Anthropic扔出Claude金融智能体Python教程 零概念落地全行业抄作业

近期，一份由技术作者Sana Hassan整理的金融AI教程在资管圈和AI开发圈同步爆火。这套教程基于Anthropic官方开源的金融服务技能库，手把手教开发者用Claude和Python搭建可直接运行的技能驱动型金融分析智能体，没有冗余的概念演示，全是可落地的完整工作流，不少金融科技团队已经连夜拉群拆解代码，直接往自己的内部系统里改。

凌晨两点的上海陆家嘴环球金融中心，27层的某金融科技公司办公室还亮着半层灯。 负责AI投研系统的算法工程师把刚拉下来的代码仓库往测试环境一扔，端起冷掉的咖啡抿了一口。 对面的投研总监已经催了第三遍：「先测下财报分析和估值建模的模块，能不能直接接我们的内部数据库？」 屏幕上的终端还在滚动着依赖包安装的日志，光标每闪一下，都像敲在在场所有人的心上。

凌晨两点的陆家嘴：所有人都在扒同一份代码

这份教程的传播速度远超很多人的预期。 从海外技术圈传到国内金融圈，只用了不到一周时间，已经在几十个金融科技、量化投资的核心社群里被反复转发。 上到券商总部的金融科技部，下到十几个人的小型私募，都在盯着这套代码。

很多人第一次看到教程的时候，第一反应是「不可能吧」。 毕竟过去两年，大家见过太多金融AI的概念演示：PPT做得天花乱坠，demo看起来无所不能，真要拿到生产环境一用，不是数据错漏就是逻辑崩盘。 但这次不一样。 这套教程不是演示文稿里的空中楼阁，是实实在在能跑起来的完整工作流——从环境配置到技能调用，从代理逻辑到数据对接，每一步都有可直接复用的Python代码。

说到这个，就得提一下很多人之前对金融AI的误解。 很多人以为，金融AI就是给大模型喂一堆研报、财报，然后让它直接生成分析结论。 这种模式看起来简单直接，但有一个致命的问题：幻觉。 大模型本质上是生成式的，它会根据概率「补全」答案，遇到不确定的数据，很可能会编一个看起来很合理的数字出来。

这也是为什么之前很多金融机构做AI投研，做了一年多还是只能用来写个初稿，根本不敢上生产。 金融行业对数据准确性的要求，是零容错的。 普通的客服AI说错一句话，道个歉就能解决；金融AI说错一个数字，可能就是几百万的损失，甚至是监管处罚。

和普通的大模型金融应用比，这次的智能体逻辑完全不同。 前者是「我觉得答案是这样」。 后者是「我调用工具算出了结果，现在整理给你」。 这才是核心差距。

它的核心思路是「技能驱动」：不让大模型自己生成所有内容，而是让它当调度员，调用已经写好的、经过验证的金融技能工具，最后把工具返回的结果整理成自然语言的分析报告。 对于天天跟数据打交道的金融人来说，这种「不瞎编」的AI，才是他们真正愿意用的AI。

被幻觉坑怕的资管圈：等这一天等了太久

业内不乏大模型生成研报数据失真导致的合规事故。 某头部券商的AI研报产品上线没多久，就因为数据错误被用户投诉，最后悄悄下线了相关功能；某私募用大模型做基本面分析，因为错算了某公司的毛利率，导致策略回撤了好几个点。 这些事在圈子里传得多了，大家对金融AI的态度就变成了：看起来很美，但不敢真用。

金融AI的落地，从来不是技术问题，是信任问题。 你怎么证明AI给出的数字是对的？ 你怎么让基金经理敢把AI的结论当参考？ 你怎么跟监管解释AI的决策逻辑？ 这些问题不解决，再厉害的大模型也只能是玩具。

技能驱动的思路，刚好踩中了所有痛点。 所有的核心计算、数据获取，都由经过验证的工具模块完成，每一步都有迹可循，每一个数字都能溯源。 大模型不做判断，只做翻译和调度——把人类的自然语言需求，翻译成工具能理解的指令，再把工具返回的结构化数据，翻译成人类能看懂的分析报告。 相当于给大模型套了一层「安全壳」，既保留了大模型的灵活性，又守住了金融行业的准确性底线。

顺着这个话题，再聊聊Anthropic为什么要做这个金融技能库。 和OpenAI主打通用大模型的路线不同，Anthropic一直在垂直行业深耕，尤其是金融、法律这些对准确性、合规性要求极高的行业。 早在去年，Anthropic就已经和多家华尔街投行合作，打磨金融场景的大模型应用，这套技能库，本质上就是他们把行业最佳实践打包后的产物。

它不是从零开始的实验品，是已经在真实业务里跑过的成熟框架。 这才是这份教程最有杀伤力的地方——它不是一个学生做的练手项目，是一套可以直接搬到生产环境用的专业框架。 你不需要自己去一个个写金融工具，不需要去调几百行prompt防幻觉，甚至不需要懂太多金融工程的知识，只要跟着教程走，就能搭出一个能用的金融分析智能体。

拆解核心逻辑：一个智能体凭什么敢做金融分析

很多人可能好奇，这个能跑的金融分析智能体，到底是怎么构成的？ 教程里把整个智能体拆成了四个核心部分，每一部分都可以单独修改、扩展，灵活度极高。

第一部分是Claude大模型，也就是整个智能体的「大脑」。 它负责理解用户的自然语言需求，判断这个问题需要用到哪些金融技能，然后把任务拆解成一步步的操作，最后把工具返回的结果整理成通顺的分析报告。 为什么选Claude而不是其他大模型？ 一方面是因为这套技能库本身就是Anthropic官方开发的，和Claude的适配性最好，调度的准确率最高；另一方面，Claude的长文本处理能力更强，能一次性处理几十页的财报、研报，更适合金融场景的需求。

第二部分是金融技能库，也就是「工具箱」。 这里面装了各种各样的金融专用工具，比如财报结构化解析、上市公司基本面查询、估值模型计算、行业数据对比、风险指标测算等等。 每一个工具都是经过验证的Python函数，输入输出都是标准化的结构化数据，不会出现幻觉，也不会出现计算错误。 你还可以根据自己的业务需求，往里面加新的技能模块，比如你是做量化的，可以加量价因子计算的工具；你是做风控的，可以加合规风控的工具。

第三部分是代理调度框架，也就是「中枢神经」。 这部分用Python写就，负责把大模型和技能库打通，接收用户的问题，传给大模型做任务拆解，然后调用对应的技能工具，再把结果返回给大模型做整合。 它还带了记忆模块，能记住之前的对话内容，支持多轮的复杂分析。 比如你先让它查某公司的去年营收，再让它算同比增速，最后让它和行业平均水平做对比，它不用你重复前提，就能顺着之前的上下文继续做分析。

第四部分是数据源接口，也就是「弹药库」。 教程里留了标准化的数据接口，你可以接公开的财经数据API，也可以接自己公司的内部数据库，甚至可以接Wind、Choice这些专业金融终端的数据。 数据是金融分析的基础，有了标准化的接口，你不用改核心代码，只要换数据源就行，完全适配不同机构的需求。

说实话，我之前完全没想到，Anthropic会把这么核心的东西直接开源出来。 之前很多大厂也做过金融大模型，但都是封闭的云服务，你只能调用它的API，不能改代码，不能私有化部署，所有数据还要传给它，对于金融机构来说，这根本没法用——谁也不敢把自己的核心数据放到别人的服务器上。 而这套框架完全是开源的，你可以把所有东西都部署在自己的服务器上，数据不用出内网，完全符合金融行业的合规要求。

这才是真正的降维打击。

落地门槛骤降：金融AI的战争要换赛道了

之前，一个中小金融机构要做一套自己的AI投研系统，需要付出什么代价？ 首先要搭一个专业的团队，既要懂大模型开发，又要懂金融业务，这种复合型人才本来就少，招人成本极高。 然后要花大量时间做需求调研、模型微调、工具开发、系统测试，前前后后投入大量资源，最后做出来的东西还不一定能适配业务需求。 这也是为什么之前金融AI都是头部机构的玩具，中小机构根本玩不起。

现在有了这套开源框架，情况完全不一样了。 一个有Python基础的算法工程师，只要懂一点基本的金融常识，花很短的时间就能搭出一套能用的金融分析智能体，成本和之前比，根本不在一个数量级上。 之前想都不敢想的AI投研、AI风控、AI客服，现在中小机构也能快速落地试用。

门槛降低之后，整个行业的竞争逻辑都会变。 之前大家拼的是谁的大模型参数大，谁的发布会开得热闹，谁的PPT做得好看。 现在拼的是谁能把技能库做得更全，谁能更好地结合具体的业务场景，谁的数据积累更深。 大模型本身不再是壁垒，真正的壁垒是对金融业务的理解，是行业数据的沉淀，是技能模块的丰富度。

这意味着，金融AI的战争，已经从大模型层，下沉到了应用层和数据层。 Anthropic开源这套技能库，本质上是在抢金融行业的大模型标准。 只要越来越多的开发者和机构用它的技能库，用它的Claude API，它就会成为金融AI领域的事实标准，到时候不管你做什么金融AI应用，都绕不开它的生态。 这和当年安卓开源抢占手机操作系统市场的逻辑，一模一样。

棋局已经摆开。 以前是几家大模型厂商在台上打架，金融机构在下面看戏。 现在是Anthropic直接把武器发给了所有玩家，所有人都能下场做自己的金融AI应用。 接下来的一两年，我们会看到大量基于这套框架的金融AI应用冒出来，从投研到风控，从客服到运营，几乎所有的金融业务场景，都会被重新做一遍。

硬币的另一面：智能体能替基金经理做决策吗？

看到这里，很多人可能会问：既然这个智能体这么厉害，以后是不是能取代金融分析师，甚至替基金经理下单？ 答案是：不能。 至少现在还不能。

技能驱动的智能体，擅长的是有明确规则、有结构化数据的工作。 比如算估值、查财报、做数据对比、写标准化的分析报告，这些它做得又快又准。 但金融分析的核心，从来不是这些基础工作。 真正有价值的金融分析，是对行业格局的判断，对公司管理层的理解，对宏观政策的解读，对市场情绪的感知，这些都是没有明确规则的，也是大模型和智能体暂时做不到的。

而且金融行业有严格的合规要求，所有的投资决策都需要人来负责。 智能体给出的分析结果，只能作为参考，不能直接作为决策依据。 要是真的让AI自己下单，赚了还好说，亏了算谁的？出了风险谁来担？这些问题到现在都没有明确的答案。

回到最开始的那个问题：这份教程到底意味着什么？ 它不是来取代金融人的，而是来解放金融人的。 之前一个分析师，大部分时间都花在找数据、算指标、整理报告这些基础工作上，真正用来思考、用来做判断的时间，少得可怜。 有了智能体之后，这些重复性的基础工作都可以交给AI来做，分析师可以把更多的时间花在真正有价值的深度思考上。

金融行业的核心竞争力，从来不是谁算得快，谁找数据找得全。 而是谁能在纷繁复杂的信息里，看到别人看不到的趋势，做出别人做不出的判断。 工具永远只是工具，真正能创造价值的，永远是使用工具的人。

但不可否认的是，一个新的时代已经来了。 未来的金融行业，不会被AI取代。 但会用AI的金融人，一定会取代不会用AI的人。

相关链接

• 官方GitHub仓库
  ：https://github.com/anthropics/financial-services