一篇把官方金融插件库讲清楚的科普：它是什么、每个插件干嘛、以及 Anthropic 到底想做什么
克隆完仓库，我做的第一件事是跑一个苹果的估值模型。结果第一步就卡住了。
不是网络，不是权限。是 financial-analysis/.mcp.json 这个配置文件——少了一个逗号，还少了一个右括号，JSON 根本解析不过去。这是 Anthropic 官方仓库里的一个语法错误。
把那个逗号和括号补上，存盘。三分钟后，一张活公式驱动、能跑 Bear/Base/Bull 三情景的苹果 DCF 模型，躺在了桌面上。
这就是 anthropics/financial-services 给我的第一印象：它不是一个 demo，是一套真能干活、但你得懂点工程才接得住的生产工具。 而那个没人发现的 JSON bug 也顺带说明——这条赛道还很早，早到官方的第一个配置文件都没人 lint 过。
这篇文章不站队、不喊未来，只做一件事：把这个仓库拆开，讲清楚 Anthropic 到底在卖什么、在做什么，以及这 20 个插件每一个是干嘛的。 看完你大概能判断：它对你是个玩具，还是个工具。
一、先搞懂：Anthropic 在卖什么
先说一个容易被「插件」这个词带偏的结论：
Anthropic 在这个仓库里卖的，不是模型，也不是又一个 SaaS。卖的是 skill——把投行、研究、估值、基金运营这些专业工序，写成 AI 能直接执行的「方法论包」。
怎么看出来的？看它的两种部署方式。同一套东西，官方给了两条上车的路：
- Claude Cowork 插件：在 Claude 里点几下装上，像装浏览器扩展。适合个人、小团队。
- Claude Managed Agents API：通过
/v1/agents部署到你自己的工作流引擎后面，挂进企业系统。适合机构。
关键在于——两条路用的是同一套 system prompt、同一套 skill。 部署方式可以变，但中间那层「怎么做一份 DCF、怎么跑一次对账、怎么审一张报表」的方法论，是固定不变的核心资产。
打个比方：模型是水和电，谁都能用；而 skill 是把「一道菜怎么做」写成了标准化的菜谱。这些「怎么做」，原本写在各家机构的内部培训手册里、压在资深员工的经验里，现在被编译成了 AI 能照着执行的代码。这才是 Anthropic 真正想卖、也最难被复制的东西。
理解了这一点，再去看那 20 个插件，就不会把它们当成普通工具——它们是一条条被代码固化下来的专业工序。
二、全功能拆解：20 个插件，三层结构
仓库里一共 20 个插件，分得很清楚：7 个垂直插件（vertical）+ 10 个 Agent + 2 个合作方插件 + 1 个 Microsoft 365 安装器。整个仓库开源、Apache 2.0 许可——可商用、可二次开发，这点很关键（下文「样板间」会细说）。
（顺便纠个网上流传的错数：不是「21 个 / 11 个 Agent」，是 20 个、10 个 Agent。这和 Anthropic 5 月发布会上「10 个预构建 Agent」的口径一致。）
第一层：7 个垂直插件——行业工具箱
每个垂直插件，是一组 skill + 斜杠命令 + 数据连接器，按金融细分行业打包。装一个，就多出一批 /命令：
- financial-analysis（财务分析）——核心建模：DCF、可比公司、LBO、三表模型、竞品分析、deck 质检。装上后多出
/dcf/comps/lbo等命令，外加 13 个 skill。整个仓库的地基。 - investment-banking（投行）——客户与市场洞察、deck 制作、交易管理。7 个命令：
/teaser（匿名简介）/cim（保密信息备忘录）/merger-model（并购模型）/buyer-list（买方名单）/process-letter（流程函）等。 - equity-research（股票研究）——卖方研究工作流：
/initiate（首次覆盖报告）/earnings（财报点评）/morning-note（晨会纪要）/thesis（投资逻辑）/screen（选股）等 9 个命令。 - private-equity（私募股权）——PE 交易撮合：公司发现、CRM 集成、创始人触达。注意它做的是「找标的」，不是估值。
- wealth-management（财富管理）——投顾工具：客户复核、财务规划、组合分析、客户报告。
- fund-admin（基金行政）——基金财务运营：总账对账、差异（break）追踪、计提、roll-forward、差异说明、净值（NAV）勾稽。
- operations（运营）——运营工作流：KYC 开户文档解析 + 规则网格（rules-grid）评估。
第二层：10 个 Agent——端到端的「数字员工」
如果说垂直插件是工具箱，Agent 就是会自己用工具箱、把一件事从头做到尾的数字员工。每个 Agent 自带它要用的 skill，装一个就能跑一个完整场景。10 个，逐个一句话：
- pitch-agent——给定目标公司和情境，自动跑可比公司、先例交易、LBO，最后吐出一份品牌化的路演 deck，端到端。
- market-researcher——给一个板块或主题，产出行业概览、竞争格局、同业可比、想法清单。
- earnings-reviewer——读财报电话会和申报文件，更新模型，起草点评初稿。
- meeting-prep-agent——每次开会前，自动整合一份会前简报包。
- model-builder——DCF、LBO、三表、可比公司，直接活在 Excel 里。
- gl-reconciler——总账对账：找出差异、追根因、按签字流程路由。
- kyc-screener——解析开户文档、跑规则引擎、标出缺口件。
- valuation-reviewer——摄入 GP（普通合伙人）报送包，跑估值模板，生成 LP（有限合伙人）报告。
- month-end-closer——月末关账：计提、roll-forward、差异说明。
- statement-auditor——在报表分发前做最后一道核对。这个 Agent 的架构有个细节值得单说（下节）。
第三层：2 个合作方 + 1 个安装器
- LSEG（伦交所集团）——债券定价、收益率曲线、FX carry 评估、期权估值、宏观看板。
- S&P Global——公司 tearsheet、财报预览、交易摘要。
- claude-for-msft-365-install——给「Claude for Microsoft 365」插件配置直连云（Vertex AI / Bedrock / 网关）的管理员工具。
三、一个值得说的设计细节：让 AI「不可信」
单独把 statement-auditor 拎出来，因为它的设计藏着一个很聪明的安全思路。
它的任务，是在报表发出去之前，对着基金净值包逐项勾稽，把余额、分配、费用核一遍，标出差异。它的工作流里有一句设计，原文是这么写的：
「报表被当作不可信输入。」（Statements are treated as untrusted.）
具体怎么落地？它派一个叫 statement-reader 的子工人去读报表，而这个子工人只有 Read 和 Grep 权限，没有任何数据访问权。换句话说，读「待核对象」的那只手，碰不到「核对依据」的那套数据。
这是软件安全里的两条基本功：最小权限（一个组件只给它干活必需的最小权限）和不可信输入隔离（来路不明的数据，先假定它有问题，关进权限的笼子里再处理）。
放到 AI Agent 的语境里，这一点尤其重要——当 Agent 能自动读文件、调数据、改东西，「哪只手能碰哪些数据」就成了安全的命门。Anthropic 在一个金融 Agent 的设计里，把这条边界划得很清楚。这件事，比那三百多个公式更让我多看了两眼。
四、实测：用 pitch-agent 给苹果做一张 DCF
光拆结构不够。我挑了 pitch-agent 里的 dcf-model skill，拿苹果（AAPL）做了一次真实的端到端，看它到底能交付什么。
先把话说在前面：以下纯属一次估值方法论的演示，用的是公开数据和我自己设定的假设，不构成任何投资建议，不预测价格方向，也不针对任何人的持仓。看个工具怎么干活就好。
它交付的东西是真的「机构级」：一个两张工作表的 Excel，带 Bear/Base/Bull 情景选择器、十年显式预测、把硬件和 Services 分两段建模、终值同时用「永续增长」和「退出倍数」两种方法交叉验证——308 个全是活公式（改任何一个假设，整张表重算），零错误。再导出一份深色排版的 HTML + PDF 报告。
模型本身没问题。真正有意思的是它逼我面对的两件事：
第一，假设这一层，AI 完全甩给你。 增长率多少、利润率怎么走、贴现率取几、永续增长几个点——这些真正决定结论的东西，模型一个都不替你拍板，它只负责把你给的假设算到底、算对。这恰恰说明价值在哪：AI 把「搭结构」的时间从一周压到三分钟，但「填判断」的责任，一克都没帮你减。
第二，结论本身是一堂方法论课。 即便我用一套相当慷慨的假设（净现金、偏低的风险溢价、服务业务拉动增长），这套 DCF 的中性情景算出的内在价值，仍明显低于市价；要够到市价，得用上最乐观那一档。但最一针见血的，是模型里一行「隐含倍数体检」——
市场今天为苹果支付约 31.6 倍的 EV/EBITDA；而即便这套慷慨的 DCF，它的终值反推出来也只隐含约 13.9 倍。
这一行解释了整个估值缺口：DCF 算出来低于市价，不是在质疑苹果这门生意——而是永续增长、退出倍数这类终值方法，结构上就到不了 31 倍。市场在为一个标准 DCF 框架装不下的倍数买单。我再反过来求解：要让模型算出今天的价，需要把贴现率压到 约 6.4%——只比当时十年期美债（约 4.5%）高不到两个百分点，几乎是把苹果当准无风险资产在折现。
这不代表苹果「贵」或「便宜」，更不代表价格会怎么走——背后是回购、服务业务重估、品牌护城河这些标准 DCF 框架本身难以完全捕捉的东西。
一个工具最大的价值，有时候不是给你答案，是逼你看清「这个答案为什么不该这么算」。
不止 DCF：从三张表到一份精美研报
光做 DCF 还不够。我又顺手试了 3-statement-model——它从损益表、资产负债表、现金流量表三张表搭起一个完整勾稽、每期资产负债都平到零的模型，往后推了五年的盈利能力（营收、EBITDA、净利、EPS、自由现金流一条线），甚至自动起草了一份带评级、目标价、风险清单和「什么会让我改变看法」的投资建议初稿。这已经不只是「帮你算」，是把一个分析师从建模到成文的整条流水线走了一遍。（评级、目标价这些都只是工具的演示性产出，需要人来判断和负责，不构成任何投资建议。）
但模型和文字是一回事，好不好看、能不能直接拿出手是另一回事。我又调了 Claude 的 frontend-design 技能，把这堆数字和结论，变成了一份深色排版、带估值「足球场」图、数字滚动动效的投资建议页——和你正在看的这篇文章，是同一套设计能力做出来的。「AI 出分析 → AI 出能直接交付的精美成品」这条链，现在是通的。
五、三个坑：分清哪层今天能用、哪层要等
实测过程里踩了三个坑，全说出来，省得你也踩：
坑一·官方仓库的 JSON bug。 就是开头那个：financial-analysis/.mcp.json 缺逗号缺括号，解析不过。手动补完即可。它顺带告诉你一件事——这套工具默认你有工程能力，目标用户不是纯业务岗，而是「懂点代码的金融人」或者「懂点金融的开发者」。
坑二·12 个数据连接器，全是「睡着的」。 financial-analysis 自带一长串重量级数据源：FactSet、PitchBook、Morningstar、Moody’s、Daloopa、S&P/Kensho、LSEG、Box……听着豪华。但它们全是付费企业级数据接口，要授权登录，没订阅就处于休眠（dormant）状态，连不上。好消息是：skill 和斜杠命令跟数据层是解耦的。 没有任何一个订阅，你照样能跑 DCF 的骨架——数据自己喂（公开财报、监管文件、网页），模型照样成立。我给苹果建模，一个付费数据源都没连。
坑三·文档让你跑的脚本，根本没随包发。 skill 文档里反复让你跑一个 recalc.py 做公式重算质检，但这个脚本压根没在仓库里，本机也没装它依赖的环境。我的绕法是：用 openpyxl 写活公式，再用一个叫 pycel 的公式引擎把整张表真算一遍、逐格核对。
这一步当场抓出一个 bug：有一张敏感性表的中心格，算出来的数明显不对——它本该正好等于模型主算出的估值。根因是一个公式把参数引错了行号，贴现率被算成了 100% 以上。改对。要不是用引擎逐格验，这个错就跟着报告发出去了。 这也是想提醒你的：AI 能把表搭得飞快，但「每个汇总格能不能勾稽回它的来源」这道核对，还得人来过一遍。
把这三个坑总结成一张「今天能用度」表：
| 层级 | 状态 | 说明 |
|---|---|---|
| skill / 斜杠命令层 | ✅ 今天就能跑 | 零订阅，自己喂数据即可 |
| Agent 层 | 🟡 需要会 debug | 偶有上游小 bug，得自己接 |
| 付费数据连接器层 | 🔒 需企业订阅 | 没订阅就休眠，但不挡你用上面两层 |
想自己上手？挑你要的装（Claude Code）
# 1. 添加官方插件市场
claude plugin marketplace add anthropics/financial-services
# 2. 地基：核心垂直插件（建议先装）
claude plugin install financial-analysis@claude-for-financial-services
# 3. 其他垂直插件（按需）
claude plugin install investment-banking@claude-for-financial-services
claude plugin install equity-research@claude-for-financial-services
# 4. Agent —— 每个是一个端到端工作流（按需）
claude plugin install pitch-agent@claude-for-financial-services
claude plugin install gl-reconciler@claude-for-financial-services
claude plugin install market-researcher@claude-for-financial-services
# 5. 重载生效
/reload-plugins不用全装——上面只是示例。20 个插件的名字第二节全列了，想要哪个，把名字接上 @claude-for-financial-services 就能装（比如 statement-auditor@claude-for-financial-services）。装完 /dcf /comps 这些斜杠命令、以及各个 Agent 就都能用了。
如果你用的是 Claude Cowork（不是命令行）：设置 → 插件 → 添加插件 → 粘贴仓库地址 github.com/anthropics/financial-services，在列表里勾选要装的即可。
⚠️ 装完 financial-analysis 记得先补 .mcp.json 那个逗号和右括号（见坑一），否则它的数据连接器会加载失败——但 skill 和 /命令 不受影响，照样能用。
如果你是机构、想把它接进自己的系统（而不是个人桌面用），还有第三条路——Managed Agents API：设好 ANTHROPIC_API_KEY，跑一句 scripts/deploy-managed-agent.sh gl-reconciler，部署脚本会自动解析模板、上传 skill、建好子 Agent，并注册到 /v1/agents。这就是开头说的「两种部署、同一套 skill」里偏机构的那条路。
装完有哪些命令？高频速查
fund-admin 和 operations 是纯 skill / Agent，没有斜杠命令；其余几个垂直插件装上后，你会多出这些 /命令（挑高频的）：
- 财务分析：
/dcf估值 ·/comps可比公司 ·/lbo杠杆收购 ·/3-statement-model三表 ·/ppt-template学 PPT 模板 ·/debug-model查错 - 投行：
/cim保密备忘录 ·/teaser匿名简介 ·/buyer-list买方名单 ·/merger-model并购模型 ·/process-letter流程函 ·/deal-tracker交易追踪 - 股票研究：
/initiate首次覆盖 ·/earnings财报点评 ·/morning-note晨会 ·/thesis投资逻辑 ·/screen选股 ·/sector板块 ·/catalysts催化剂日历 - 私募股权：
/source找标的 ·/ic-memo投委会备忘 ·/dd-checklist尽调清单 ·/returns回报测算 ·/unit-economics单位经济 ·/portfolio组合监控 - 财富管理：
/financial-plan财务规划 ·/rebalance再平衡 ·/tlh税损收割 ·/client-review客户回顾
六、这对三种人，分别意味着什么
对金融从业者： 你的「怎么做」正在被编码。框架——一份 DCF 长什么样、一次对账分几步——正在变成开源的 skill。当框架不再是壁垒，竞争力就整体迁移到了假设的质量和判断的校准上：不是会不会搭表，是知不知道哪个数字「不对劲」。
对企业 IT： Cowork 插件和 Managed Agents API 是两条战略不同的路。插件是「让人更快」，API 是「把工序接进系统」。从官方把 API 部署写进 cookbook 的力度看，它更想推的是后者——不是卖给个人一个更快的助手，是把方法论嵌进机构的流水线。
对开发者： 这个仓库本身就是一份礼物——它是 20 个垂直 SaaS 方向的、可执行的产品 spec。 gl-reconciler、kyc-screener、statement-auditor，每一个单拎出来都是一条独立赛道，而且 Anthropic 已经帮你把「这个产品该做什么」用 skill 写清楚了。剩下的，是谁先把它做成一个真正好用的产品。
顺手说一句：它是样板间，不是成品
官方自己的定位就是「reference（参考样板）」——给你照着改的底子，不是开箱即用的终版。最值得改的四处：① 把 .mcp.json 的数据源换成你们自己的数据平台；② 在 skill 文件里注入本公司的术语、口径、格式模板；③ 用 /ppt-template 让它学会你们的 PPT 风格；④ 编辑 agents/<slug>.md，把 Agent 的职责边界改成贴合你们实际流程的样子。
这恰好印证了开头那句：它卖的是「方法论」——而方法论本来就该按每家机构的打法去调。金融行业缺的从来不是通用 AI，是能嵌进自己流程、权限、模板、合规边界的那种 AI。
收尾
工具会一茬茬地换。但这个仓库讲清楚了一件值得记住的事：当「怎么做」被开源成 skill，专业的门槛就从「会不会做」，挪到了「判断得准不准」。
AI 把搭建的成本打到接近零，剩下真正稀缺的，是知道哪个假设该填几、哪个数字一眼看上去不对劲、以及——像那张敏感性表一样——肯花时间把每一格再核一遍。
这不是某一个行业的事。是所有靠专业判断吃饭的人，都得开始面对的事。
你是金融从业者、开发者，还是单纯好奇 AI 能干到哪一步？这 20 个插件里，哪一个最戳你？
如果这篇帮你把这件事看明白了，欢迎转给身边那个在琢磨「AI 到底能不能替代专业工作」的朋友。这次苹果 DCF 的全部产物（模型 + HTML + PDF）和更多实测 devlog，都在站内其他文章里。
关注公众号 Awkthole，第一时间看新的 AI 工具实测。
信源（官方一手）
- Anthropic · anthropics/financial-services（开源仓库，20 插件目录与 marketplace 清单）：github.com/anthropics/financial-services
- Anthropic · Agents for financial services（10 个预构建 Agent + Moody’s 集成）：anthropic.com/news/finance-agents
- Anthropic · Managed Agents API（/v1/agents 部署）：docs.claude.com/en/api/managed-agents
- 本次实测产物（模型 / HTML / PDF / 构建脚本）：本地
~/dcf-models/，索引见站内其他 devlog
免责声明：本文所有估值内容仅为 AI 工具能力的方法论演示，使用公开数据与作者自设假设，不构成投资、法律、税务或会计建议，不含任何买卖或价格方向判断。