32K stars、11分钟出一份Pitch Deck，FactSet的股价当天跌了8.1%

5月5号，Anthropic在纽约搞了一场闭门发布会。台上站了两个人：Anthropic CEO Dario Amodei，和JPMorgan CEO Jamie Dimon。

他们发布了10个金融AI Agent模板，全部开源，扔在了GitHub上。

当天收盘，FactSet跌了8.1%。Morningstar跌了3%以上。S&P Global和Moody's同步下滑。

市场把这个发布会定价成了对传统金融数据产业链的生存威胁。不是"又来一个AI demo"的那种反应，是"这东西会吃掉我们30年生意"的那种。

三周后，仓库32K stars。有人在36小时内拿所有10个Agent跑了20个真实任务，最震撼的结果是：Pitch Builder在11分钟内生成了24页M&A Pitch Deck、一份Excel可比公司模型，还有一封Outlook邮件草稿。

同样一份交付物，一个时薪200美元的分析师，计费5小时。

这不是渐进式改进。这是数量级差距。

● ● ●

不只是"又一个AI Agent"

区别在哪？这套东西不是"一个能聊天的金融助手"。它是一套Agent生产系统。

每个Agent包装了三样东西：技能（领域知识+工作流程指令）、连接器（对特定数据源的受控访问）、子代理（多个Claude模型协同完成子任务）。

结构是这样的：

仓库根目录
├── 10个命名Agent（每个自包含，独立安装）
├── 7个垂直领域技能包（投行、股权研究、PE、财富管理...）
├── 2个第三方数据插件（LSEG、S&P Global）
├── Managed Agent部署模板（API无头运行）
└── Office 365插件管理工具

每个Agent同一个定义文件，两种部署方式：装成Claude Cowork桌面插件（分析师旁边协同干活），或者通过/v1/agents API部署成无头服务（夜间跑批、整本deal自动推进）。

Agent之间不直接调用。需要另一个Agent的输出时，发送方发一个handoff_request结构化事件，外部编排器（可以是Temporal、Airflow，甚至是他们给的参考脚本）接收事件、白名单验证目标、校验Schema后再路由。

这个设计刻意避免了"Agent调用Agent调用Agent"的失控链。

● ● ●

读写分离：一个Agent只有一个写权限

更有意思的是子代理权限模型。

以Pitch Agent为例，它有三个子代理：

• researcher：只读，拉可比公司、先例交易数据
• modeler：只读，跑估值模型
• deck-writer：唯一有写权限的那个，把前两步的结果组装成PPT

所有10个Agent都是这个模式：2-3个子代理，只有一个带Write权限，其余全部只读。

工具许可也是硬约束：Agent只能用已声明的MCP服务器工具。没有Bash，没有WebFetch，没有未声明的mcp__*。CI在每次PR和Push时自动跑plugin validate强制校验。

上一次修复后，校验结果是：80文件，0问题。

● ● ●

MCP成了金融数据的标准连接层

这套Agent接入的数据源有15+个：

FactSet、S&P Capital IQ、MSCI、Morningstar、PitchBook、Chronograph、LSEG、Daloopa、Dun & Bradstreet、Fiscal AI、Financial Modeling Prep、Guidepoint、IBISWorld、SS&C Intralinks，还有Box。

所有供应商通过MCP Server接入。意思是，任何一个数据商只需要实现一次MCP协议，所有Agent就能在受控权限下使用。

这不是技术标准之争。这是Anthropic在金融数据接入层的生态入口。

● ● ●

Claude钻进了Office四件套

这套Agent最"接地气"的一层，是Claude同时嵌入了Excel、PowerPoint、Word、Outlook。

不需要API调用，不需要切换到另一个工具。分析师在Excel里建财务模型，Claude在旁边帮你审计跨工作簿公式、跑敏感性分析。切到PowerPoint，上下文自动带过去——刚才的模型数据直接变成Deck里的图表。

Dispatch功能甚至允许你离开电脑时，通过文字或语音给Claude分配任务，让它继续处理本地文件。

● ● ●

11分钟 vs 5小时：当一个评测跑出了真东西

发布两天后，有人用全部10个Agent跑了20个真实任务。

Pitch Builder的结果最惊人。输入的是一份目标公司列表和交易假设，输出的是一份可直接使用的M&A工作文件：

一个24页的品牌化PPT，带可比公司分析、先例交易表、估值概要。一个Excel可比模型。一封Outlook邮件，总结核心论点。

从输入到全部交付：11分钟。

这不是"AI写了几段还凑合的文字"。这是一个完整的、可签批的工作产品。

● ● ●

这件事真正在说什么

32K stars是一个数字。64.37%的Vals AI Finance Agent基准分也是一个数字。Jamie Dimon站台是一个姿态。

但这些都不是故事的核心。

真正的信号是：市场已经定价了AI Agent对传统金融数据和分析价值链的替代效应。 不是5年后，是现在。

FactSet的商业模式是"数据+分析+人"。分析师买FactSet的终端来找可比公司、拉财务数据、跑模型。现在这些步骤被压缩到了一个Agent内部、11分钟内、不需要人类操作界面。

当数据层的价值从"提供原始数据"变成"提供结构化数据接入"，中间的信息加工链条——筛选、格式化、初版分析——就变成了Agent的工作。那些靠"信息加工"收费的环节，利润在被压缩。

这不是FactSet一家的事。是整条华尔街的"数据-分析-人"价值链。

● ● ●

那人类分析师去哪？

Anthropic在每个Agent的Readme里放了一行Disclaimer：

这些Agent起草的是分析师工作产品，供合格专业人员审查。它们不做投资建议，不执行交易，不承担风险，不记入总账，不审批入职。每份输出都需要人类签批。

人还在循环里，但角色变了。

从"信息收集+加工+输出"的人，变成了"审查+判断+决策"的人。不再花5小时做Pitch Deck的初版，而是花30分钟审查Agent的输出、调整假设、标注风险、给出专业判断。

这个变化不是"AI替代人"，是"把人的时间从加工信息转移到使用判断力"。

● ● ●

底线

Anthropic这次发布的不是一个产品。它发布的是一套Agent工业化部署的参考实现，从头到尾：

从数据连接（MCP）到领域技能注入（SKILL.md），到多子代理编排（agent.yaml），到双通道交付（桌面+API），最后到 CI 驱动的持续验证。

每一步都是源码可见的、可复制的。任何金融机构都可以fork这个仓库，把自己的估值模型、合规规则、审批流程填进去，几天内部署——不是几个月。

对自建金融Agent的人来说，这套东西可以直接对标：Agent定义格式、子代理安全模型、MCP连接标准、"技能即原子能力"的组织方式。不用从零设计。

而市场已经告诉我们，这条赛道的窗口在收窄。

参考仓库：github.com/anthropics/financial-services

官方公告：anthropic.com/news/finance-agents

第三方评测：pub.towardsai.net — "I Tested All 10 Anthropic Finance Agents on 20 Tasks"