MarkTechPost 一篇教學說明如何圍繞 Anthropic 的 financial-services 儲存庫建立進階工作流程，並以純 Python 重現其技能驅動架構。該工作流程會安裝必要函式庫、複製儲存庫，並以程式化方式映射其代理、垂直外掛、合作夥伴整合、受管理代理 cookbook，以及財務分析技能。

接著，教學會將儲存庫中的 SKILL.md 檔案解析為可搜尋的登錄表，並建構可重複使用的 SkillAgent。該代理會將選定的財務 playbook 注入 Anthropic Messages API，同時支援用於 Python 計算與檔案生成的迭代式工具使用迴圈。透過這套架構，工作流程會執行一項合成折現現金流估值、產生 WACC 與終端成長率敏感度熱圖、執行含格式化 Excel 輸出的可比公司分析、起草私募股權投資委員會備忘錄，並在不送出即時部署請求的情況下檢視受管理代理部署規格。

設定流程從安裝 Python 函式庫、複製 Anthropic financial-services 儲存庫，以及準備 Google Colab 執行環境開始。Anthropic API key 會從 Colab secrets、環境變數或安全的互動式提示中取得。隨後，工作流程會初始化官方 Anthropic SDK，並選擇用於支援財務分析任務的 Claude 模型。

教學會檢查儲存庫結構，以識別代理外掛、垂直外掛、合作夥伴整合、受管理代理 cookbook 及可用命令。系統會定位 MCP 設定檔，並顯示儲存庫中定義的外部財務資料連接器。在此情境下，MCP 連接器之所以相關，是因為它們提供一種結構化方式，讓代理工作流程能夠探索並呼叫外部工具或資料服務；不過，教學範例仍聚焦於儲存庫檢查，而非即時資料存取。接著，每個 SKILL.md 檔案都會被解析，以擷取 YAML 中繼資料與方法論，並將每項獨特技能註冊為可搜尋項目。

教學定義了可讓 Claude 在 Colab 環境中執行 Python 計算並儲存生成交付成果的工具。它也建立持久化的 Python 命名空間，使數值模型、表格與中間變數能在多輪代理互動之間保留。隨後建立 SkillAgent 類別，將選定的財務 playbook 注入其系統提示，並管理 Anthropic Messages API 的工具使用迴圈。

在估值範例中，工作流程提供合成營運假設，並指示 DCF 技能代理建構五年期無槓桿現金流估值。Python 執行工具用於計算企業價值、股權價值、隱含每股價格，以及二維敏感度矩陣。接著，系統會擷取結構化敏感度結果，並以熱圖呈現 WACC、終端成長率與隱含估值之間的關係。

可比公司分析使用一組合成同業資料，計算企業價值、EV-to-revenue、EV-to-EBITDA 與本益比倍數。代理的結構化 JSON 回應會被轉換為詳細的可比公司與摘要統計 DataFrames。隨後，分析結果會匯出為多工作表 Excel 活頁簿，並套用專業表頭格式與自動欄寬調整。

該工作流程也將投資委員會備忘錄技能套用於一項假設性軟體公司收購案，並以 Python 計算支援性的報酬指標。產出的備忘錄會儲存為 Markdown 交付成果，並在輸出目錄中驗證生成檔案是否存在。接著，教學會檢查受管理代理 cookbook、顯示部署規格，並回顧生成的成果與可能的生產環境延伸方向。

根據該教學，完成後的工作流程實作了一個基於 Colab 的實用近似版本，用來模擬 Anthropic financial-services 技能與代理框架，同時保留該儲存庫以方法論驅動財務分析的做法。它將結構化技能探索、動態系統提示建構、持久化 Python 執行、基於 API 的工具編排，以及自動化交付成果生成整合到單一可重複使用的工作流程中。由於範例使用合成假設與筆記本式沙盒，該教學被定位為一種實作模式，而非即時市場分析或投資建議來源。

同一代理架構被呈現為可支援多種金融使用案例，包括 DCF 估值、交易可比公司分析、敏感度測試、Excel 報告，以及投資委員會備忘錄準備。可能的延伸包括載入更多技能、結合多個估值 playbook、透過 MCP 整合連接授權財務資料供應商，以及以 Claude Code、Cowork 或 Managed Agents 中受治理的生產執行環境取代教學沙盒。若用於生產環境，相關後續考量包括存取控制、資料授權、生成輸出的可稽核性，以及在交付成果用於財務工作流程前驗證計算結果。

完整程式碼可於 GitHub 取得。