Un tutorial de MarkTechPost describe cómo crear un flujo de trabajo avanzado en torno al repositorio de servicios financieros de Anthropic y reproducir su arquitectura basada en habilidades en Python puro. El flujo de trabajo instala las bibliotecas necesarias, clona el repositorio y mapea programáticamente sus agentes, plugins verticales, integraciones con socios, recetarios de agentes administrados y habilidades de análisis financiero.

Luego, el tutorial analiza los archivos SKILL.md del repositorio en un registro consultable y construye un SkillAgent reutilizable. El agente incorpora playbooks financieros seleccionados en la API Anthropic Messages, a la vez que admite un ciclo iterativo de uso de herramientas para cálculos en Python y generación de archivos. Con esta arquitectura, el flujo de trabajo ejecuta una valoración sintética por flujo de caja descontado, genera un mapa de calor de sensibilidad de WACC y crecimiento terminal, realiza análisis de compañías comparables con salida formateada en Excel, redacta un memorando para comité de inversión de private equity e inspecciona una especificación de despliegue de agente administrado sin enviar una solicitud de despliegue en vivo.

La configuración comienza con la instalación de bibliotecas de Python, la clonación del repositorio de servicios financieros de Anthropic y la preparación de un entorno de ejecución de Google Colab. La clave de la API de Anthropic se obtiene desde los secretos de Colab, variables de entorno o un prompt interactivo seguro. Luego, el flujo de trabajo inicializa el SDK oficial de Anthropic y selecciona el modelo Claude utilizado para impulsar las tareas de análisis financiero.

Se inspecciona la estructura del repositorio para identificar plugins de agentes, plugins verticales, integraciones con socios, recetarios de agentes administrados y comandos disponibles. Se localizan los archivos de configuración MCP y se muestran los conectores externos de datos financieros definidos en el repositorio. En este contexto, los conectores MCP son relevantes porque proporcionan una forma estructurada para que un flujo de trabajo de agentes descubra e invoque herramientas o servicios de datos externos, mientras que el tutorial mantiene el ejemplo centrado en la inspección del repositorio en lugar del acceso a datos en vivo. Luego, cada archivo SKILL.md se analiza para extraer metadatos YAML y metodología, registrando cada habilidad única para acceso consultable.

El tutorial define herramientas que permiten a Claude ejecutar cálculos en Python y guardar entregables generados dentro del entorno de Colab. También crea un espacio de nombres persistente de Python para que los modelos numéricos, tablas y variables intermedias sigan disponibles a través de múltiples turnos del agente. Luego se crea la clase SkillAgent, se incorporan playbooks financieros seleccionados en su prompt de sistema y se gestiona el ciclo de uso de herramientas de la API Anthropic Messages.

Para el ejemplo de valoración, el flujo de trabajo proporciona supuestos operativos sintéticos e instruye al agente de habilidad DCF para construir una valoración de flujo de caja libre desapalancado a cinco años. La herramienta de ejecución de Python se utiliza para calcular valor empresarial, valor patrimonial, precio implícito por acción y una matriz de sensibilidad bidimensional. Luego se extraen los resultados estructurados de sensibilidad y se visualizan como un mapa de calor que muestra la relación entre WACC, crecimiento terminal y valoración implícita.

El análisis de compañías comparables utiliza un conjunto sintético de pares para calcular valor empresarial, múltiplos EV/ingresos, EV/EBITDA y precio/beneficio. La respuesta JSON estructurada del agente se convierte en DataFrames detallados de compañías comparables y estadísticas resumidas. Luego, el análisis se exporta a un libro de Excel con múltiples hojas, formato profesional de encabezados y ajuste automático del ancho de columnas.

El flujo de trabajo también aplica una habilidad de memorando para comité de inversión a una adquisición hipotética de una empresa de software y calcula métricas de retorno de apoyo con Python. El memorando resultante se guarda como entregable en Markdown y se verifica que el archivo generado exista en el directorio de salida. Luego, el tutorial inspecciona un recetario de agente administrado, muestra la especificación de despliegue y revisa los artefactos generados y posibles extensiones de producción.

Según el tutorial, el flujo de trabajo completado implementa una aproximación práctica basada en Colab del marco de habilidades y agentes de servicios financieros de Anthropic, preservando el enfoque metodológico del repositorio para el análisis financiero. Combina descubrimiento estructurado de habilidades, construcción dinámica de prompts de sistema, ejecución persistente de Python, orquestación de herramientas basada en API y generación automatizada de entregables en un único flujo de trabajo reutilizable. Debido a que los ejemplos utilizan supuestos sintéticos y un entorno tipo notebook, el tutorial se presenta como un patrón de implementación y no como una fuente de análisis de mercado en vivo o recomendaciones de inversión.

La misma arquitectura de agentes se presenta como capaz de admitir múltiples casos de uso financieros, incluidos valoración DCF, análisis de comparables de mercado, pruebas de sensibilidad, reportes en Excel y preparación de memorandos para comités de inversión. Entre las posibles extensiones se incluyen cargar habilidades adicionales, combinar varios playbooks de valoración, conectarse con proveedores licenciados de datos financieros mediante integraciones MCP y reemplazar el entorno de prueba del tutorial por un entorno de producción gobernado en Claude Code, Cowork o Managed Agents. Para uso en producción, las consideraciones de seguimiento relevantes incluyen controles de acceso, licenciamiento de datos, auditabilidad de los resultados generados y validación de cálculos antes de usar los entregables en flujos de trabajo financieros.

El código completo está disponible en GitHub.