金融行业一直是人工智能技术落地最具挑战性的领域之一。监管合规要求高、工作流程复杂、数据源多样，这些特点使得金融 AI Agent 的设计与其他行业存在本质差异。Anthropic 近期发布的financial-services参考实现库，首次公开了其针对投资银行、股权研究、私募股权和财富管理等多个垂直领域设计的 Agent 架构。这不仅是一组示例代码，更是一份关于如何在严格监管环境下构建可信 AI Agent 的工程实践指南。本文将深入解析其核心架构设计思路，并给出生产环境部署的关键配置参数。
双轨部署架构：Cowork 与 Managed Agents 的统一抽象
理解financial-services参考实现的第一把钥匙，是其独特的双轨部署设计。同一套 Agent 定义可以同时以两种方式运行：通过 Claude Cowork 插件运行，或通过 Claude Managed Agents API 在企业自有工作流引擎中部署。这并非简单的兼容性包装，而是 Anthropic 对 Agent 抽象层的深思熟虑。
从技术实现角度看，每个 Agent 本质上是一个自包含的目录，包含系统提示词（agents/<slug>.md）和其依赖的技能集合（skills/子目录）。Cowork 模式和 Managed Agent 模式共享同一套源代码，只是运行时接口不同。Managed Agent 模式额外增加了agent.yaml定义、层级化的叶 Worker 子 Agent 配置，以及用于编排的事件流转示例（位于managed-agent-cookbooks/<slug>/）。这种设计使得开发阶段可以在 Cowork 中快速迭代调试，生产环境则切换到 Managed Agent 模式实现无头化部署，两套环境的提示词和技能保持原子级同步。
这种双轨架构对企业的意义在于：开发和测试阶段使用 Cowork 的低门槛交互体验，验证工作流正确性后，通过deploy-managed-agent.sh脚本一键部署到 API 模式。脚本会自动解析文件引用、上传技能配置、创建子 Agent，并向/v1/agents端点提交编排器定义。整个过程无需人工介入，实现了从交互式调试到生产自动化部署的平滑过渡。
技能系统的垂直化设计与可复用机制
financial-services最值得关注的工程设计是其技能（Skills）系统的组织方式。与许多 Agent 框架将技能平铺不同，该参考实现采用了垂直插件（Vertical Plugins）为核心的结构。最底层是financial-analysis插件，承载所有核心建模技能和 11 个数据连接器；在此基础上叠加投资银行、股权研究、私募股权、财富管理、基金运营等垂直插件，每个垂直插件贡献其领域特有的技能和命令。
这种设计的核心优势在于技能的单点维护。开发者在一个垂直插件中添加新技能后，运行scripts/sync-agent-skills.py即可将该技能同步到所有依赖它的 Agent 中。这解决了 Agent 项目中常见的技能版本碎片化问题 —— 当多个 Agent 需要同一技能的不同版本时，维护成本会呈指数级增长。该参考实现通过强制所有 Agent 使用从垂直插件同步过来的技能副本，确保了整个项目技能版本的一致性。
具体来看技能的实现形态。每个技能本质上是一个 Markdown 文件，包含领域专业知识、约定俗成的分析步骤和质量标准。以comps-analysis技能为例，它不仅定义了可比公司分析的步骤，还内嵌了交易倍数计算的规范、异常值的处理原则，以及输出格式的质量标准。当用户调用/comps命令或 Agent 在上下文中触发相关任务时，Claude 模型会自动调用这些技能。整个过程无需显式指定，模型根据任务意图进行技能检索和组合。
技能系统还与 Slash 命令深度集成。用户可以通过/comps、/dcf、/lbo、/earnings等命令直接触发特定技能，这在交互式使用场景中提供了高效的入口。同时，这些命令在 Managed Agent 模式下同样有效，支持无头化调用的场景。
MCP 数据连接器的整合策略
金融 Agent 的价值很大程度上取决于其数据接入能力。financial-services参考实现将所有数据连接器集中在financial-analysis核心插件中，通过 MCP（Model Context Protocol）协议实现了对主流金融数据提供商的统一接入。目前已支持的连接器涵盖 Daloopa（财务报表数据）、Morningstar（晨星基金数据）、S&P Global（标普全球市场情报）、FactSet（金融数据平台）、Moody's（穆迪信用数据）、MT Newswires（新闻快讯）、Aiera（财报电话会议）、LSEG（路孚特金融数据）、PitchBook（私募市场数据）、Chronograph（另类数据）和 Egnyte（文档管理）。
每个连接器的配置通过.mcp.json文件定义，包含服务 URL 和认证参数。企业需要根据自身的数据采购情况，在该配置文件中指向相应的数据提供者 API 端点。这种配置的灵活性允许同一套 Agent 代码在不同企业环境中指向不同的数据源，实现了参考实现与企业既有数据基础设施的对接。
值得注意的是，参考实现明确声明这些连接器需要数据提供商的订阅或 API 密钥。企业部署时需要确保各数据源的访问权限已就绪，并根据数据使用量规划成本。此外，部分连接器涉及敏感金融数据的传输，企业应评估数据安全策略，包括传输加密、访问控制和审计日志等要求。
Agent 分类与工作流覆盖
参考实现提供了 9 个命名 Agent，分别对应金融行业的典型工作流程。从功能维度可将其分为四类：
覆盖与顾问类包括 Pitch Agent 和 Meeting Prep Agent。前者从可比公司分析、交易先例、LBO 模型到品牌化 Pitch Deck 的端到端制作，后者为客户会议准备简报包。这类 Agent 的特点是输出物为演示材料，需要与其他工具链（如 PowerPoint）深度集成。
研究与建模类涵盖 Market Researcher、Earnings Reviewer 和 Model Builder。Market Researcher 从行业或主题研究出发，输出行业概况、竞争格局、同行可比和创意清单；Earnings Reviewer 处理财报电话会议和文件，生成模型更新和笔记草稿；Model Builder 则专注于 DCF、LBO、三表模型和可比分析的 Excel 实时建模。
基金行政与财务运营类包括 Valuation Reviewer、GL Reconciler、Month-End Closer 和 Statement Auditor。Valuation Reviewer 摄取 GP 数据包、运行估值模板并为 LP 报告做准备；GL Reconciler 负责找出差异、追溯根本原因并路由审批；Month-End Closer 处理应计、滚动和差异评论；Statement Auditor 审计 LP 报表后进行分发。
运营与开户类主要是 KYC Screener，解析开户文档、运行规则引擎并标记缺失项。
这种分类体现了 Anthropic 对金融工作流的系统化理解。每个 Agent 都是自包含的插件，安装 Agent 即自动包含其依赖的技能，这与前述垂直插件的设计一脉相承。
生产部署的关键考量
将参考实现部署到生产环境需要关注几个关键维度。首先是合规边界。参考实现首页明确声明：不构成投资、法律、税务或会计建议。这些 Agent 生成的仅是分析师工作产品草稿 —— 模型、备忘录、研究笔记、对账 —— 均需要合格专业人员的审核。它们不做出投资推荐、不执行交易、不承担风险、不记账、也不批准开户；所有输出都暂存待人工签发。这条声明应作为企业部署的基线合规框架，并在 Agent 系统提示词中得到体现。
其次是托管 Agent 的子 Agent 委托机制。参考实现中将子 Agent 委托（callable_agents）标记为预览能力，涉及安全和交接的详细指南在各 Agent 的 README 中。企业评估生产使用时，应重点关注子 Agent 间的数据隔离、上下文泄露风险和审计追踪能力。
第三是监控与可观测性。Managed Agent 模式下，每个任务的执行轨迹应被完整记录，包括调用的技能、访问的数据连接器、生成的输出和人工介入节点。建议配置任务级别的时间阈值告警（如单次调用超过 5 分钟未完成）和异常输出检测机制。
最后是回滚与版本管理。参考实现的所有内容均为 Markdown 和 JSON 文件，无构建步骤。企业应建立配置版本控制机制，在每次调整系统提示词或技能定义前创建版本标签，以便问题发生时快速回滚。
工程化实践的启示
financial-services参考实现为 AI Agent 的工程化提供了一份高质量的范本。其核心启示包括：通过双轨部署实现开发与生产的无缝衔接、垂直化的技能组织避免版本碎片化、MCP 协议统一数据接入层、明确的合规边界声明作为信任基础。对于计划在金融场景中部署 AI Agent 的团队，建议以该参考实现为起点，根据自身业务流程裁剪 Agent 范围、调整技能参数，并在严格的 - human-in-the-loop 框架下逐步扩大自动化边界。
资料来源：本文核心信息来自 Anthropic 官方 GitHub 仓库anthropics/financial-services，该仓库提供了金融领域 AI Agent 的完整参考实现与部署工具。