Xây dựng AI Agent phân tích tài chính dựa trên kỹ năng với Claude và Python

Trong bài hướng dẫn này, chúng ta sẽ xây dựng một quy trình làm việc nâng cao dựa trên kho lưu trữ financial-services của Anthropic và tái tạo kiến trúc hướng kỹ năng (skill-driven architecture) của nó bằng Python thuần. Chúng ta bắt đầu bằng việc cài đặt các thư viện cần thiết, sao chép (clone) kho lưu trữ và lập bản đồ theo chương trình cho các tác nhân (agents), plugin theo ngành dọc (vertical plugins), tích hợp đối tác, các cookbook cho tác nhân được quản lý (managed-agent cookbooks) và các kỹ năng phân tích tài chính. Sau đó, chúng ta phân tích cú pháp các tệp SKILL.md của kho lưu trữ thành một danh mục có thể tìm kiếm và xây dựng một SkillAgent có khả năng tái sử dụng, giúp đưa các playbook tài chính đã chọn vào Anthropic Messages API, đồng thời hỗ trợ vòng lặp sử dụng công cụ lặp lại cho các tính toán Python và tạo tệp. Sử dụng kiến trúc này, chúng ta thực hiện định giá chiết khấu dòng tiền (DCF) tổng hợp, tạo bản đồ nhiệt độ nhạy cảm (sensitivity heatmap) cho WACC và tăng trưởng cuối kỳ, thực hiện phân tích các công ty tương đương với đầu ra Excel được định dạng, soạn thảo bản ghi nhớ cho ủy ban đầu tư vốn cổ phần tư nhân và kiểm tra đặc tả triển khai tác nhân được quản lý mà không cần gửi yêu cầu triển khai thực tế.

Chúng ta cài đặt các thư viện Python cần thiết, sao chép kho lưu trữ financial-services của Anthropic và chuẩn bị môi trường thực thi Google Colab. Chúng ta truy xuất khóa Anthropic API từ các bí mật (secrets) của Colab, biến môi trường hoặc lời nhắc tương tác bảo mật. Sau đó, chúng ta khởi tạo Anthropic SDK chính thức và chọn mô hình Claude để vận hành các quy trình phân tích tài chính.

Chúng ta kiểm tra cấu trúc kho lưu trữ và xác định các plugin tác nhân, plugin theo ngành dọc, tích hợp đối tác, các cookbook cho tác nhân được quản lý và các lệnh khả dụng. Chúng ta định vị các tệp cấu hình MCP và hiển thị các trình kết nối dữ liệu tài chính bên ngoài được định nghĩa trong kho lưu trữ. Sau đó, chúng ta phân tích cú pháp từng tệp SKILL.md, trích xuất siêu dữ liệu YAML và phương pháp luận của nó, đồng thời đăng ký mọi kỹ năng duy nhất để có thể tìm kiếm.

Chúng ta định nghĩa các công cụ cho phép Claude thực hiện các tính toán Python và lưu các sản phẩm được tạo bên trong môi trường Colab. Chúng ta xây dựng một không gian tên Python bền vững (persistent Python namespace) để các mô hình số, bảng và biến trung gian vẫn khả dụng qua nhiều lượt tác nhân. Sau đó, chúng ta tạo lớp SkillAgent, đưa các playbook tài chính đã chọn vào lời nhắc hệ thống (system prompt) của nó và quản lý vòng lặp sử dụng công cụ của Anthropic Messages API.

Chúng ta cung cấp các giả định vận hành tổng hợp và hướng dẫn tác nhân kỹ năng DCF xây dựng định giá dòng tiền không đòn bẩy trong năm năm. Chúng ta sử dụng công cụ thực thi Python để tính toán giá trị doanh nghiệp, giá trị vốn chủ sở hữu, giá cổ phiếu ngụ ý và ma trận nhạy cảm hai chiều. Sau đó, chúng ta trích xuất các kết quả nhạy cảm có cấu trúc và trực quan hóa mối quan hệ giữa WACC, tăng trưởng cuối kỳ và định giá ngụ ý thông qua bản đồ nhiệt.

Chúng ta cung cấp một tập hợp các công ty ngang hàng tổng hợp và tính toán giá trị doanh nghiệp, các bội số EV-trên-doanh thu, EV-trên-EBITDA và giá-trên-thu nhập (P/E). Chúng ta chuyển đổi phản hồi JSON có cấu trúc của tác nhân thành các DataFrame về công ty tương đương và thống kê tóm tắt chi tiết. Sau đó, chúng ta xuất phân tích sang tệp Excel nhiều trang tính và áp dụng định dạng tiêu đề chuyên nghiệp cùng tính năng tự động điều chỉnh kích thước cột.

Chúng ta áp dụng kỹ năng soạn thảo bản ghi nhớ cho ủy ban đầu tư vào một thương vụ mua lại phần mềm giả định và tính toán các chỉ số lợi nhuận hỗ trợ bằng Python. Chúng ta lưu bản ghi nhớ kết quả dưới dạng tệp Markdown và xác minh rằng tệp đã tạo tồn tại trong thư mục đầu ra. Sau đó, chúng ta kiểm tra một cookbook tác nhân được quản lý, hiển thị đặc tả triển khai và kết thúc bằng việc xem xét các thành phần đã tạo và các khả năng mở rộng sản xuất tiềm năng.

Bằng cách hoàn thành bài hướng dẫn này, chúng ta triển khai một phương pháp tiếp cận thực tế dựa trên Colab cho các kỹ năng và khung tác nhân tài chính của Anthropic, đồng thời bảo toàn cách tiếp cận phân tích tài chính dựa trên phương pháp luận của kho lưu trữ. Chúng ta kết hợp việc khám phá kỹ năng có cấu trúc, xây dựng lời nhắc hệ thống động, thực thi Python bền vững, điều phối công cụ dựa trên API và tạo sản phẩm tự động trong một quy trình làm việc có thể tái sử dụng duy nhất. Chúng ta cũng chứng minh cách cùng một kiến trúc tác nhân hỗ trợ nhiều trường hợp sử dụng tài chính, bao gồm định giá DCF, phân tích giao dịch tương đương, kiểm tra độ nhạy, báo cáo Excel và chuẩn bị bản ghi nhớ ủy ban đầu tư. Từ đây, chúng ta mở rộng hệ thống bằng cách tải thêm các kỹ năng, kết hợp nhiều playbook định giá, kết nối với các nhà cung cấp dữ liệu tài chính được cấp phép thông qua tích hợp MCP và thay thế môi trường sandbox của bài hướng dẫn bằng môi trường thực thi sản xuất có kiểm soát trong Claude Code, Cowork hoặc Managed Agents.

Xem mã nguồn đầy đủ tại đây. Ngoài ra, hãy thoải mái theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit ML 150k+ của chúng tôi và đăng ký Bản tin của chúng tôi. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo HOẶC trang Hugging Face HOẶC Ra mắt sản phẩm HOẶC Hội thảo trực tuyến, v.v.? Hãy kết nối với chúng tôi.

Sana Hassan, thực tập sinh tư vấn tại Marktechpost và là sinh viên bằng kép tại IIT Madras, rất đam mê việc ứng dụng công nghệ và AI để giải quyết các thách thức trong thế giới thực. Với sự quan tâm sâu sắc đến việc giải quyết các vấn đề thực tiễn, anh mang đến một góc nhìn mới mẻ về sự giao thoa giữa AI và các giải pháp trong đời sống.