文件驱动的 Agent，不需要构建步骤
- William Jacob
- Agent , 金融服务
- 11 May, 2026
周五晚上还在排 pitch deck 格式的投行分析师，并没有在创造 alpha。他们在给数字画框——那些数字早就从 CapIQ 拉出来了，早就在模型里交叉验证过了，早就被 VP 批过了。横在数据和格式化 slide 之间的，只有一个宁可去睡觉的人。
Anthropic 的 financial-services 仓库用一个文件替代了这个 workflow。一个包含 system prompt 和领域指令的 markdown 文件。没有构建步骤。没有 CI/CD。没有 Docker 容器。就一个文件，和一个知道怎么读它的 Agent。
这个仓库发布了 11 个 Agent、30+ 个技能和 11 个数据连接器——全部来自一套源码，支持两种部署方式：作为 Claude Cowork 插件，或作为 API 背后的 headless managed agent。一切皆为 markdown 和 JSON。一切皆可组合。
它不一样的地方
大多数”AI + 金融”产品，就是在数据终端外面套一层聊天界面，然后就收工了。这个不是。
这些 Agent 端到端地负责 workflow。Pitch Agent 不只是回答问题——它跑 comps、拉 precedents、建 LBO、填品牌化的 deck。Earnings Reviewer 吃进电话会纪要加 filings，产出模型更新和研究笔记初稿。GL Reconciler 找到差异、追溯到根因、路由给审批人。每个 Agent 是一个完整的 workflow，不是干到一半就交棒的聊天机器人。
架构从底到顶都是文件驱动的。System prompt 在 “agents/slug.md”。领域指令在 “skills/” 里，以 markdown 文件存放。数据连接器在 “.mcp.json” 里。零构建步骤意味着你测试的和发布的是同一套东西——你编辑的文件就是运行时用的文件。
大多数 Agent 平台把你锁进它们的部署模型。这套方案把同样的文件既作为桌面插件发布，也作为 API 可调用的 Agent 发布。相同源码，相同行为，两种运行时。
十一个 MCP 连接器已预集成：Daloopa、Morningstar、S&P Global、FactSet、Moody’s、MT Newswires、Aiera、LSEG、PitchBook、Chronograph 和 Egnyte。这些把 Claude 接入真实的金融数据——不是沙箱，不是 demo 数据集。来自 LSEG 和 S&P Global 的合作伙伴插件还提供了债券相对价值、互换曲线和 Capital IQ tear sheet。
Microsoft 365 插件把 Claude 嵌入 Excel、PowerPoint、Word 和 Outlook——指向你自己的云（Vertex AI、Bedrock 或内部网关），而非 Anthropic 的 API。
适用场景和适合谁用
投行业务。Pitch book 制作、CIM 撰写、teaser 创建、buyer list 构建、merger model、process letter、deal tracking。仓库里为 deal 生命周期的每个步骤都准备了对应的 Agent 或 slash command。
股票研究。季报点评、首次覆盖报告、模型更新、晨会笔记、行业概览、投资逻辑跟踪、选股思路。电话会结束后跑 “/earnings”，在一个小时内拿到初稿。
私募股权。带 CRM 集成的 deal sourcing、CIM 快速筛选、按 workstream 拆分的尽调清单、IC memo 撰写、被投公司 KPI 监控、价值创造计划。” /ic-memo ” 命令把财务数据、comps、回报分析和风险提示整合成一份文档。
财富管理。客户会议准备、财务规划、组合再平衡、税损收割、投资建议书。不如 M&A 光鲜，但产能提升是一样的。
基金运营。GL 对账、差异追踪、应计费用、roll-forward、差异说明、NAV 核对、LP statement 审计。这些工作没人想碰——正因如此，它们被放进了仓库。
会在哪里翻车，以及什么时候别用
每个输出都需要人工复核。仓库明确声明：这里的一切不构成投资、法律、税务或会计建议。这些 Agent 起草分析师的工作成果，由合格的专业人士审查。跳过人工签字不是在追求效率——是在追求责任事故。
MCP 连接器需要订阅。Daloopa、PitchBook、LSEG——这些都是付费数据服务。连接器是预先搭好的，但数据不会在没有有效许可证的情况下流动。在算力成本之外，把数据成本也放进预算。
文件驱动架构很强大，但把维护责任交给了你。改 “.mcp.json” 来换连接器。编辑 skill 文件来加入公司上下文。通过 “/ppt-template” 来引入模板。这是灵活性，不是魔法——需要有人维护这些文件，保持它们与实际 workflow 的一致性。
Agent 质量在 scope 膨胀时下降。Pitch Agent 做 pitch deck。Earnings Reviewer 做季报点评。不要让一个 Agent 去覆盖另一个的领地——system prompt 被封窄是有原因的。编辑 scope 来匹配你的 workflow，而不是让一个 Agent 什么都做。
不要用这些 Agent 处理监管报送、未经复核的最终客户交付物，或者任何错误会带来法律责任的输出。模型偶尔会幻觉一个倍数，或张冠李戴一个数据点。你的工作就是抓住它。
上手
安装 marketplace，选你的 Agent：
# 添加 marketplace
claude plugin marketplace add anthropics/claude-for-financial-services
# 核心技能 + 连接器（先装这个）
claude plugin install financial-analysis@claude-for-financial-services
# 具名 Agent —— 挑你需要的
claude plugin install pitch-agent@claude-for-financial-services
claude plugin install earnings-reviewer@claude-for-financial-services
claude plugin install market-researcher@claude-for-financial-services
claude plugin install gl-reconciler@claude-for-financial-services
# 垂直领域技能包
claude plugin install investment-banking@claude-for-financial-services
claude plugin install equity-research@claude-for-financial-services
claude plugin install private-equity@claude-for-financial-services在 Claude Cowork 中，打开 Settings → Plugins → Add plugin，粘贴仓库 URL。Agent 会出现在调度菜单中，技能自动激活，slash command 可用在你的 session 里。
Headless 部署方式：
export ANTHROPIC_API_KEY=sk-ant-...
scripts/deploy-managed-agent.sh gl-reconciler“managed-agent-cookbooks/” 下的每个模板引用了与插件版本相同的 system prompt 和技能。部署脚本解析文件引用、上传技能、创建子 Agent，并将编排器 POST 到 “/v1/agents”。
30 分钟内把它变成你自己的
先换连接器。把 “.mcp.json” 指向你的数据提供商和内部系统。预建的连接器是起点——你的数据栈不一样。
然后加入公司上下文。把你们的术语、流程规范和格式标准放到对应垂直领域的 skill 文件里。五行公司特有的指令，胜过五十页通用指南。
教 Claude 认识你的模板。拿你们品牌的 deck 跑一次 “/ppt-template”，它就学会了你的布局。Excel 模型同理——把 comps 模板给它看一次，后续输出都会匹配你的格式。
最后调整 Agent scope。每个 Agent 的 system prompt 都住在一个 markdown 文件里。如果你的团队先跑 comps 再查 precedents，把顺序换过来。如果你用不同的估值方法论，描述它。
这个仓库就是设计来 fork 的。照着结构复制出还没覆盖的 workflow——模式是一样的：system prompt、技能、命令，就完成了。
一个端到端示例：从 CIM 到 IC memo
周二早上，一个 PE associate 收到一份 inbound CIM。以下是这套 Agent 栈并行运行时接下来 90 分钟的情况。
Associate 把 CIM 扔给 Claude，跑 “/screen-deal”。Agent 解析文档，提取财务数据和 KPI，依据基金的标准给出通过/淘汰的评估——收入门槛、利润率 Profile、市场地位、增速。它会标记缺失的信息。Associate 读输出，同意判断，决定继续推进。
接着跑 “/comps”，拉可比公司和先例交易。Agent 通过 MCP 连接器访问 PitchBook 和 CapIQ，构建带 EV/EBITDA 和 P/E 倍数的交易 comps 表，再跑 ±1x 的敏感性分析。Associate 调整了可比公司列表——Agent 选的大致合理，但漏了两家。
最后，“/ic-memo” 把所有东西串起来：投资逻辑、公司概况、财务摘要、comps 输出、多情景 IRR 和 MOIC 回报分析、关键风险、尽调问题、投资建议。输出用的是基金的品牌模板格式，因为模板教过一遍，之后都在复用。
Associate 花 30 分钟复核、调整假设、打磨措辞。另外 60 分钟原本会是机械劳动——拉数据、格式化表格、填模板。这部分已经消失了。
总计节省：每笔 deal screening 大约一小时。按每位 associate 每年筛 200 个项目算，这个账不用细算。
接下来做什么
从一个 Agent、一个垂直领域开始。Pitch Agent 还是 Earnings Reviewer，取决于你的团队面向交易还是面向市场。先把数据连接器跑通，把公司上下文调准，把 review loop 建立起来，然后再加更多 Agent。
仓库是 Apache 2.0 许可，开放贡献。新技能放在 “plugins/vertical-plugins/skills/” 下。新 Agent 遵循 “agents/slug.md” + “skills/” 的模式。提交前跑 “python3 scripts/check.py”——它会 lint 所有 manifest 并验证所有跨文件引用都能解析。
文件驱动的 Agent 不是过渡方案，不是等更好的东西出现前的临时替代品。它们是正确的抽象：可组合、可审计、可 fork、无需构建流水线就能部署。对于流程明确但劳动密集的领域 workflow，它们已经是最优解。
如果你的团队每周在机械性分析工作上花超过五小时，这笔账已经对你有利了。试一个 Agent。给它你的模板和公司上下文。然后你自己判断。
