Что такое ИИ-агент для финансов: собираем DCF-оценщик на Claude за 40 минут

Anthropic выложила на GitHub репозиторий financial-services с плагинами, «кулинарными книгами» (cookbooks) управляемых ИИ-агентов и файлами навыков SKILL.md, каждый из которых содержит методологию конкретной финансовой задачи. Туториал на Colab, ставший основой этого руководства, показывает, как склонировать репозиторий, собрать реестр навыков и запустить агента, который сам пишет Python-код, считает и сохраняет результат в файл.

Ниже адаптированная инструкция: что поставить, как запустить и где подправить под российские реалии.

Что понадобится?

• Google Colab (бесплатный тариф подойдёт) или локальный Python 3.10+
• API-ключ Anthropic с доступом к модели claude-sonnet-4-6 (платный, тарификация по токенам (токен, это единица текста, примерно три четверти слова))
• Библиотеки Python: anthropic, pandas, openpyxl, pyyaml, matplotlib
• VPN или прокси для доступа к API Anthropic из России
• Примерно 40 минут на первый запуск, включая разбор кода

Пошаговая инструкция

1. Установите библиотеки и склонируйте репозиторий

!pip install -q anthropic pandas openpyxl pyyaml matplotlib
!git clone --depth 1 https://github.com/anthropics/financial-services.git

Флаг --depth 1 скачивает только последнюю версию, без полной истории. Это экономит время и трафик.

2. Подключите API-ключ

В Google Colab добавьте ключ через меню «Секреты» (значок ключа на левой панели) под именем ANTHROPIC_API_KEY. Код из туториала сначала проверяет секреты Colab, затем переменные окружения, затем запрашивает ввод вручную:

import os, anthropic

os.environ["ANTHROPIC_API_KEY"] = "ваш_ключ"
client = anthropic.Anthropic()
MODEL = "claude-sonnet-4-6"

3. Постройте карту репозитория

Репозиторий устроен по папкам: agent-plugins, vertical-plugins, partner-built, managed-agent-cookbooks. Скрипт из туториала обходит их и считает навыки (SKILL.md) и команды:

import glob, pathlib

for kind, pattern in [
    ("agent",    "financial-services/plugins/agent-plugins/*"),
    ("vertical", "financial-services/plugins/vertical-plugins/*"),
    ("partner",  "financial-services/plugins/partner-built/*"),
    ("cookbook",  "financial-services/managed-agent-cookbooks/*"),
]:
    dirs = [p for p in sorted(glob.glob(pattern)) if os.path.isdir(p)]
    print(f"{kind}: {len(dirs)} модулей")

Вы увидите, сколько плагинов доступно и какие навыки в каждом.

4. Соберите реестр навыков

Каждый файл SKILL.md содержит YAML-заголовок (имя, описание) и тело с методологией. Парсер из туториала создаёт класс Skill и реестр SkillRegistry с поиском по ключевому слову:

registry = SkillRegistry()
skill = registry.get("dcf")
print(skill.name, skill.description[:200])

Этот реестр позволяет вставлять нужную методологию в системный промпт (системный промпт, это начальная инструкция, задающая поведение модели) агента.

5. Запустите агента с итеративным циклом инструментов

Архитектура SkillAgent из туториала работает так: вы передаёте навык и задачу, агент получает методологию в промпте, затем вызывает инструменты run_python (выполнить код) и save_file (сохранить файл) в цикле, пока задача не решена. Что такое ИИ-агент в этом контексте: программа, которая сама решает, какие шаги предпринять и какие инструменты вызвать для достижения цели, без пошаговых команд от пользователя.

result = skill_agent.run(
    skill_query="dcf",
    user_task="Рассчитай DCF для компании с выручкой 500 млн руб., "
              "темпом роста 8%, WACC 14%, терминальным ростом 3%."
)

6. Адаптируйте под российские реалии

Это ключевой шаг, которого нет в оригинальном туториале:

• Валюта. В промпте явно укажите: «Все расчёты в рублях. Ставка дисконтирования для российского рынка: укажи диапазон 12-18% WACC»
• Формат отчёта. Агент умеет генерировать Excel через openpyxl. Допишите в задачу: «Сохрани результат в формате .xlsx с листами DCF и Sensitivity»
• Мемо инвесткомитета. Один из навыков репозитория генерирует memo для private equity. Адаптируйте шаблон: «Формат мемо: тезис, мультипликаторы EV/EBITDA, риски, рекомендация. Язык: русский»

Что делать с этим прямо сейчас?

Финансовому аналитику или предпринимателю. Готовая архитектура экономит дни ручной работы на DCF и comp analysis. Но это не замена финансового аудита: агент считает по тем параметрам, которые вы задали, и не проверяет их адекватность. Используйте как черновик для обсуждения, а не как финальный документ.

Автору Дзена, пишущему про финансы. Разберите архитектуру skill-driven агента как тему для контента: что такое ИИ-агент на практике, как он отличается от простого чат-бота, почему навыковый подход (skill-based) точнее общих промптов. Скриншоты реальных расчётов в Excel дадут контенту конкретику, которой не хватает большинству обзоров.

Разработчику в РФ. Из российских альтернатив для задач попроще можно попробовать YandexGPT или GigaChat, но ни один из них пока не предлагает готового репозитория финансовых навыков с итеративным циклом инструментов. Архитектуру SkillAgent можно воспроизвести поверх любого API с поддержкой function calling.

Самый практичный шаг прямо сейчас: склонируйте репозиторий, запустите SkillRegistry и посмотрите список навыков. Даже без API-ключа вы получите набор финансовых методологий в формате Markdown, которые можно использовать как шаблоны для ручных расчётов или промптов к любой другой модели.