Entwicklung von fähigkeitsbasierten Finanzanalyse-Agenten mit Claude, Python, MCP-Konnektoren und automatisierten Ergebnissen
Anthropic
In diesem Tutorial erstellen wir einen fortschrittlichen Workflow rund um das Repository für Finanzdienstleistungen von Anthropic und reproduzieren dessen fähigkeitsbasierte Architektur in reinem Python. Wir parsen die SKILL.md-Dateien in ein durchsuchbares Register, bauen einen wiederverwendbaren SkillAgent, der ausgewählte Finanz-Playbooks in die Anthropic Messages API injiziert, führen eine Discounted-Cashflow-Bewertung durch, generieren Sensitivitäts-Heatmaps, führen eine Vergleichsunternehmensanalyse durch und entwerfen ein Memo für den Anlageausschuss.
Dieses Tutorial zeigt, wie man einen fähigkeitsgesteuerten Finanzanalyse-Agenten mit dem Finanzdienstleistungs-Repository von Anthropic aufbaut. Es beginnt mit dem Klonen des Repositories, dem Installieren der Abhängigkeiten (anthropic, pandas, openpyxl, pyyaml, matplotlib) und dem Abbilden der Repository-Struktur, einschließlich Agent-Plugins, vertikaler Plugins, Partner-Integrationen und Managed-Agent-Cookbooks. Das System parst SKILL.md-Dateien in ein SkillRegistry und konstruiert dann eine SkillAgent-Klasse, die ausgewählte Finanz-Playbooks über die Anthropic Messages API mit Tool-Use-Schleife in das Claude-Modell injiziert. Der Agent führt eine synthetische Discounted-Cashflow-Bewertung für ein Unternehmen namens Meridian Software durch und berechnet den Unternehmenswert, den Eigenkapitalwert und den impliziten Aktienkurs. Es erstellt eine Heatmap zur Sensitivität von WACC gegenüber Terminalwachstum, führt eine Vergleichsunternehmensanalyse mit Excel-Ausgabe durch, entwirft ein Investment-Committee-Memo für Private Equity und inspiziert eine Bereitstellungsspezifikation eines Managed-Agents. Alle numerischen Arbeiten werden über ein Python-Ausführungstool erledigt, und die endgültigen Ergebnisse werden in einem 'outputs'-Verzeichnis gespeichert.
Quelle: MarkTechPost —
Original