Ein MarkTechPost-Tutorial beschreibt, wie ein fortgeschrittener Workflow rund um Anthropics Financial-Services-Repository aufgebaut und dessen skillgesteuerte Architektur in reinem Python nachgebildet werden kann. Der Workflow installiert die erforderlichen Bibliotheken, klont das Repository und kartiert programmatisch dessen Agenten, vertikale Plugins, Partnerintegrationen, Managed-Agent-Cookbooks und Finanzanalyse-Skills.

Anschließend parst das Tutorial die SKILL.md-Dateien des Repositorys in ein durchsuchbares Register und konstruiert einen wiederverwendbaren SkillAgent. Der Agent bindet ausgewählte Finanz-Playbooks in die Anthropic Messages API ein und unterstützt zugleich eine iterative Tool-Use-Schleife für Python-Berechnungen und Dateigenerierung. Mit dieser Architektur führt der Workflow eine synthetische Discounted-Cashflow-Bewertung aus, erzeugt eine Sensitivitäts-Heatmap für WACC und Terminal Growth, erstellt eine Comparable-Company-Analyse mit formatierter Excel-Ausgabe, entwirft ein Investment-Committee-Memo für Private Equity und prüft eine Managed-Agent-Deployment-Spezifikation, ohne eine Live-Deployment-Anfrage zu senden.

Die Einrichtung beginnt mit der Installation von Python-Bibliotheken, dem Klonen von Anthropics Financial-Services-Repository und der Vorbereitung einer Google-Colab-Laufzeitumgebung. Der Anthropic-API-Schlüssel wird aus Colab Secrets, Umgebungsvariablen oder einer sicheren interaktiven Eingabe abgerufen. Danach initialisiert der Workflow das offizielle Anthropic SDK und wählt das Claude-Modell aus, das die Finanzanalyse-Aufgaben ausführt.

Die Repository-Struktur wird geprüft, um Agent-Plugins, vertikale Plugins, Partnerintegrationen, Managed-Agent-Cookbooks und verfügbare Befehle zu identifizieren. MCP-Konfigurationsdateien werden lokalisiert, und die im Repository definierten externen Finanzdaten-Connectors werden angezeigt. In diesem Kontext sind MCP-Connectors relevant, weil sie einem Agenten-Workflow eine strukturierte Möglichkeit bieten, externe Tools oder Datendienste zu erkennen und aufzurufen; das Tutorial hält das Beispiel jedoch auf die Repository-Inspektion statt auf Live-Datenzugriff fokussiert. Jede SKILL.md-Datei wird anschließend geparst, um YAML-Metadaten und Methodik zu extrahieren, wobei jeder eindeutige Skill für den durchsuchbaren Zugriff registriert wird.

Das Tutorial definiert Tools, mit denen Claude Python-Berechnungen ausführen und generierte Deliverables innerhalb der Colab-Umgebung speichern kann. Außerdem erstellt es einen persistenten Python-Namespace, sodass numerische Modelle, Tabellen und Zwischenvariablen über mehrere Agenten-Durchläufe hinweg verfügbar bleiben. Danach wird die Klasse SkillAgent erstellt, ausgewählte Finanz-Playbooks werden in ihren System-Prompt eingebunden, und die Tool-Use-Schleife der Anthropic Messages API wird verwaltet.

Für das Bewertungsbeispiel stellt der Workflow synthetische operative Annahmen bereit und weist den DCF-Skill-Agenten an, eine fünfjährige Unlevered-Cashflow-Bewertung zu erstellen. Das Python-Ausführungstool wird genutzt, um Enterprise Value, Equity Value, impliziten Aktienkurs und eine zweidimensionale Sensitivitätsmatrix zu berechnen. Die strukturierten Sensitivitätsergebnisse werden anschließend extrahiert und als Heatmap visualisiert, die den Zusammenhang zwischen WACC, Terminal Growth und impliziter Bewertung zeigt.

Die Comparable-Company-Analyse verwendet eine synthetische Peer-Gruppe, um Enterprise Value, EV-to-Revenue, EV-to-EBITDA und Price-to-Earnings-Multiples zu berechnen. Die strukturierte JSON-Antwort des Agenten wird in detaillierte DataFrames für Vergleichsunternehmen und zusammenfassende Statistiken umgewandelt. Danach wird die Analyse in eine Excel-Arbeitsmappe mit mehreren Tabellenblättern exportiert, einschließlich professioneller Header-Formatierung und automatischer Spaltenbreitenanpassung.

Der Workflow wendet außerdem einen Investment-Committee-Memo-Skill auf einen hypothetischen Software-Buyout an und berechnet unterstützende Renditekennzahlen mit Python. Das resultierende Memo wird als Markdown-Deliverable gespeichert, und die erzeugte Datei wird im Ausgabeverzeichnis verifiziert. Anschließend prüft das Tutorial ein Managed-Agent-Cookbook, zeigt die Deployment-Spezifikation an und überprüft die generierten Artefakte sowie mögliche Produktionserweiterungen.

Dem Tutorial zufolge implementiert der abgeschlossene Workflow eine praktische, Colab-basierte Annäherung an Anthropics Financial-Services-Skill- und Agenten-Framework, während der methodikgetriebene Ansatz des Repositorys für die Finanzanalyse erhalten bleibt. Er kombiniert strukturierte Skill-Erkennung, dynamische System-Prompt-Konstruktion, persistente Python-Ausführung, API-basierte Tool-Orchestrierung und automatisierte Deliverable-Erstellung in einem einzigen wiederverwendbaren Workflow. Da die Beispiele synthetische Annahmen und eine Notebook-artige Sandbox verwenden, wird das Tutorial als Implementierungsmuster und nicht als Quelle für Live-Marktanalyse oder Anlageempfehlungen positioniert.

Dieselbe Agentenarchitektur wird als geeignet für mehrere Finanzanwendungsfälle dargestellt, darunter DCF-Bewertung, Trading-Comps-Analyse, Sensitivitätstests, Excel-Reporting und Vorbereitung von Investment-Committee-Memos. Mögliche Erweiterungen umfassen das Laden zusätzlicher Skills, die Kombination mehrerer Bewertungs-Playbooks, die Anbindung an lizenzierte Finanzdatenanbieter über MCP-Integrationen und den Ersatz der Tutorial-Sandbox durch eine gesteuerte Produktionslaufzeit in Claude Code, Cowork oder Managed Agents. Für den Produktionseinsatz zählen zu den relevanten Folgeaspekten Zugriffskontrollen, Datenlizenzierung, Prüfbarkeit generierter Ausgaben und Validierung von Berechnungen, bevor Deliverables in Finanz-Workflows verwendet werden.

Der vollständige Code ist auf GitHub verfügbar.