Un tutoriel de MarkTechPost décrit comment construire un workflow avancé autour du dépôt financial-services d’Anthropic et reproduire son architecture pilotée par compétences en Python pur. Le workflow installe les bibliothèques requises, clone le dépôt et cartographie par programme ses agents, plugins verticaux, intégrations partenaires, cookbooks d’agents managés et compétences d’analyse financière.

Le tutoriel analyse ensuite les fichiers SKILL.md du dépôt dans un registre consultable et construit un SkillAgent réutilisable. L’agent injecte des playbooks financiers sélectionnés dans l’API Anthropic Messages tout en prenant en charge une boucle itérative d’utilisation d’outils pour les calculs Python et la génération de fichiers. À l’aide de cette architecture, le workflow exécute une valorisation synthétique par actualisation des flux de trésorerie, génère une carte thermique de sensibilité du WACC et de la croissance terminale, réalise une analyse de sociétés comparables avec une sortie Excel mise en forme, rédige une note de comité d’investissement de private equity et inspecte une spécification de déploiement d’agent managé sans envoyer de demande de déploiement en direct.

La configuration commence par l’installation des bibliothèques Python, le clonage du dépôt financial-services d’Anthropic et la préparation d’un environnement d’exécution Google Colab. La clé API Anthropic est récupérée depuis les secrets Colab, les variables d’environnement ou une invite interactive sécurisée. Le workflow initialise ensuite le SDK officiel d’Anthropic et sélectionne le modèle Claude utilisé pour exécuter les tâches d’analyse financière.

La structure du dépôt est inspectée afin d’identifier les plugins d’agents, les plugins verticaux, les intégrations partenaires, les cookbooks d’agents managés et les commandes disponibles. Les fichiers de configuration MCP sont localisés, et les connecteurs de données financières externes définis dans le dépôt sont affichés. Dans ce contexte, les connecteurs MCP sont pertinents car ils fournissent une méthode structurée permettant à un workflow agentique de découvrir et d’appeler des outils ou services de données externes, tandis que le tutoriel limite l’exemple à l’inspection du dépôt plutôt qu’à l’accès à des données en direct. Chaque fichier SKILL.md est ensuite analysé pour extraire les métadonnées YAML et la méthodologie, chaque compétence unique étant enregistrée pour un accès consultable.

Le tutoriel définit des outils qui permettent à Claude d’exécuter des calculs Python et d’enregistrer les livrables générés dans l’environnement Colab. Il crée également un espace de noms Python persistant afin que les modèles numériques, tableaux et variables intermédiaires restent disponibles sur plusieurs tours d’agent. La classe SkillAgent est ensuite créée, les playbooks financiers sélectionnés sont injectés dans son prompt système, et la boucle d’utilisation d’outils de l’API Anthropic Messages est gérée.

Pour l’exemple de valorisation, le workflow fournit des hypothèses opérationnelles synthétiques et demande à l’agent de compétence DCF de construire une valorisation sur cinq ans des flux de trésorerie disponibles non endettés. L’outil d’exécution Python est utilisé pour calculer la valeur d’entreprise, la valeur des capitaux propres, le prix implicite par action et une matrice de sensibilité bidimensionnelle. Les résultats structurés de sensibilité sont ensuite extraits et visualisés sous forme de carte thermique montrant la relation entre le WACC, la croissance terminale et la valorisation implicite.

L’analyse de sociétés comparables utilise un groupe de pairs synthétique pour calculer la valeur d’entreprise, les multiples EV/chiffre d’affaires, EV/EBITDA et cours/bénéfice. La réponse JSON structurée de l’agent est convertie en DataFrames détaillés de sociétés comparables et de statistiques récapitulatives. L’analyse est ensuite exportée vers un classeur Excel à plusieurs feuilles, avec une mise en forme professionnelle des en-têtes et un dimensionnement automatique des colonnes.

Le workflow applique également une compétence de note de comité d’investissement à un rachat hypothétique d’un éditeur de logiciels et calcule les indicateurs de rendement correspondants avec Python. La note obtenue est enregistrée comme livrable Markdown, et le fichier généré est vérifié dans le répertoire de sortie. Le tutoriel inspecte ensuite un cookbook d’agent managé, affiche la spécification de déploiement et passe en revue les artefacts générés ainsi que les extensions possibles en production.

Selon le tutoriel, le workflow final met en œuvre une approximation pratique, basée sur Colab, du framework de compétences et d’agents financial-services d’Anthropic, tout en préservant l’approche du dépôt fondée sur la méthodologie pour l’analyse financière. Il combine découverte structurée des compétences, construction dynamique du prompt système, exécution Python persistante, orchestration d’outils via API et génération automatisée de livrables dans un workflow unique et réutilisable. Comme les exemples reposent sur des hypothèses synthétiques et un environnement sandbox de type notebook, le tutoriel est présenté comme un modèle d’implémentation plutôt que comme une source d’analyse de marché en direct ou de recommandations d’investissement.

La même architecture d’agent est présentée comme pouvant prendre en charge plusieurs cas d’usage financiers, notamment la valorisation DCF, l’analyse de comparables boursiers, les tests de sensibilité, le reporting Excel et la préparation de notes de comité d’investissement. Les extensions possibles comprennent le chargement de compétences supplémentaires, la combinaison de plusieurs playbooks de valorisation, la connexion à des fournisseurs de données financières sous licence via des intégrations MCP, et le remplacement du sandbox du tutoriel par un environnement d’exécution de production gouverné dans Claude Code, Cowork ou Managed Agents. Pour un usage en production, les considérations de suivi pertinentes incluent les contrôles d’accès, les licences de données, l’auditabilité des sorties générées et la validation des calculs avant l’utilisation des livrables dans des workflows financiers.

Le code complet est disponible sur GitHub.