Учебный материал MarkTechPost описывает, как построить продвинутый рабочий процесс вокруг репозитория financial-services Anthropic и воспроизвести его архитектуру на основе навыков на чистом Python. Рабочий процесс устанавливает необходимые библиотеки, клонирует репозиторий и программно отображает его агентов, вертикальные плагины, партнерские интеграции, cookbook-материалы для управляемых агентов и навыки финансового анализа.

Затем материал разбирает файлы SKILL.md из репозитория в поисковый реестр и создает переиспользуемый SkillAgent. Агент внедряет выбранные финансовые плейбуки в Anthropic Messages API, одновременно поддерживая итеративный цикл использования инструментов для расчетов на Python и генерации файлов. С помощью этой архитектуры рабочий процесс выполняет синтетическую оценку дисконтированных денежных потоков, генерирует тепловую карту чувствительности WACC и терминального роста, проводит анализ сопоставимых компаний с форматированным выводом в Excel, готовит меморандум инвестиционного комитета для private equity и проверяет спецификацию развертывания управляемого агента без отправки реального запроса на развертывание.

Настройка начинается с установки библиотек Python, клонирования репозитория financial-services Anthropic и подготовки среды выполнения Google Colab. Ключ Anthropic API извлекается из секретов Colab, переменных окружения или безопасного интерактивного запроса. Затем рабочий процесс инициализирует официальный Anthropic SDK и выбирает модель Claude, используемую для выполнения задач финансового анализа.

Структура репозитория проверяется для выявления агентских плагинов, вертикальных плагинов, партнерских интеграций, cookbook-материалов для управляемых агентов и доступных команд. Находятся конфигурационные файлы MCP, а также отображаются внешние коннекторы финансовых данных, определенные в репозитории. В этом контексте MCP-коннекторы важны, поскольку они дают агентному рабочему процессу структурированный способ обнаруживать и вызывать внешние инструменты или сервисы данных, при этом пример в материале сосредоточен на проверке репозитория, а не на доступе к данным в реальном времени. Затем каждый файл SKILL.md разбирается для извлечения YAML-метаданных и методологии, а каждый уникальный навык регистрируется для поискового доступа.

В материале определяются инструменты, позволяющие Claude выполнять расчеты на Python и сохранять сгенерированные результаты в среде Colab. Также создается постоянное пространство имен Python, чтобы численные модели, таблицы и промежуточные переменные оставались доступными в нескольких ходах агента. Затем создается класс SkillAgent, выбранные финансовые плейбуки внедряются в его системный промпт, и управляется цикл использования инструментов Anthropic Messages API.

Для примера оценки рабочий процесс задает синтетические операционные допущения и поручает DCF-агенту построить пятилетнюю оценку свободного денежного потока без учета долга. Инструмент выполнения Python используется для расчета стоимости предприятия, стоимости капитала, предполагаемой цены акции и двумерной матрицы чувствительности. Затем структурированные результаты чувствительности извлекаются и визуализируются в виде тепловой карты, показывающей связь между WACC, терминальным ростом и предполагаемой оценкой.

Анализ сопоставимых компаний использует синтетический набор аналогов для расчета стоимости предприятия, мультипликаторов EV-to-revenue, EV-to-EBITDA и price-to-earnings. Структурированный JSON-ответ агента преобразуется в подробные DataFrame по сопоставимым компаниям и сводной статистике. Затем анализ экспортируется в многолистовую книгу Excel с профессиональным форматированием заголовков и автоматической настройкой ширины столбцов.

Рабочий процесс также применяет навык подготовки меморандума инвестиционного комитета к гипотетическому выкупу софтверной компании и рассчитывает вспомогательные показатели доходности с помощью Python. Полученный меморандум сохраняется как результат в формате Markdown, а созданный файл проверяется в выходной директории. Затем материал рассматривает cookbook для управляемого агента, отображает спецификацию развертывания и анализирует созданные артефакты и возможные производственные расширения.

Согласно учебному материалу, завершенный рабочий процесс реализует практическое приближение фреймворка навыков и агентов Anthropic для финансовых сервисов на базе Colab, сохраняя методологический подход репозитория к финансовому анализу. Он объединяет структурированное обнаружение навыков, динамическое построение системного промпта, постоянное выполнение Python, оркестрацию инструментов через API и автоматическую генерацию deliverable-материалов в едином переиспользуемом рабочем процессе. Поскольку примеры используют синтетические допущения и sandbox в стиле ноутбука, материал позиционируется как шаблон реализации, а не как источник анализа реального рынка или инвестиционных рекомендаций.

Та же агентная архитектура представлена как поддерживающая несколько финансовых сценариев, включая DCF-оценку, анализ торговых аналогов, тестирование чувствительности, отчетность в Excel и подготовку меморандумов инвестиционного комитета. Возможные расширения включают загрузку дополнительных навыков, объединение нескольких оценочных плейбуков, подключение к лицензированным поставщикам финансовых данных через MCP-интеграции и замену учебной sandbox-среды на управляемую производственную среду выполнения в Claude Code, Cowork или Managed Agents. Для производственного использования релевантные последующие вопросы включают контроль доступа, лицензирование данных, аудируемость сгенерированных результатов и проверку расчетов до использования deliverable-материалов в финансовых рабочих процессах.

Полный код доступен на GitHub.