想象一下这个场景

你是一家投行的分析师，早上 9 点收到任务：要对一家公司做可比公司分析，下午 2 点前要交。

传统流程：打开 Bloomberg 终端 → 手动抄数据 → 建 Excel → 算倍数 → 做 PPT → 反复检查。至少 4 小时。

有了这个项目，你只需要输入 /comps 目标公司名，AI 就会自动完成整个流程。

Anthropic 金融服务插件

这是 Anthropic 官方开源的一套 插件集合，专门为金融行业设计。它让 Claude 能像金融分析师一样工作 —— 建估值模型、写研究报告、做尽职调查、对账等等。

两种使用方式，同一套代码

这个项目最巧妙的设计：所有内容写一次，两种方式都能用。

看看它的目录结构

整个项目的文件组织长这样：

plugins/
  agent-plugins/    # 10 个命名 Agent
  vertical-plugins/ # 7 个行业技能包
  partner-built/    # 合作方插件 (LSEG, S&P)
managed-agent-cookbooks/  # API 部署模板
scripts/          # 部署 & 校验脚本
            

10 个「AI 员工」，各管一条线

每个 Agent 就像一个专门训练过的金融分析师，只负责一种工作流：

检验你的理解

像一个会计师事务所

想象一家大型会计师事务所。合伙人负责和客户沟通，经理分配任务，高级审计员执行具体工作，实习生负责搬资料。每一层只做自己的事，层层配合。

这个项目的架构也是分层的：

点一层看看

Agent 的身份证

每个 Agent 都有一个 plugin.json 文件，就像身份证一样记录了它的名字和职能：

{
  "name": "pitch-agent",
  "version": "0.1.0",
  "description": "Comps, precedents, LBO to a branded pitch deck, end to end",
  "author": {
    "name": "Anthropic FSI"
  }
}
            

一个 Agent 插件里面有什么？

两套插件，一个源头

检验你的理解

像一个快递物流系统

你在手机上下单买东西，背后发生了什么？订单传到仓库 → 仓库调货 → 快递取件 → 配送到家。每一步都有明确的角色和数据流向。

当你输入 /comps 苹果公司 时，一条类似的链路启动了：

亲眼看看数据怎么流动

点击「下一步」，看一次 /comps 命令的完整数据流：

MCP：AI 的「万能数据接口」

MCP 是 Anthropic 设计的一套开放协议，让 AI 能安全地访问外部数据。看看这个项目接了哪些：

{
  "mcpServers": {
    "daloopa": { "type": "http",
      "url": "https://mcp.daloopa.com/server/mcp" },
    "morningstar": { "type": "http",
      "url": "https://mcp.morningstar.com/mcp" },
    "sp-global": { "type": "http",
      "url": "https://kfinance.kensho.com/.../mcp" }
  }
}
            

听听它们怎么商量

技能文件里有严格的数据优先级规则。当 Claude 需要数据时，Skill 文件会告诉它该先问谁：

检验你的理解

像一个银行的保险库系统

银行不会让一个员工既能接触客户资料，又能操作金库，还能批贷款。每种权限分开授予，互相制约。

GL Reconciler（对账 Agent）的设计完全遵循这个原则。它有三个子代理，每个权限严格分离：

看看安全隔离是怎么实现的

Reader 的配置文件里有精心设计的权限控制：

name: gl-reconciler-reader
model: claude-opus-4-7
tools:
  default_config: { enabled: false }
  configs:
    read:  { enabled: true }
    grep:  { enabled: true }
mcp_servers: []
skills: []
callable_agents: []
            

输出也要验「身份证」

Reader 的输出不是自由文本，而是有严格Schema验证的结构化数据：

output_schema:
  type: object
  required: [asset_class, status, breaks]
  properties:
    asset_class:
      { type: string, maxLength: 32,
        pattern: "^[A-Za-z0-9_-]+$" }
    status:
      { enum: [clean, breaks_found, error] }
            

技能同步：一处修改，处处生效

10 个 Agent 共享同一套技能文件。如果你修改了 comps-analysis 的方法，怎么保证所有用到它的 Agent 都更新了？

检验你的理解

完整的系统架构

把前四个模块学到的所有角色拼在一起，整个系统的架构长这样：

部署一个 Agent 到企业后台

一条命令 scripts/deploy-managed-agent.sh gl-reconciler 背后发生了什么？

Agent 之间怎么交接任务？

在企业场景中，多个 Agent 可能需要协作。比如 Pitch Agent 做完分析后，要把结果交给 Meeting Prep Agent 准备客户会议。这通过 handoff_request 机制实现：

ALLOWED_TARGETS = {
  "pitch-agent",
  "market-researcher",
  "earnings-reviewer",
  "gl-reconciler",
  "kyc-screener",
}
            

让它成为你自己的

这些是参考模板，不是成品。真正有价值的是根据你公司的特点来定制：

全文都是 Markdown 和 JSON

回顾整个项目，你会发现一个优雅的事实：

最终检验