个明确的应用方向已经能看出来：
1. 财报季效率提升
Earnings Reviewer 可以在财报发布后自动抓取 filings、跑模型更新、生成笔记初稿。根据项目文档和社区反馈，原来需要 2-3 小时的活，现在大概 20-30 分钟能跑完初稿。
2. Pitch Deck 自动生成
Pitch Agent 从 Comps、Precedents 到 LBO 模型，一键生成完整 Deck 初稿。分析师的反馈是”省了 60% 的时间用于格式调整和排版，核心逻辑还是需要人把控”。
3. GL 对账与月结
GL Reconciler 自动找差异、追根因、路由审批。基金运营团队用它来跑月结，”以前对账需要两天，现在基本当天能跑完”，这是目前社区反馈最多的场景之一。
4. 投研覆盖扩展
Market Researcher 可以自动化生成行业概览、竞争格局、标的筛选 list。研究员的核心能力从”覆盖多少家公司”变成了”判断AI生成的东西哪些靠谱”。
5. KYC 与合规
KYC Screener 自动解析开户文档、跑规则引擎、标记 GAP。合规团队反馈说”材料初筛的效率提升明显，但最终审核还是需要人”。
关键点：以上场景都有一个共同特征：AI 负责”起草”，人负责”判断”。这不是替代关系，是分工关系。
· · ·
四、它动了谁的蛋糕？
华尔街的痛点其实很明显：
- 投行：分析师每天 80% 的时间在做脏活，拉数据、填模板、改格式。真正花在思考上的时间不到 20%。
- 资管：研究员的覆盖能力受限于人力，一个团队覆盖 20 家公司已经是极限。
- 基金运营：月结、对账、LP 报告，全是重复劳动。
Claude for Financial Services 做的事情本质上是把这些重复劳动自动化，让分析师和研究员把时间挪到真正需要判断力的事情上。
对行业的影响：
- 初级分析师的需求会减少。基础的数据整理、模板填充这些活Agent能干了，那么”画 PPT 实习生”的市场需求必然会萎缩。
- 对复合型人才的需求会增加。会指挥Agent的人比会自己画PPT的人更值钱。
- 数据供应商的价值会重估。当 Agent 可以直接调 API 拉数据的时候，数据接口的标准化程度决定了 Agent 的能力上限。
· · ·
五、普通人能怎么用？
如果你不在金融机构，这东西跟你有什么关系？
两个角度：
第一，学习它的设计思路。17.5k 星的项目，代码质量非常高。它展示了什么叫”金融级的 AI 应用”，不是通用 ChatGPT 那种聊聊天就完事了，而是真正嵌入了工作流、接入了数据、能干脏活的 Agent 系统。对于想搞 AI 应用的开发者来说，这是一个非常好的参考模板。
第二，理解行业趋势。金融行业是 AI 落地最激进的领域之一。Anthropic 这套东西不是概念，而是已经在企业环境里跑的东西。理解它能帮助你判断：哪些金融岗位会被影响？AI 工具未来会往哪个方向卷？
图3：AI Agent 来了，你怎么办？
· · ·
观点总结
Claude for Financial Services可能是目前最完整的金融行业 AI Agent 解决方案。它不是玩具，是真刀真枪能进生产环境的工具。
核心亮点：
- 10个专业 Agent 覆盖投行、资管、运营全链路
- 41项技能 + 11个数据连接器，自动化程度高
- 支持桌面端和企业级部署两条路径
- Microsoft 365 原生集成，Excel 里直接跑
但还需要注意：
- 输出都是初稿，需要人工审核，项目README里专门强调了”每一步输出都需要 qualified professional 签字确认”。
- 数据连接器需要订阅（PitchBook、LSEG、Moody’s 这些不是免费接口）。
- 部署有一定技术门槛。
开源地址如下：
https://github.com/anthropics/financial-services
我的判断：这不是要取代金融从业者，而是重新定义什么叫做”基础工作”。以前”基础”是拉数据、画 PPT，以后”基础”是审核 Agent 的输出、做判断决策。
技术浪潮来了，与其躲着，不如早点弄清楚它到底在干什么。
Be First to Comment