Anthropic 開源 10 個金融 Agent，背後是一套新組織方式
整理版優先睇
Anthropic 開源 10 個金融 Agent，揭示未來公司將崗位拆解成 Agent 工作流的新組織方式。
呢篇文章係由周知撰寫，佢觀察到 Anthropic 開源咗 10 個金融 Agent 模板，覆蓋 Pitch、財報審閲、總賬對賬等工作。作者認為，重點唔係金融，而係背後嘅組織方式變革：未來公司嘅崗位會被拆成一套套可以運行、可以交接、可以覆核、可以審計嘅 Agent 工作流。
傳統 AI 只係「聰明回答者」，但呢批 Agent 係圍繞流程設計——佢哋會自動攞資料、做分析、生成底稿，最後先交畀人簽字。作者指出，問答型 AI 嘅最小單位係一個問題，Agent 型 AI 嘅最小單位係一條工作流。只有後者先能夠真正進入組織，承接重複、複雜、高成本嘅工作。
Anthropic 特別揀金融行業做示範，因為金融工時貴、重複性高、流程標準化、依賴多種上下文，而且有嚴格審計要求。但作者強調，呢次發佈更值得留意嘅係一班新組織方式：崗位會被拆成五層——人嘅判斷、流程步驟、數據連接、工具執行、審計留痕。未來公司會從「人 + 軟件」變成「人 + Agent 組」，人唔再親自做每一個步驟，而係做管理者。最後，作者提供一個具體方法：用五步將任何重複崗位 Agent 化，第一步就係定義清楚交付物。
- 結論：Anthropic 開源嘅唔係單純金融工具，而係展示咗未來公司點樣將崗位拆成 Agent 工作流。
- 方法：企業 AI 嘅第一步係拆工作流，將重複、穩定輸入輸出嘅任務流程化。
- 差異：問答型 AI 最小單位係問題，Agent 型 AI 最小單位係工作流，後者先能夠進入真實組織。
- 啟發：未來公司會從「人+軟件」變成「人+Agent組」，人嘅角色轉向管理者。
- 可行動點：用五步法將崗位 Agent 化：定義交付物、寫下人工流程、沉澱成 skill、接入最小數據集、設計覆核同留痕。
10個Agent嘅本質：由回答問題到接管流程
Anthropic 呢批金融 Agent，唔係一般嘅聊天助手。佢哋唔係等你問問題然後畀答案，而係圍繞流程設計，由頭到尾執行一個完整工序。例如 Pitch Agent 會自動做可比公司分析、生成模型、整理材料，最後輸出可以放入 PowerPoint 嘅 pitchbook。
呢個變化好關鍵：問答型 AI 嘅最小單位係一個問題，但Agent 型 AI 嘅最小單位係一條工作流。以前 AI 只係幫手寫一段、分析一下，而家佢開始接管成個流程，包括輸入、規則、工具、數據、中間結果、異常處理、最終交付，甚至覆核同簽字。
公司真正花錢嘅地方，從來唔係單個問題，而係重複發生、流程複雜、錯誤成本高、又必須留痕嘅工作。
點解從金融開始？
金融行業唔係最簡單，但佢好適合展示 Agent 嘅價值。作者列出五個原因，全部同組織效率有關：
- 1 金融嘅單位時間好貴，大量高成本專業人士浪費喺複製數據、改格式呢類低價值工作上，形成組織浪費。
- 2 金融高度重複，Pitch、DCF、月結呢類工作有大量穩定動作，好容易自動化。
- 3 金融高度流程化，每個分析結果都要有數據來源、方法口徑、底稿同審批，Agent 可以跟足流程。
- 4 金融高度依賴上下文，Excel、PowerPoint、CRM、研究平台等系統分散，Agent 可以幫手搬運上下文。
- 5 金融高度需要審計，而 Anthropic 嘅 Agent 清楚標明邊界——只產出底稿，唔做投資建議，呢種邊界成熟先可以入到企業。
新組織方式：崗位拆成5層
Anthropic 將每個 Agent 模板打包成三件嘢：skills、connectors、subagents。作者認為，呢個結構其實係預演未來崗位嘅拆法——所有崗位都會被拆成五層。
- 1 第一層：人的判斷——人定義目標、確認邊界、處理例外、承擔責任。
- 2 第二層：流程步驟——即係個崗位點樣做事，先睇咩資料、咩情況要標紅、咩情況要升級。
- 3 第三層：數據連接——connectors，Agent 要喺授權範圍內進入 CRM、文檔庫、表格等系統。
- 4 第四層：工具執行——skills 同 commands，例如做 comps、建 DCF、審 Excel，沉澱成可複用能力。
- 5 第五層：審計留痕——記錄所有調用同判斷，確保可追溯。
未來公司：人 + Agent 組
作者提出一個模型：未來公司嘅基本結構會從「人 + 軟件」變成「人 + Agent 組」。人唔再親自做每一個步驟，而係做管理者，定義目標、分派任務、檢查異常、做最終確認。Agent 組負責推流程：一個讀材料，一個選可比公司，一個檢查方法論，一個審公式，一個生成底稿。
呢個結構仲會改變組織形式——一個崗位可能變成一份文件目錄。作者展示咗一個範例結構，體現咗「崗位文件化」嘅思路：
finance-agent/
├── AGENTS.md
├── skills/
│ ├── comps-analysis/SKILL.md
│ ├── dcf-model/SKILL.md
│ └── excel-audit/SKILL.md
├── connectors/
│ ├── market-data.md
│ ├── document-store.md
│ └── crm.md
├── subagents/
│ ├── comps-selector.md
│ ├── methodology-checker.md
│ └── formula-auditor.md
├── evals/
│ └── expected-outputs.md
└── approvals.md呢個結構值得抄，唔係抄金融模板，而係抄呢種將工作經驗同流程文件化嘅方法。
可複製方法：5步Agent化一個崗位
作者認為，企業 AI 嘅第一步唔係訓練大模型，而係拆工作流。佢提供一個五步法，任何公司都可以用：
- 1 第一步：定義交付物——例如「每週一上午生成一份高風險續費客戶清單」，越清楚越好。
- 2 第二步：寫下人工流程——將老員工嘅經驗拆出來，包括開咩系統、睇咩字段、超標點做、最後發畀邊個。
- 3 第三步：沉澱成 skill——skill 要寫明輸入、輸出、規則、禁區、檢查清單、邊界條件。
- 4 第四步：接入必要數據——先揾最小數據集，例如 CRM、表格、文檔庫，唔好一開始接曬所有系統。
- 5 第五步：設計複核同留痕——邊個批准？邊啲輸出只可以係草稿？邊啲動作唔準自動化？日誌邊個睇？呢步決定 Agent 係玩具定係企業工具。
作者強調：冇複核同留痕嘅 Agent，越能幹越危險；一個邊界清楚嘅 Agent，先可以進入真實組織。
Claude 開始接觸金融啦。Anthropic 發佈咗 10 個金融 Agent 模板。
佢哋涵蓋嘅場景好具體。做 Pitch。
準備客戶會議。審閲財務報告。整金融模型。做市場研究。覆核估值。
總賬對賬。月結。審計報表。篩查 KYC 文件。
呢個好容易被理解成一次「金融行業工具發佈」。
但我覺得，重點唔喺金融。
重點喺組織。
Anthropic 今次真正展示嘅，唔係 Claude 識做幾個金融任務，而係未來公司裏面嘅好多崗位，會俾人拆成一套套可以運行、可以交接、可以覆核、可以審計嘅 Agent 工作流程。
呢件事比 10 個模板本身更加重要。
0110 個 Agent 係咩？
先唔好將佢理解成 10 個聊天助手。
聊天助手嘅工作方式係：
你問一個問題。
佢俾一個回答。
你再將回答複製到 Excel、PPT、Word、郵件裏面。
成個過程裏面，AI 只係一個「聰明回答者」。
而 Anthropic 今次開源嘅金融 Agent，唔係圍繞問題設計嘅。
佢哋圍繞流程設計。
Pitch Agent 唔係回答「點樣做一份融資路演材料」。
佢要從目標公司列表開始，做可比公司分析，生成模型，整理材料，再輸出一份可以入到 PowerPoint 嘅 pitchbook。
Earnings Reviewer 唔係解釋一份財務報告。
佢要讀電話會議紀要同文件，更新模型，標出影響投資邏輯嘅變化，再形成分析筆記。
GL Reconciler 唔係話畀你知「總賬對賬係咩」。
佢要揾差異，追查根因，生成待覆核結果，再將需要人手簽名嘅地方交出來。
呢個就係關鍵變化。
問答型 AI 嘅最小單位，係一個問題。
Agent 型 AI 嘅最小單位，係一條工作流程。
02AI 由回答問題變成接管流程
過去好多人用 AI，停喺「幫我寫一段」「幫我分析一下」「幫我總結一下」。
呢個當然有價值。但佢冇真正進入組織。
佢只係企喺人側邊，幫人做某個片段。
Agent 唔同。
Agent 要接住一個完整流程。
一個流程裏面有啲咩？
有輸入、規則、工具、數據、中間結果、異常處理、最終交付。
仲有覆核同簽名。
呢啲嘢連埋一齊，先叫工作。
今次金融 Agent 嘅意義，唔係「AI 識唔識回答金融問題」。
「AI 識唔識沿住企業真實流程向前行」。
佢唔再只係生成一句答案。
佢開始生成一份底稿、一張表、一頁 PPT、一封電郵、一條待審批記錄。
公司真正使錢嘅地方，從來唔係單一問題。
公司使錢最多嘅，係嗰啲重複發生、流程複雜、出錯成本高、又要留低紀錄嘅工作。
03由金融開始
金融唔係最簡單嘅行業。
但佢非常適合展示 Agent。
第一，金融嘅單位時間好貴。
投行、資產管理、私募、財富管理、基金營運入面，大量工作由高成本專業人士完成。令呢啲人長期消耗喺複製數據、查公式、改格式、對材料上，本身就係組織浪費。
第二，金融高度重複。
Pitch、comps、DCF、LBO、三表模型、財務報告更新、月結、KYC、報表一致性檢查，呢啲工作睇落專業，底層卻有大量穩定動作。
第三，金融高度流程化。
一個分析結果唔可以憑空出現。佢要有數據來源、方法口徑、底稿、覆核、審批。
第四，金融高度依賴上下文。
Excel、PowerPoint、Word、Outlook、研究平台、市場數據、CRM、數據房、內部文檔，呢啲嘢分散喺唔同系統裏面。人類每日消耗大量注意力，只係喺度搬運上下文。
第五，金融高度需要審計。
Anthropic 嘅官方倉庫寫得好清楚：呢啲 Agent 產出嘅係分析師工作底稿，需要專業人士覆核。佢哋唔做投資建議，唔執行交易，唔入賬，唔批准客戶開户。
呢個反而說明邊界成熟。
真正可以入到企業嘅 Agent，唔係「乜都做到」嘅 Agent。
而係知道邊啲地方一定要交俾人嘅 Agent。
04新組織方式：崗位會俾人拆成 5 層
今次發佈入面，最值得拆嘅係一個結構。
Anthropic 將每個 Agent 模板打包成三樣嘢：
skills、connectors、subagents。
睇落係技術結構。
如果翻譯做組織語言，其實係崗位結構。
未來好多崗位，會俾人拆成 5 層。
第一層，人嘅判斷。
人定義目標，確認邊界，處理例外，承擔責任。應唔應該發俾客戶，應唔應該入賬，應唔應該推進交易，呢啲唔可以掉俾 Agent。
第二層，流程步驟。
即係呢個崗位究竟點樣做事。先睇啲咩資料，再查啲咩字段，咩情況要標紅，咩情況要升級。
第三層，數據連接。
即係 connectors。Agent 唔可以靠人一段段喂材料，佢要喺授權範圍內進入 CRM、文檔庫、研究平台、表格、電郵、數據庫。
第四層，工具執行。
即係 skills 同 commands。做 comps、整 DCF、審 Excel、生成 deck、寫 memo，呢啲都可以沉澱成可重複使用嘅能力。
第五層，審計留低紀錄。
邊個叫用咗咩數據，Agent 做咗啲咩判斷，邊度交咗俾人，邊度俾人批准，邊度俾人駁回，都要留低紀錄。
呢五層加埋一齊，先係企業級 Agent。唔係一個聊天框。
係一套小型組織。
05一個模型：未來公司唔係「人 + 軟件」，而係「人 + Agent 組」
過去二十年，企業數碼化嘅基本結構係「人 + 軟件」。
銷售用 CRM。財務用 ERP。投研用數據終端。
諮詢顧問用 Excel 同 PowerPoint。
軟件負責儲存數據、展示界面、固化流程。
人負責喺軟件之間移動信息，補充上下文，做判斷。
Agent 出咗嚟之後，呢個結構會變成「人 + Agent 組」。
人唔再親自做每一個步驟。
人更加似一個管理者。
我哋定義目標。
設計邊界。
分派任務。
檢查異常。
做最終確認。
Agent 組負責將流程向前推。
一個 Agent 負責讀材料。
一個 Agent 負責揀可比公司。
一個 Agent 負責檢查方法論。
一個 Agent 負責審查公式。
一個 Agent 負責生成底稿。
組織結構再變化。
過去，一個崗位係一張 JD。
未來，一個崗位可能係一組文件。
finance-agent/
├── AGENTS. md
├── skills/
│ ├── comps-analysis/SKILL. md
│ ├── dcf-model/SKILL. md
│ └── excel-audit/SKILL. md
├── connectors/
│ ├── market-data. md
│ ├── document-store. md
│ └── crm. md
├── subagents/
│ ├── comps-selector. md
│ ├── methodology-checker. md
│ └── formula-auditor. md
├── evals/
│ └── expected-outputs. md
└── approvals. md
呢個就係我認為最值得參考嘅地方。
唔係參考金融模板。
而係參考「崗位文件化」嘅思路。
06唔好急住訓練大模型，先拆工作流程
好多公司做 AI，第一個問題就問錯咗。
佢哋問：
要唔要訓練自己嘅大模型？
要唔要買最貴嘅企業版？
要唔要連接一堆系統？
呢啲問題都太後面。
第一個問題應該係：
你哋公司入面，邊個任務最適合俾人用流程化方式表達？
一個好任務，通常有 4 個特徵。
佢經常發生。佢有穩定輸入。佢有明確輸出。
佢需要人手覆核，但唔需要人手從零開始。
比如：
每星期生成客戶續費風險清單。
每個月做經營數據異常初步篩查。
每次銷售拜訪前生成客戶簡報。
每個項目結束後生成復盤底稿。
每批發票先做規則檢查。
呢啲任務唔性感。
但佢哋最容易 Agent 化。
企業 AI 嘅第一步，唔係整一個「全能助理」。
而係將一個重複流程拆到夠清楚。
07可複製方法：將一個崗位拆成 Agent 嘅 5 步
普通公司可以用 5 步做出最小嘅 Agent。
第一步，定義交付物。
唔好話「讓 AI 幫銷售」。
要話「每個星期一上午生成一份高風險續費客戶清單」。
交付物越清楚，Agent 越唔容易偏離。
第二步，寫低人手流程。
將老員工腦入面嘅經驗拆出來。
打開邊個系統。
睇邊幾個字段。
超過咩閾值就標紅。
遇到咩情況就升級。
最後發俾邊個覆核。
第三步，沉澱成 skill。
skill 唔係一句「你要專業嚴謹」。
佢應該寫清楚輸入、輸出、規則、禁區、檢查清單、邊界條件。
第四步，接入必要數據。
唔好一開始就接所有系統。
先接最小數據集。
CRM、表格、文檔庫、電郵、數據庫入面，邊個係呢個任務必需嘅，就先接邊個。
第五步，設計覆核同留低紀錄。
邊個批准？
邊個覆核？
邊啲輸出只可以係草稿？
邊啲動作唔允許自動執行？
日誌邊個可以睇？
錯誤點樣回滾？
呢一步決定 Agent 係玩具，定係企業工具。
一個冇覆核同留低紀錄嘅 Agent，越能幹越危險。
一個邊界清楚嘅 Agent，先可能進入真實組織。
08結尾：真正應該焦慮嘅唔係會唔會被 AI 取代
見到金融 Agent，好多人自然會焦慮。
分析師會唔會被取代？
財務會唔會被取代？
合規會唔會被取代？
呢個問題太粗糙。
真正應該問嘅係：
你嘅工作，有冇俾人用流程化方式表達過？
如果你嘅價值只係搬運信息、套用模板、查錯誤、整理格式，咁呢部分會越來越快被 Agent 接手。
如果你嘅價值來自判斷邊界、理解業務、處理例外、承擔責任，咁 Agent 會先放大你。
但呢度有一個殘酷嘅點。
好多人以為自己喺度做判斷。
實際上只係重複流程。
好多公司以為自己有組織能力。
實際上只係靠幾個老員工記住流程。
Agent 會逼每家公司做一件以前一路拖住冇做嘅事：
將工作講清楚。
講唔清楚，就無法自動化。
講清楚咗，就可能被重組。
所以，Anthropic 開源 10 個金融 Agent，表面係金融行業方案。
往深處睇，係一次組織方式預演。
未來最有競爭力嘅公司，唔一定係模型最多嘅公司。
而係最早將核心工作流程拆清楚嘅公司。
未來最有競爭力嘅個人，亦唔一定係最識問 AI 嘅人。
而係最識將自己嘅經驗封裝成流程嘅人。
呢個先係呢 10 個金融 Agent 背後真正值得睇嘅嘢。
周知 · 我哋一齊同 AI 覺醒超級個體
Claude 把手伸向金融了。Anthropic 發佈了 10 個金融 Agent 模板。
它們覆蓋的場景很具體。做 Pitch。
準備客戶會議。審閲財報。搭金融模型。做市場研究。複核估值。
總賬對賬。月結。審計報表。篩 KYC 文件。
這很容易被理解成一次“金融行業工具發佈”。
但我覺得，重點不在金融。
重點在組織。
Anthropic 這次真正展示的，不是 Claude 會做幾個金融任務，而是未來公司裏的很多崗位，會被拆成一套套可以運行、可以交接、可以複核、可以審計的 Agent 工作流。
這件事比 10 個模板本身更重要。
0110 個 Agent 是什麼
先別把它理解成 10 個聊天助手。
聊天助手的工作方式是：
你問一個問題。
它給一個回答。
你再把回答複製到 Excel、PPT、Word、郵件裏。
整個過程裏，AI 只是一個“聰明回答者”。
而 Anthropic 這次開源的金融 Agent，不是圍繞問題設計的。
它們圍繞流程設計。
Pitch Agent 不是回答“如何做一份融資路演材料”。
它要從目標公司列表開始，做可比公司分析，生成模型，整理材料，再輸出一份可以進入 PowerPoint 的 pitchbook。
Earnings Reviewer 不是解釋一份財報。
它要讀電話會紀要和文件，更新模型，標出影響投資邏輯的變化，再形成分析筆記。
GL Reconciler 不是告訴你“總賬對賬是什麼”。
它要找差異，追根因，生成待複核結果，再把需要人工簽字的地方交出來。
這就是關鍵變化。
問答型 AI 的最小單位，是一個問題。
Agent 型 AI 的最小單位，是一條工作流。
02AI 從回答問題進入接管流程
過去很多人用 AI，停在“幫我寫一段”“幫我分析一下”“幫我總結一下”。
這當然有價值。但它沒有真正進入組織。
它只是站在人旁邊，幫人做某個片段。
Agent 不一樣。
Agent 要接住一個完整流程。
一個流程裏有什麼？
有輸入,規則,工具,數據,中間結果,異常處理,最終交付。
還有複核和簽字。
這些東西連起來，才叫工作。
這次金融 Agent 的意義，不是“AI 能不能回答金融問題”。
“AI 能不能沿着企業真實流程往前走”。
它不再只生成一句答案。
它開始生成一份底稿、一張表、一頁 PPT、一封郵件、一條待審批記錄。
公司真正花錢的地方，從來不是單個問題。
公司花錢最多的，是那些重複發生、流程複雜、錯誤成本高、又必須留痕的工作。
03從金融開始
金融不是最簡單的行業。
但它非常適合展示 Agent。
第一，金融的單位時間很貴。
投行、資管、私募、財富管理、基金運營裏，大量工作由高成本專業人士完成。讓這些人長期耗在複製數據、查公式、改格式、對材料上，本身就是組織浪費。
第二，金融高度重複。
Pitch、comps、DCF、LBO、三表模型、財報更新、月結、KYC、報表一致性檢查，這些工作看起來專業，底層卻有大量穩定動作。
第三，金融高度流程化。
一個分析結果不能憑空出現。它要有數據來源、方法口徑、底稿、複核、審批。
第四，金融高度依賴上下文。
Excel、PowerPoint、Word、Outlook、研究平台、市場數據、CRM、數據房、內部文檔，這些東西分散在不同系統裏。人類每天消耗大量注意力，只是在搬運上下文。
第五，金融高度需要審計。
Anthropic 的官方倉庫寫得很清楚：這些 Agent 產出的是分析師工作底稿，需要專業人士複核。它們不做投資建議，不執行交易，不入賬，不批准客戶開户。
這反而說明邊界成熟。
真正能進企業的 Agent，不是“什麼都能幹”的 Agent。
而是知道哪些地方必須交給人的 Agent。
04新組織方式：崗位會被拆成 5 層
這次發佈裏，最值得拆的是一個結構。
Anthropic 把每個 Agent 模板打包成三件東西：。
skills。connectors。subagents。
看上去是技術結構。
往組織裏翻譯，其實是崗位結構。
未來很多崗位，會被拆成 5 層。
第一層，人的判斷。
人定義目標，確認邊界，處理例外，承擔責任。該不該發給客戶，該不該入賬，該不該推進交易，這些不能丟給 Agent。
第二層，流程步驟。
也就是這個崗位到底怎麼做事。先看什麼資料，再查什麼字段，什麼情況要標紅，什麼情況要升級。
第三層，數據連接。
也就是 connectors。Agent 不能靠人一段段喂材料，它要在授權範圍內進入 CRM、文檔庫、研究平台、表格、郵件、數據庫。
第四層，工具執行。
也就是 skills 和 commands。做 comps、建 DCF、審 Excel、生成 deck、寫 memo，這些都可以沉澱成可複用能力。
第五層，審計留痕。
誰調用了什麼數據，Agent 做了什麼判斷，哪裏交給了人，哪裏被批准，哪裏被駁回，都要留下記錄。
這五層合起來，才是企業級 Agent。不是一個聊天框。
是一套小型組織。
05一個模型：未來公司不是“人 + 軟件”，而是“人 + Agent 組”
過去二十年，企業數字化的基本結構是“人 + 軟件”。
銷售用 CRM。財務用 ERP。投研用數據終端。
諮詢顧問用 Excel 和 PowerPoint。
軟件負責存數據、展示界面、固化流程。
人負責在軟件之間移動信息，補上下文，做判斷。
Agent 出來後，這個結構會變成“人 + Agent 組”。
人不再親自做每一個步驟。
人更像一個管理者。
我們定義目標。
設計邊界。
分派任務。
檢查異常。
做最終確認。
Agent 組負責把流程往前推。
一個 Agent 負責讀材料。
一個 Agent 負責選可比公司。
一個 Agent 負責檢查方法論。
一個 Agent 負責審公式。
一個 Agent 負責生成底稿。
組織結構再變化。
過去，一個崗位是一張 JD。
未來，一個崗位可能是一組文件。
finance-agent/
├── AGENTS. md
├── skills/
│ ├── comps-analysis/SKILL. md
│ ├── dcf-model/SKILL. md
│ └── excel-audit/SKILL. md
├── connectors/
│ ├── market-data. md
│ ├── document-store. md
│ └── crm. md
├── subagents/
│ ├── comps-selector. md
│ ├── methodology-checker. md
│ └── formula-auditor. md
├── evals/
│ └── expected-outputs. md
└── approvals. md
這就是我覺得最該抄的地方。
不是抄金融模板。
而是抄“崗位文件化”的思路。
06別急着訓練大模型，先拆工作流
很多公司做 AI，第一個問題就問錯了。
他們問：
要不要訓練自己的大模型？
要不要買最貴的企業版？
要不要接一堆系統？
這些問題都太靠後。
第一個問題應該是：。
你們公司裏，哪個任務最適合被流程化表達？
一個好任務，通常有 4 個特徵。
它經常發生。它有穩定輸入。它有明確輸出。
它需要人工複核，但不需要人工從零開始。
比如：
每週生成客戶續費風險清單。
每月做經營數據異常初篩。
每次銷售拜訪前生成客戶簡報。
每個項目結束後生成覆盤底稿。
每批發票先做規則檢查。
這些任務不性感。
但它們最容易 Agent 化。
企業 AI 的第一步，不是造一個“全能助理”。
而是把一個重複流程拆到足夠清楚。
07可複製方法：把一個崗位拆成 Agent 的 5 步
普通公司可以用 5 步做最小 Agent。
第一步，定義交付物。
不要說“讓 AI 幫銷售”。
要說“每週一上午生成一份高風險續費客戶清單”。
交付物越清楚，Agent 越不容易漂。
第二步，寫下人工流程。
把老員工腦子裏的經驗拆出來。
打開哪個系統。
看哪幾個字段。
超過什麼閾值標紅。
遇到什麼情況升級。
最後發給誰複核。
第三步，沉澱成 skill。
skill 不是一句“你要專業嚴謹”。
它應該寫清輸入、輸出、規則、禁區、檢查清單、邊界條件。
第四步，接入必要數據。
不要一開始接所有系統。
先接最小數據集。
CRM、表格、文檔庫、郵件、數據庫裏，哪個是這個任務必需的，就先接哪個。
第五步，設計複核和留痕。
誰批准？
誰複核？
哪些輸出只能是草稿？
哪些動作不允許自動執行？
日誌誰能看？
錯誤怎麼回滾？
這一步決定 Agent 是玩具，還是企業工具。
一個沒有複核和留痕的 Agent，越能幹越危險。
一個邊界清楚的 Agent，才可能進入真實組織。
08結尾：真正該焦慮的不是會不會被 AI 替代
看到金融 Agent，很多人會自然焦慮。
分析師會不會被替代？
財務會不會被替代？
合規會不會被替代？
這個問題太粗。
真正該問的是：。
你的工作，有沒有被流程化表達過？
如果你的價值只是搬運信息、套模板、查錯誤、整理格式，那這部分會越來越快被 Agent 接走。
如果你的價值來自判斷邊界、理解業務、處理例外、承擔責任，那 Agent 會先放大你。
但這裏有一個殘酷點。
很多人以為自己在做判斷。
實際只是在重複流程。
很多公司以為自己有組織能力。
實際只是靠幾個老員工記得流程。
Agent 會逼每家公司做一件以前一直拖着沒做的事：。
把工作說清楚。
說不清楚，就無法自動化。
說清楚了，就可能被重組。
所以，Anthropic 開源 10 個金融 Agent，表面是金融行業方案。
往深處看，是一次組織方式預演。
未來最有競爭力的公司，不一定是模型最多的公司。
而是最早把核心工作流拆清楚的公司。
未來最有競爭力的個人，也不一定是最會問 AI 的人。
而是最會把自己的經驗封裝成流程的人。
這才是這 10 個金融 Agent 背後真正值得看的東西。
周知 · 我們一起和 AI 覺醒超級個體