用Claude和Python构建技能驱动的金融分析Agent：Anthropic开源方案详解

一句话看懂

Anthropic开源金融分析Agent架构，用Claude + Python + MCP连接器实现DCF估值、敏感性热图、可比公司分析等自动化交付物。

详细发生了什么

MarkTechPost发布了一篇教程，详细演示如何基于Anthropic的financial-services开源仓库，用纯Python复现其技能驱动（skill-driven）的Agent架构。

教程从克隆仓库开始，程序化地映射仓库中的Agent插件、垂直插件、合作伙伴集成、托管Agent cookbook和金融分析技能。核心是解析SKILL.md文件，构建可搜索的技能注册表，并创建可复用的SkillAgent类——它将选中的金融分析playbook注入Anthropic Messages API，同时支持迭代的tool-use循环，用于Python计算和文件生成。

具体执行了五个任务：合成贴现现金流（DCF）估值、生成WACC和终值增长率敏感性热图、可比公司分析并输出格式化Excel、起草私募股权投资委员会备忘录、以及检查托管Agent部署规范（不实际发送部署请求）。

技术栈包括：Claude Sonnet 4-6模型、pandas/openpyxl/matplotlib、MCP连接器配置（.mcp.json），以及自定义的tool dispatch机制（run_python和save_file）。

中文圈视角

这个方案对国内金融科技从业者和AI开发者有直接参考价值：

可用性与平替：核心依赖Anthropic API，国内用户需要梯子或使用代理。平替方案可考虑DeepSeek或Kimi的function calling能力，但需要自行实现类似的skill注册和tool-use循环。ModelScope上已有类似的开源金融Agent项目（如FinGPT），但架构成熟度不如Anthropic这套。
国产对比：国内券商和银行自研的AI助手多采用本地部署的LLM（如百川、GLM），但普遍缺乏这种“技能驱动”的模块化设计。Anthropic的方案将每个金融分析任务封装为独立的SKILL.md，便于维护和扩展，对国内团队设计合规、可审计的金融Agent有启发。
场景落地：对中文用户的具体场景——比如A股公司的DCF估值、行业轮动分析、财报摘要生成——只需替换数据源（如Tushare或Wind API）和调整prompt中的市场惯例（如中国会计准则），架构可直接复用。
监管盲点：国内金融AI面临数据出境和内容合规双重约束。Anthropic方案中的MCP连接器若对接国内数据源，需注意个人信息保护和证券业相关法规。目前中文社区对此类开源金融Agent的合规讨论较少，值得提前关注。

几条值得记住的细节

模型使用Claude Sonnet 4-6，max_tokens设为8000，支持最多12轮tool-use循环。
技能注册表通过解析SKILL.md文件的YAML元数据和正文构建，支持模糊搜索。
MCP连接器配置文件（.mcp.json）定义了外部金融数据接口，教程中仅展示结构未实际调用。
所有交付物（Excel热图、备忘录等）保存到本地outputs目录，均为草稿性质，不构成投资建议。
工具函数run_python预导入pandas和numpy，状态跨调用持久化，支持复杂计算链。

一句话总结

如果你做金融量化或AI Agent开发，这套开源架构能帮你快速搭建自动化分析流水线，且代码完全可控。