Un tutorial di MarkTechPost descrive come costruire un workflow avanzato attorno al repository financial-services di Anthropic e riprodurne l’architettura basata su skill in Python puro. Il workflow installa le librerie richieste, clona il repository e mappa programmaticamente agenti, plugin verticali, integrazioni con partner, cookbook per agenti gestiti e skill di analisi finanziaria.

Il tutorial analizza poi i file SKILL.md del repository trasformandoli in un registro ricercabile e costruisce uno SkillAgent riutilizzabile. L’agente inserisce playbook finanziari selezionati nell’Anthropic Messages API, supportando al tempo stesso un ciclo iterativo di utilizzo degli strumenti per calcoli Python e generazione di file. Utilizzando questa architettura, il workflow esegue una valutazione sintetica tramite discounted cash flow, genera una heatmap di sensibilità su WACC e crescita terminale, svolge un’analisi di società comparabili con output Excel formattato, redige un memo per comitato d’investimento di private equity e ispeziona una specifica di deployment di un agente gestito senza inviare una richiesta di deployment live.

La configurazione inizia con l’installazione delle librerie Python, la clonazione del repository financial-services di Anthropic e la preparazione di un runtime Google Colab per l’esecuzione. La chiave API di Anthropic viene recuperata dai secret di Colab, da variabili d’ambiente o da un prompt interattivo sicuro. Il workflow inizializza quindi l’SDK ufficiale di Anthropic e seleziona il modello Claude usato per alimentare le attività di analisi finanziaria.

La struttura del repository viene ispezionata per identificare plugin agentici, plugin verticali, integrazioni con partner, cookbook per agenti gestiti e comandi disponibili. Vengono individuati i file di configurazione MCP e mostrati i connettori di dati finanziari esterni definiti nel repository. In questo contesto, i connettori MCP sono rilevanti perché offrono a un workflow agentico un modo strutturato per scoprire e chiamare strumenti esterni o servizi dati, mentre il tutorial mantiene l’esempio concentrato sull’ispezione del repository anziché sull’accesso a dati live. Ogni file SKILL.md viene quindi analizzato per estrarre metadati YAML e metodologia, registrando ogni skill unica per l’accesso tramite ricerca.

Il tutorial definisce strumenti che consentono a Claude di eseguire calcoli Python e salvare deliverable generati all’interno dell’ambiente Colab. Costruisce inoltre un namespace Python persistente, in modo che modelli numerici, tabelle e variabili intermedie restino disponibili attraverso più turni dell’agente. Viene quindi creata la classe SkillAgent, i playbook finanziari selezionati vengono inseriti nel suo prompt di sistema e viene gestito il ciclo di tool-use dell’Anthropic Messages API.

Per l’esempio di valutazione, il workflow fornisce ipotesi operative sintetiche e istruisce l’agente con skill DCF a costruire una valutazione a cinque anni dei flussi di cassa unlevered. Lo strumento di esecuzione Python viene usato per calcolare enterprise value, equity value, prezzo azionario implicito e una matrice di sensibilità bidimensionale. I risultati strutturati della sensibilità vengono poi estratti e visualizzati come heatmap che mostra la relazione tra WACC, crescita terminale e valutazione implicita.

L’analisi di società comparabili utilizza un peer set sintetico per calcolare enterprise value, multipli EV/ricavi, EV/EBITDA e prezzo/utili. La risposta JSON strutturata dell’agente viene convertita in DataFrame dettagliati per società comparabili e statistiche riepilogative. L’analisi viene poi esportata in una cartella di lavoro Excel multi-foglio con formattazione professionale delle intestazioni e dimensionamento automatico delle colonne.

Il workflow applica anche una skill per memo di comitato d’investimento a un’ipotetica acquisizione software e calcola con Python metriche di rendimento di supporto. Il memo risultante viene salvato come deliverable Markdown e il file generato viene verificato nella directory di output. Il tutorial ispeziona quindi un cookbook per agenti gestiti, mostra la specifica di deployment e passa in rassegna gli artefatti generati e le possibili estensioni di produzione.

Secondo il tutorial, il workflow completato implementa una pratica approssimazione basata su Colab del framework di skill e agenti financial-services di Anthropic, preservando l’approccio del repository all’analisi finanziaria guidato dalla metodologia. Combina scoperta strutturata delle skill, costruzione dinamica del prompt di sistema, esecuzione Python persistente, orchestrazione degli strumenti basata su API e generazione automatizzata di deliverable in un unico workflow riutilizzabile. Poiché gli esempi usano ipotesi sintetiche e una sandbox in stile notebook, il tutorial viene presentato come modello di implementazione piuttosto che come fonte di analisi di mercato live o raccomandazioni d’investimento.

La stessa architettura agentica viene descritta come applicabile a più casi d’uso finanziari, tra cui valutazione DCF, analisi trading comps, test di sensibilità, reporting Excel e preparazione di memo per comitati d’investimento. Le possibili estensioni includono il caricamento di skill aggiuntive, la combinazione di più playbook di valutazione, la connessione a provider di dati finanziari con licenza tramite integrazioni MCP e la sostituzione della sandbox del tutorial con un runtime di produzione governato in Claude Code, Cowork o Managed Agents. Per l’uso in produzione, le considerazioni successive rilevanti includono controlli di accesso, licenze sui dati, verificabilità degli output generati e validazione dei calcoli prima che i deliverable siano utilizzati nei workflow finanziari.

Il codice completo è disponibile su GitHub.