Команда Anthropic выложила в открытый доступ репозиторий financial-services — набор инструментов и архитектурных шаблонов для построения скилл-ориентированных AI-агентов, специализирующихся на финансовом анализе. Проект включает готовые вертикальные плагины, MCP-коннекторы к внешним источникам данных и автоматическую генерацию отчётов в форматах Excel, Markdown и PDF.
В отличие от простых демонстраций, репозиторий предлагает воспроизводимую архитектуру: каждый навык (skill) описывается в отдельном файле SKILL.md с YAML-метаданными и пошаговой методологией. Агент, построенный на этой основе, динамически загружает подходящие скиллы, выполняет вычисления через Python-инструменты и возвращает структурированные результаты.
Ключевые факты
| Параметр | Значение |
|---|---|
| Автор | Anthropic |
| Репозиторий | github.com/anthropics/financial-services |
| Базовая модель | Claude Sonnet 4-6 (через Anthropic API) |
| Основные компоненты | SkillRegistry, MCP-коннекторы, Python-инструменты (pandas, matplotlib, openpyxl) |
| Примеры навыков | DCF-оценка, WACC и heatmap чувствительности, сравнительный анализ компаний, инвестиционный меморандум |
Архитектура репозитория
Кодовая база разделена на несколько типов плагинов: агентные, вертикальные, партнёрские, а также «поваренные книги» для управляемых агентов (managed-agent cookbooks). В каждом плагине может быть несколько файлов SKILL.md, описывающих конкретные финансовые процедуры. Репозиторий также содержит файлы .mcp.json, которые определяют коннекторы к внешним API — например, к рыночным данным или отчётным системам.
Разработчик может программно просканировать структуру, собрать реестр навыков и передать нужный скилл в систему-промпт агента. Это позволяет избежать жёсткого кодирования сценариев и делает агента адаптируемым под разные задачи.
Как это работает
В основе лежит класс SkillRegistry, который парсит все SKILL.md из репозитория и создаёт поисковый индекс по имени и описанию. Агент получает системный промпт, содержащий методологию выбранного скилла, и набор инструментов: run_python (для вычислений и визуализации) и save_file (для сохранения результатов). Инструмент run_python выполняется в изолированном пространстве имён с предзагруженными pandas и numpy, что позволяет проводить расчёты, строить тепловые карты и генерировать Excel-файлы.
В опубликованном туториале демонстрируется выполнение пяти типовых задач: дисконтированный денежный поток (DCF), построение тепловой карты чувствительности WACC и темпа роста, сравнительный анализ компаний с форматированным Excel-выводом, черновик инвестиционного меморандума для private equity и проверка спецификации управляемого агента без отправки запроса на развёртывание.
Практическая ценность для разработчиков
Для аудитории Comrad404 — разработчиков AI-агентов, инженеров промптов и автоматизаторов — этот репозиторий ценен как референсная архитектура, а не просто как очередной пример. Он показывает, как отделить логику навыков от инфраструктуры агента, как использовать MCP-коннекторы для интеграции с внешними сервисами и как организовать итеративный цикл «вызов инструмента → обработка → следующий шаг» без потери состояния.
Кроме того, код написан на чистом Python и не требует специализированных фреймворков, что упрощает его адаптацию под собственные проекты. Разработчики могут взять за основу SkillRegistry и инструменты run_python/save_file, заменить SKILL.md на свои сценарии и подключить свои MCP-коннекторы.
Источник: MarkTechPost — «Designing Skill-Driven Financial Analysis Agents with Claude, Python, MCP Connectors, and Automated Deliverables» (https://www.marktechpost.com/2026/07/27/designing-skill-driven-financial-analysis-agents-with-claude-python-mcp-connectors-and-automated-deliverables/)