MarkTechPost 的一篇教程介绍了如何围绕 Anthropic 的 financial-services 仓库 构建高级工作流，并用纯 Python 复现其技能驱动架构。该工作流会安装所需库、克隆仓库，并以编程方式映射其智能体、垂直插件、合作伙伴集成、托管智能体 cookbook 和金融分析技能。

随后，教程将仓库中的 SKILL.md 文件解析为可搜索注册表，并构建一个可复用的 SkillAgent。该智能体将选定的金融分析手册注入 Anthropic Messages API，同时支持用于 Python 计算和文件生成的迭代式工具使用循环。借助这一架构，该工作流运行了一项合成的折现现金流估值，生成 WACC 与终端增长率敏感性热力图，执行带格式化 Excel 输出的可比公司分析，起草私募股权投资委员会备忘录，并在不发送实时部署请求的情况下检查托管智能体部署规范。

设置过程首先安装 Python 库、克隆 Anthropic 的 financial-services 仓库，并准备 Google Colab 运行时以便执行。Anthropic API 密钥会从 Colab secrets、环境变量或安全的交互式提示中获取。随后，工作流初始化官方 Anthropic SDK，并选择用于支持金融分析任务的 Claude 模型。

教程检查仓库结构，以识别智能体插件、垂直插件、合作伙伴集成、托管智能体 cookbook 和可用命令。它定位 MCP 配置文件，并显示仓库中定义的外部金融数据连接器。在这一语境下，MCP 连接器具有相关性，因为它们为智能体工作流发现和调用外部工具或数据服务提供了结构化方式；不过，该教程将示例重点放在仓库检查上，而不是实时数据访问。随后，每个 SKILL.md 文件都会被解析，以提取 YAML 元数据和方法论，并将每项唯一技能注册为可搜索条目。

教程定义了可让 Claude 在 Colab 环境内执行 Python 计算并保存生成交付物的工具。它还构建了一个持久化 Python 命名空间，使数值模型、表格和中间变量能够在多个智能体轮次之间保持可用。随后，教程创建 SkillAgent 类，将选定的金融分析手册注入其系统提示，并管理 Anthropic Messages API 的工具使用循环。

在估值示例中，工作流提供合成的经营假设，并指示 DCF 技能智能体构建五年期无杠杆现金流估值。Python 执行工具用于计算企业价值、股权价值、隐含股价和二维敏感性矩阵。随后，结构化敏感性结果被提取出来，并以热力图形式可视化，展示 WACC、终端增长率与隐含估值之间的关系。

可比公司分析使用一组合成可比公司来计算企业价值、EV-to-revenue、EV-to-EBITDA 和市盈率倍数。智能体的结构化 JSON 响应被转换为详细的可比公司 DataFrame 和汇总统计 DataFrame。随后，分析结果被导出为多工作表 Excel 工作簿，并应用专业的表头格式和自动列宽调整。

该工作流还将投资委员会备忘录技能应用于一项假设的软件收购，并使用 Python 计算支持性的回报指标。生成的备忘录被保存为 Markdown 交付物，并在输出目录中验证生成文件是否存在。随后，教程检查托管智能体 cookbook，显示部署规范，并回顾已生成的产物和可能的生产扩展。

根据该教程，完成后的工作流实现了一个基于 Colab 的实用近似方案，用于复现 Anthropic financial-services 技能与智能体框架，同时保留该仓库以方法论为驱动的金融分析方式。它将结构化技能发现、动态系统提示构建、持久化 Python 执行、基于 API 的工具编排和自动化交付物生成整合到一个可复用工作流中。由于示例使用合成假设和笔记本式沙盒环境，该教程被定位为一种实现模式，而不是实时市场分析或投资建议来源。

同一智能体架构被描述为可支持多种金融用例，包括 DCF 估值、交易可比公司分析、敏感性测试、Excel 报告和投资委员会备忘录编写。可能的扩展包括加载更多技能、组合多个估值手册、通过 MCP 集成连接持牌金融数据提供商，以及用 Claude Code、Cowork 或 Managed Agents 中受治理的生产运行时替换教程沙盒。对于生产使用，相关后续考虑事项包括访问控制、数据许可、生成输出的可审计性，以及在交付物用于金融工作流之前对计算结果进行验证。

完整代码可在 GitHub 获取。