Anthropic 把投行分析師的活打包開源了
前幾天 Anthropic 在 GitHub 上放出了一個倉庫，叫 financial-services。一句話概括：它把投行、股票研究、私募股權、財富管理這四個行業裡，分析師每天在做的活，做成了一套可以直接裝進 Claude 的參考 Agent 和 Skill。
裡面有 9 個端到端的命名 Agent——做路演 deck 的 Pitch Agent、寫研報的 Earnings Reviewer、在 Excel 裡直接建模的 Model Builder、對帳找差異的 GL Reconciler、做開戶盡調的 KYC Screener 等等。每個 Agent 都自帶它要用的 Skill，裝上即用。底層則是一批按行業打包的 Skill 和斜槓命令：/comps（可比公司分析）、/dcf（現金流折現估值）、/lbo（槓桿收購）、/earnings（財報分析）、/ic-memo（投委會備忘錄）……基本覆蓋了一線分析師的日常。
它還接了一票真實的金融資料來源（通過 MCP 連接器）：Daloopa、Morningstar、S&P Global、FactSet、Moody's、PitchBook、LSEG 等，多數需要你自己的訂閱或 API key。
但這篇文章不打算給你念目錄。真正值得看的，是它倉庫裡那些 Skill 檔案本身——因為它們暴露了一件事：所謂"AI 替代分析師"，替代的不是聰明，而是紀律。
打開一個 Skill 檔案，你看到的不是 Prompt，是一本作業手冊
我們拿倉庫裡那個 dcf-model（現金流折現建模）的 Skill 來拆。它不是一句"幫我建個 DCF 模型"的提示詞，而是一份近七百行的工程文件，把一個資深分析師建模時腦子裡的全部隱性規則，一條條寫成了顯性約束。
舉幾條它寫死的"鐵律"：
公式優先，禁止硬編碼（標註為"不可妥協"）。每一個預測值、利潤率、折現因子、現值儲存格，必須是活的 Excel 公式，絕不能用 Python 算好一個數字填進去。它甚至直接警告模型："如果你發現自己在 Python 裡算出了結果然後寫進儲存格——停下。" 原因很簡單：模型必須在使用者改假設時能自動重算，寫死的數字一改就廢。
不許一口氣建完，必須分段跟使用者確認。取完數 → 先給原始輸入讓使用者確認，再做預測；建完營收預測 → 先展示增長率確認，再搭利潤率；算完自由現金流 → 先給完整現金流表確認邏輯，再算 WACC……它的理由很實在："一個錯誤的利潤率假設，如果等敏感性表都建完了才發現，意味著下游全部要重建。"
敏感性表必須是奇數維（5×5 或 7×7），保證有一個真正的中心格。而且中心格的輸出必須等於模型實際算出的每股價格——這是檢驗整張表搭對沒搭對的自檢點。它還反覆強調：這不是 Excel 的"模擬運算表"功能，而是用程式碼循環往 75 個格子裡逐個寫完整的 DCF 重算公式，不許用線性近似偷懶，不許留"請使用者手動補全"的預留位置。
連配色都寫進了規範：藍色字=硬編碼輸入，黑色字=公式，綠色字=跨表引用。"字型顏色告訴你這是什麼（輸入/公式/引用），填充顏色告訴你你在那（表頭/資料/輸出）。" 填充色只准用三種藍加一種灰加白——"忍住想加更多顏色的衝動，顏色太多的模型看著就業餘。"
它甚至專門列了一節《常見錯誤》：營業費用按毛利潤算而不是按營收算（錯）、終值超過企業價值 80%（說明過度依賴終值假設）、永續增長率大於 WACC（會算出無窮大估值）……每一條都是真實世界裡新手分析師會栽的跟頭。
讀完你會意識到：這份檔案的價值，不在於它讓 Claude "會算 DCF"——模型早就會了。它的價值在於，把一個幹了十年的分析師"不會犯的那些錯"，固化成了 Claude 每次都不會犯的約束。
不同的活，寫法完全不同
有意思的是，同一個倉庫裡不同 Skill 的"管法"差異很大，這恰恰體現了好的工程判斷。
earnings-analysis（財報分析）這個 Skill，管的不是 Excel 公式，而是研報的體例：8 到 12 頁、3000 到 5000 字、1 到 3 張彙總表、8 到 12 張圖、24 到 48 小時內出稿、全程用 Times New Roman 字型、對標摩根大通和高盛的格式。它把"引用與來源標註"標成了三星級強制項——每張圖表都要帶可點選的超連結，指向具體的 10-Q、財報電話會紀要、SEC EDGAR 連結，文末還要有完整的 Sources 小節。對一份要發給客戶的研報來說，能不能溯源，比文筆重要得多。
comps-analysis（可比公司分析）則把第一條鐵律給了資料來源：優先用 MCP 資料來源（FactSet、S&P Kensho、Daloopa），有這些就絕對不用網頁搜尋。理由直白——"網頁搜尋結果可能過時、不准、不可靠，缺乏機構級分析所需的精準性和審計鏈路。"
一個管公式紀律，一個管文體與引用，一個管資料可信度。同一套框架下，每個 Skill 只盯住自己那個領域最容易出錯的環節。
倉庫裡最該讀的，其實是教你怎麼寫 Skill 的那個 Skill
financial-services 裡藏著一個 skill-creator，它不解決任何金融問題，而是講"怎麼寫一個好 Skill"。這一節是整個倉庫的方法論核心，也是最能遷移到任何領域的部分。
它對 Skill 的定義很精準：Skill 是"專項知識的入職指南"，把 Claude 從一個通用 Agent 變成裝備了程序性知識的專家——而這種程序性知識，是任何模型都無法完全內建的。
它提的幾條原則，值得任何想給 AI 寫指令的人抄下來：
上下文是公共品。上下文窗口要被系統提示、對話歷史、其他 Skill 的中繼資料和使用者的真實問題共享。所以默認假設應該是——Claude 已經很聰明了，你只該補充它不知道的東西。對每一句話都要質問："Claude 真的需要這段解釋嗎？這段話值它佔用的 token 嗎？"
按任務的脆弱度設定自由度。如果多種做法都對、要看上下文判斷，就用文字指令給高自由度；如果有個偏好模式、允許些許變化，就用帶參數的偽程式碼給中自由度；如果操作很脆弱、一步錯步步錯、必須嚴格按順序來，就用具體指令碼給低自由度。它的比喻很妙："把 Claude 想像成在走一條路——懸崖邊的窄橋需要具體的護欄（低自由度），開闊的原野則允許多種走法（高自由度）。"
回頭看那個 DCF Skill 為什麼寫得那麼死、那麼細，就懂了：財務建模正是"懸崖邊的窄橋"——一個公式引用錯行就滿盤皆錯，所以它必須用最低的自由度、最具體的護欄。而 comps 分析裡"該問使用者什麼、怎麼適配受眾"那部分，就給了高自由度。這種"該松的松、該緊的緊"的分寸，才是這套開源資產裡最難得的東西。
結語
很多人看到這個倉庫的第一反應是"Anthropic 要搶分析師飯碗了"。但真把那些 Skill 檔案讀一遍，你會得到一個更準確的判斷：它開放原始碼的不是"智能"，而是"紀律"——那些資深分析師靠十年經驗才內化的防錯規則、溯源習慣、建模規範，被一條條寫成了文件。
這其實和我們之前聊過的那篇 Anthropic 資料分析文章是同一個道理：分析型 AI 的瓶頸從來不在"會不會算"，而在"知不知道該怎麼做、以及怎麼驗證它做對了"。模型負責聰明，Skill 負責靠譜，兩者缺一不可。
對國內做量化、做投研、做金融 IT 的團隊來說，這個倉庫最大的用處可能不是直接拿來裝——畢竟資料連接器多數要付費訂閱——而是把它當一本"如何把行業 know-how 喂給 AI"的範本。那怕你只是想給自己的選股流程、財報跟蹤寫一套靠譜的 Skill，照著 dcf-model 和 skill-creator 的寫法抄一遍結構，也比從零摸索省下大把時間。它是開放原始碼的，這份"作業"值得參考學習。
編譯自 Anthropic 官方開源倉庫：https://github.com/anthropics/financial-services (Haowen.AI)