Anthropic 金融 Agent 深度解析：它賣的不是 10 個模板，而是一套可交付的工作流作業系統

Anthropic 金融 Agent 深度解析：它賣的不是 10 個模板，而是一套可交付的工作流作業系統

中文 EN

Anthropic 5 月 5 日發布的 Agents for financial services，表面上是 10 個金融業 Agent 模板：pitch builder、meeting preparer、earnings reviewer、model builder、market researcher、valuation reviewer、general ledger reconciler、month-end closer、statement auditor、KYC screener。

但我覺得真正值得看的是另一件事：Anthropic 正在把金融業裡最難賣、最難導入、最難審計的一段 AI 工作，包成一套可以交付的作業系統。

不是「Claude 會幫你做投行簡報」這麼簡單。

更像是：把一個 junior analyst、一個 associate、一個 controller、一個 compliance reviewer 的部分工作拆成可描述的流程，接上資料源，分配工具權限，讓幾個子 Agent 分工，最後產生 Excel、PowerPoint、Word、exception report 這種金融業真的會流轉的 artifact。每個 artifact 還要能被人審、被系統追、被合規查。

這是 Agent 從 demo 走進企業的關鍵一步。

這次不是 prompt library，而是 reference architecture

Anthropic 官方說得很清楚：每個 agent template 包三個東西。

第一是 skills，也就是任務說明、領域知識、工作方法。第二是 connectors，也就是受治理的資料存取。第三是 subagents，也就是主 Agent 在特定子任務上會呼叫的額外 Claude 模型，例如 comparables selection 或 methodology checks。

這個三件組很重要。金融業不缺聰明模型，缺的是能把「我想做一份 pitchbook」轉成一串可控動作的骨架。

我把 Anthropic 的官方 financial-services marketplace repo 拉下來看，結構比新聞稿更有意思。它不是只有 README，而是直接把 agent plugin、vertical plugin、Managed Agent cookbook、MCP connector 都放進同一個 repo 裡。

它的 README 把 10 個 agent 分成幾組：

  • Coverage & advisory：Pitch Agent、Meeting Prep Agent
  • Research & modeling：Market Researcher、Earnings Reviewer、Model Builder
  • Fund admin & finance ops：Valuation Reviewer、GL Reconciler、Month-End Closer、Statement Auditor
  • Operations & onboarding：KYC Screener

這種分法其實就是金融機構的工作地圖。前台做客戶與研究，中台做風控與估值，後台做帳務與營運，onboarding 做 KYC。Anthropic 不是先問「模型能做什麼」，而是先問「金融公司每天有哪些固定但很貴的工作流」。

這是產品方向上的差別。

Pitch Agent：把投行 pitch 拆成模型、簡報、QC

最能看出設計意圖的是 Pitch Agent 的 system prompt。

它把自己定義成「senior investment banking associate」，輸入是一家公司和一個 strategic situation，輸出不是一段回答，而是兩個 artifact：

第一個是 Excel valuation workbook，裡面有 trading comps、precedent transactions、DCF、football-field summary，而且每個 output cell 都要是 live formula，能 trace 到 input。

第二個是 pitch deck，要放到銀行的 PowerPoint template 上，包含 situation overview、company snapshot、valuation summary、comps detail、precedents detail、illustrative process，而且每張圖都要綁回 Excel model。

這裡的關鍵不是「會寫簡報」。投行 pitch 的痛點是簡報、模型、資料來源、腳註、日期、估值方法必須彼此對得起來。Anthropic 的模板把流程寫成 9 步：確認 target 和 sector，找 trading comps 和 precedent transactions，拉 CapIQ 資料與 filings，做 comps、LBO、DCF、三表模型，生成 football field，填 deck，最後跑 deck QC。

如果你做過任何需要對外交付的分析文件，就會知道真正耗時的不是第一版文字，而是「這個數字從哪裡來」「deck 第 18 頁和 model 第 4 個 tab 為什麼不一樣」「footnote 日期是不是錯了」。Anthropic 把這些髒活寫進 agent 的工作合約裡。

Pitch Agent 的 guardrails 也很金融業：不能對外溝通；每個數字都要引用來源；如果 multiple 或 precedent 找不到來源，要標 [UNSOURCED]，不是自己補；Excel model 完成後要停下來給 banker review，deck 完成後也要停下來給人 approve。

這不是自治幻想，是把人類 approval point 放進流程裡。

KYC Screener：金融 Agent 的核心不是自由，而是隔離

另一個值得拆的是 KYC Screener。

這個 Agent 讀 onboarding packet，抽 legal name、beneficial owners、addresses、identifiers、document inventory，跑 KYC/AML rules，做 sanctions、PEP、adverse media screening，最後產出 escalation packet。

最重要的是它的 guardrails：

  • onboarding documents 被視為 untrusted；
  • doc-reader worker 只有 Read/Grep，沒有 MCP access；
  • orchestrator 不寫檔；
  • 只有 escalator subagent 有 Write；
  • Agent 不做 risk-rating decision，只做 recommendation，最後由 compliance officer 決定。

這裡可以看到金融 Agent 的設計核心：不是讓 Agent 權限越大越好，而是把權限切小，把不可信輸入隔離，把寫入權限集中到最後一個負責格式化的角色。

這跟一般 demo 裡「Agent 可以自己打開瀏覽器、自己填表、自己寄信」的方向幾乎相反。金融業的 Agent 如果要進 production，第一原則不是 autonomy，而是 bounded autonomy。

它要會做事，但每一步都要知道誰給它資料、它調了什麼工具、它能不能寫、它寫到哪裡、誰批准。

Claude Managed Agents：把 Cowork 變成可排程的後台流程

Anthropic 給了兩種部署方式。

第一種是插件形式，跑在 Claude Cowork 或 Claude Code 裡，跟著 analyst 的桌面軟體工作。Anthropic 官方舉例：Pitch agent 拿到 target list 後，可以回傳 Excel comps model、PowerPoint pitchbook、Outlook cover note。

第二種是 Claude Managed Agents，跑在 Claude Platform 上，適合一整本 deals、nightly schedule、長時間 close 這類背景流程。官方公告提到 Managed Agent cookbook 包含 long-running sessions、per-tool permissions、managed credential vaults，以及 Claude Console 裡完整的 audit log，讓 compliance 和 engineering team 可以檢查每個 tool call 和 decision。

repo 裡的 Pitch Agent Managed Agent cookbook 更具體。它用 claude-opus-4-7，接 CapIQ 和 Daloopa MCP，還設定 callable agents：researcher、modeler、deck-writer。README 裡寫得更直白：只有 deck-writer 這個 leaf agent 持有 Write 權限，researcher 和 modeler 主要讀資料、建模型、產出中間 artifact。

這個模式其實是 Anthropic 目前最值得研究的企業 Agent 架構：主 Agent 不必什麼都做，它更像 orchestrator。專門的 leaf agent 拿有限工具、有限資料、有限寫入權限，完成單一段工作。

如果把這套東西放到一般企業軟體語境裡，它已經接近一個 agentic workflow engine：有流程、有角色、有工具 ACL、有 data connector、有 artifact output、有 audit。

Microsoft 365 整合：Agent 終於進到 artifact 的原生環境

Anthropic 同時宣布 Claude 可以透過 Microsoft 365 add-ins 直接工作在 Excel、PowerPoint、Word，Outlook coming soon。官方說 context 會在不同應用之間自動帶著走，所以 Excel 裡做的 model 可以延續到 PowerPoint deck，不需要重新解釋。

這點比看起來重要。

金融業的工作不是停在 chat window。投行、PE、研究、財務、風控、合規真正交付的是 Excel workbook、PowerPoint deck、Word memo、Outlook thread、PDF statement、data room 裡的一堆檔案。

所以金融 Agent 的競爭不是「誰回答得比較像 analyst」，而是誰能站在 artifact 的生產線上。

Excel 是模型的生產環境，PowerPoint 是客戶溝通的生產環境，Word 是 memo 和 policy 的生產環境，Outlook 是任務流轉的生產環境。Claude 如果能在這些地方共享 context，Agent 就不再只是旁邊的 assistant，而是開始變成工作流本身的一部分。

MCP connectors：資料權限是金融 Agent 的護城河

Anthropic 的資料層也值得看。官方公告列出 FactSet、S&P Capital IQ、MSCI、PitchBook、Morningstar、Chronograph、LSEG、Daloopa 等平台，還新增 Dun & Bradstreet、Fiscal AI、Financial Modeling Prep、Guidepoint、IBISWorld、SS&C Intralinks、Third Bridge、Verisk 等 connectors，Moody's 也推出 MCP app，把 proprietary credit ratings 和 6 億多家 public/private companies 的資料帶進 Claude。

repo 裡的 financial-analysis MCP config 把這件事落到技術層：Daloopa、Morningstar、S&P Global、FactSet、Moody's、MT Newswires、Aiera、LSEG、PitchBook、Chronograph、Egnyte 都是 MCP server。

這裡的商業含義很清楚。金融 Agent 的效果，不會只由 foundation model 決定。

模型要強，但更重要的是：

  • 能不能合法讀到資料？
  • 能不能保留資料供應商的 entitlement？
  • 能不能把每次資料查詢留下 audit trail？
  • 能不能把公司內部 CRM、research repository、data warehouse 接進來？
  • 能不能讓同一個 Agent 在不同 firm 的 policy 下改行為？

這也是為什麼 Bloomberg 報導 Anthropic 發布後，FactSet、Morningstar、S&P Global、Moody's 等資料/軟體股出現賣壓。市場直覺上在問一件事：如果模型公司把 data connector、workflow agent、Office artifact 生產線串起來，傳統 financial data terminal 和 workflow software 會被吃掉多少前端價值？

我不覺得答案是「資料商會消失」。相反，資料商仍然控制核心資料、授權、信任與 lineage。但使用者入口可能會移動。以前 analyst 打開 terminal 查資料，再手工搬進 Excel；未來可能是 Agent 透過 MCP 在背後查資料，使用者只看見可審的 workbook 和 deck。

入口變了，議價位置也會變。

Benchmark 的意思：金融 Agent 還沒有「畢業」，但已經夠貴值得部署

Anthropic 在公告裡引用 Vals AI Finance Agent benchmark，說 Claude Opus 4.7 以 64.37% accuracy 領先。

這個數字不能被誤讀成「Claude 已經可以替代金融 analyst」。Vals 的 benchmark 是 537 個問題，測的是 entry-level financial analyst 會做的研究任務，包括 SEC filings research、simple retrieval、market research、projections、adjustments、beat/miss、financial modeling、market analysis。它給 Agent EDGAR search、Google search、HTML parser、retrieval tool，再看最後答案 accuracy。

幾個點值得注意。

第一，64.37% 不是滿分。高風險金融工作不可能因為 benchmark 第一就直接無人審核。Anthropic 自己的 repo 也反覆強調：這些 Agent draft analyst work product，不提供投資、法律、稅務、會計建議，不執行交易，不批准 onboarding，每個 output 都要 human sign-off。

第二，Vals 的分析顯示 top performers 通常使用更多 tool calls。也就是說，金融 Agent 的能力不是單純「模型腦子裡記得更多」，而是會不會正確查 EDGAR、解析 filings、找資料、回到文件算數字。這跟金融業的真實工作很像：很多任務不是靈感問題，而是流程耐心和資料處理問題。

第三，成本會變成產品設計問題。Vals 頁面提到，有些困難 query 在 o3 或 Claude Opus 4.1 Thinking 上可能超過 5 美元一次。金融業有錢，但不代表可以無限制燒 token。Agentic workflow 如果要 production 化，就必須知道哪些步驟用強模型，哪些步驟用便宜模型，哪些查詢該 cache，哪些中間結果要留存。

這也是 Anthropic 把 Agent 包成模板的原因之一。模板不只是方便 demo，也是成本控制的容器。

市場背景：Anthropic 想卡住 Wall Street 的 AI operating layer

這次發布不是孤立事件。

Business Insider 報導，金融服務已經是 Anthropic enterprise revenue 的第二大產業，僅次於科技；Anthropic 對外展示的資料還說，前 50 大客戶中有 40% 在金融業。Axios 也引述 Anthropic 金融服務產品負責人 Nicholas Lin 的說法：目標是把部署週期從 months 縮短到 days。

同一週前一天，Anthropic 還宣布和 Blackstone、Hellman & Friedman、Goldman Sachs 成立新的 enterprise AI services company，讓 Anthropic Applied AI staff 和新公司的工程團隊一起進企業，改造核心營運流程。

這兩件事放在一起看，Anthropic 的策略很清楚：

一邊把金融機構最常見的高價工作流模板化，讓大機構可以自己裝 plugin、自己跑 Managed Agents、自己調 policy；另一邊用服務公司處理缺乏工程資源的中型企業，把 Claude 放進實際營運。

這比較像 Palantir、Accenture、Bloomberg、Microsoft Office、模型公司之間的混合體。它不是純 SaaS，也不是純 API。它是模型能力、資料連接、桌面軟體、工程交付、合規控制的疊加。

競爭也不只來自 OpenAI。Business Insider 提到 Rogo、Hebbia 這類 finance-native startup 已經在做 pitch deck、research、meeting prep、model building。這類公司的優勢不是模型本身，而是金融 domain expertise、資料整合、客戶既有 workflow、以及 model-agnostic routing。

所以 Anthropic 的難題不是「Claude 夠不夠強」。難題是它能不能在每一家 bank 的系統、資料權限、審批流程、deck template、modeling convention 裡落地，而不是只在官方 demo 裡好看。

我覺得最重要的判斷：金融 Agent 的單位不是 chat，而是 artifact

這次 Anthropic 發布的最大啟發，是它把 Agent 的輸出單位從「回答」改成「可審的工作產品」。

Pitch Agent 交付 workbook 和 deck。KYC Screener 交付 entity file、rules-engine result、screening result、escalation packet。GL Reconciler 交付 break list、root-cause trace、exception report。Model Builder 交付 linked Excel workbook。Statement Auditor 交付 audit-ready review。

這些東西都有共同特徵：

  • 有固定格式；
  • 有資料來源；
  • 有中間計算；
  • 有審批節點；
  • 有錯誤成本；
  • 有合規要求；
  • 有下游使用者。

這其實比「通用 Agent 自己上網做任何事」更務實。因為企業買的不是 autonomy，本質上買的是 throughput、consistency、traceability。

我週一晚上看 repo 裡那些 agent prompt 的時候，有一個很強的感覺：這不是 AI 寫作工具，這比較像把作業流程寫成 IaC。以前金融機構的 know-how 藏在人、模板、Slack thread、Excel workbook、審批習慣裡；現在它開始被寫進 markdown skill、agent yaml、MCP config、tool permission 裡。

如果這個方向成立，未來每個行業都會有自己的 agent marketplace。但真正有價值的不是「法律 Agent」「醫療 Agent」「金融 Agent」這種標籤，而是那個 repo 裡的工作流能不能被審、能不能接資料、能不能產生可用 artifact。

風險：最危險的不是模型犯錯，而是錯誤被包裝得太像正式文件

金融業 Agent 的風險也很直接。

第一是 source hallucination 和數字錯誤。金融工作裡，一個 multiple、share count、guidance midpoint、non-GAAP adjustment 搬錯，就可能讓整份 deck 失真。Anthropic 的模板要求每個數字可引用、找不到來源就標 [UNSOURCED]，這是必要但不充分的安全帶。

第二是資料權限。MCP connector 讓 Agent 很方便地跨資料源查詢，但每一個查詢都牽涉 licensing、entitlement、client confidentiality、內部資料隔離。Agent 如果比人更容易跨系統讀資料，就更需要比人更嚴格的 policy enforcement。

第三是 responsibility laundering。Agent 產出 deck、memo、KYC escalation packet 之後，誰真的負責？Anthropic repo 裡一直說 human sign-off，這點要保留。金融公司不能讓「AI 建議」變成沒有人負責的灰色地帶。

第四是組織慣性。把一個 Agent 接到 Excel、PowerPoint、Outlook 和資料源，不代表 analyst 就會信它。金融工作很多品質控制是 tacit knowledge：哪個 MD 討厭哪種 chart、哪個 sponsor case 不能太 aggressive、哪個公司歷史上 guidance 保守、哪個 footnote 每次都會被 legal 挑。這些要靠 firm-specific skill 才能慢慢補上。

給 builder 的結論

Anthropic 金融 Agent 這次發布，對 builder 的啟發不是「去做一個金融 Agent」。

真正的啟發是：如果你想把 Agent 賣進高價值行業，產品形態應該長得像這樣：

  1. 從一個高頻、高成本、格式固定的工作流開始，不要從聊天開始。
  2. 把 domain knowledge 寫成 skill，而不是藏在 prompt 裡。
  3. 把資料源接成 governed connector，而不是讓使用者自己 copy paste。
  4. 把子任務拆給 subagents，但每個 subagent 只拿必要權限。
  5. 把輸出做成行業真的用的 artifact，例如 workbook、deck、memo、report。
  6. 把 human approval point 寫進流程，不要把它當成產品缺陷。
  7. 把 audit log、source trace、cost control 當成核心功能，不是 enterprise add-on。

Anthropic 這次賣的不是 10 個模板。它賣的是一種新的企業 AI 交付格式：model + skill + connector + subagent + artifact + audit。

金融業只是第一個戰場。因為這裡的資料昂貴、流程昂貴、錯誤昂貴、人工昂貴，所以 Agent 只要把其中一段流程穩定縮短，就有足夠高的 ROI 讓公司忍受導入成本。

下一步我會看兩件事。

第一，這些模板在真實金融機構裡會被改到多深。如果每家 firm 都要大幅重寫 prompt、connector、approval flow，那 Anthropic 賣的其實是 framework；如果大部分只要調模板，那它就更接近 marketplace。

第二，Rogo、Hebbia、Bloomberg、FactSet、S&P、Moody's 這些既有 workflow/data player 會怎麼反擊。模型公司往金融 workflow 上游走，資料公司和垂直 SaaS 也會往 Agent layer 下游走。最後勝出的不一定是模型最強的那一家，而是誰控制了 artifact 產線和資料 lineage。

References

Related

當 AI Agent 遇上作業系統思維：Anthropic Managed Agents 架構深度解析
Claude Agent SDK 完整指南：從 Built-in Tools 到 Subagents 的全面解析
Claude Agent SDK 深度解析：Anthropic 的 CLI-Driven Agent 建構框架