Une évolution notable vient d’être rendue publique dans le domaine.
Conception d’agents d’analyse financière axés sur les compétences à l’aide de Claude, Python, des connecteurs MCP et de livrables automatisés
Dans ce tutoriel, nous mettons en place un workflow avancé autour du référentiel dédié aux services financiers d’Anthropic et reproduisons son architecture axée sur les compétences en Python pur. Nous commençons par installer les bibliothèques nécessaires, cloner le dépôt, puis mapper par programmation ses agents, ses plugins verticaux, ses intégrations partenaires, ses « cookbooks » d’agents gérés et ses compétences en analyse financière. Nous analysons ensuite les fichiers SKILL.md du référentiel pour créer un registre consultable, puis nous construisons un SkillAgent réutilisable qui injecte les « playbooks » financiers sélectionnés dans l’API Anthropic Messages, tout en prenant en charge une boucle itérative d’utilisation d’outils pour les calculs Python et la génération de fichiers. Grâce à cette architecture, nous réalisons une évaluation par flux de trésorerie actualisés synthétiques, générons une carte de sensibilité du WACC et de la essor terminale, effectuons une analyse comparative d’entreprises avec un résultat exporté au format Excel, rédigeons une note à l’intention du comité d’investissement en capital-investissement et examinons un cahier des charges de déploiement d’agent géré sans envoyer de demande de déploiement en production.
Nous installons les bibliothèques Python nécessaires, clonons le dépôt « financial-services » d’Anthropic et préparons l’environnement d’exécution Google Colab. Nous récupérons la clé API d’Anthropic à partir des secrets de Colab, des variables d’environnement ou d’une invite interactive sécurisée. Nous initialisons ensuite le SDK officiel d’Anthropic et sélectionnons le modèle d’IA Claude qui alimente les workflows d’analyse financière.
Nous inspectons la structure du référentiel et identifions ses plugins d’agent, ses plugins verticaux, ses intégrations partenaires, ses « cookbooks » d’agents gérés et les commandes disponibles. Nous localisons les fichiers de configuration MCP et affichons les connecteurs de informations financières externes définis dans le référentiel. Nous analysons ensuite chaque fichier SKILL.md, en extrayons les métadonnées YAML et la méthodologie, puis enregistrons chaque compétence unique afin de permettre un accès par recherche.
Nous définissons des outils permettant à Claude d’effectuer des calculs en Python et d’enregistrer les résultats générés au sein de l’environnement Colab. Nous créons un espace de noms Python persistant afin que les modèles numériques, les tableaux et les variables intermédiaires restent disponibles d’un tour d’agent à l’autre. Nous créons ensuite la classe SkillAgent, injectons les stratégies financières sélectionnées dans son invite mécanisme et gérons la boucle d’utilisation de l’API Anthropic Messages.
Nous fournissons des hypothèses d’exploitation fictives et demandons à l’agent spécialisé dans la méthode DCF d’élaborer une évaluation des flux de trésorerie sur cinq ans, hors endettement. Nous utilisons l’solution d’exécution Python pour calculer la valeur d’entreprise, la valeur des capitaux propres, le cours implicite de l’action et une matrice de sensibilité bidimensionnelle. Nous extrayons ensuite les performances structurés de l’analyse de sensibilité et visualisons la relation entre le WACC, le taux de croissance terminal et la valorisation implicite à l’aide d’une carte thermique.
Nous fournissons un ensemble de sociétés comparables synthétiques et calculons la valeur d’entreprise, ainsi que les multiples EV/chiffre d’affaires, EV/EBITDA et cours/bénéfice. Nous convertissons la réponse JSON structurée de l’agent en DataFrames contenant des données détaillées sur les sociétés comparables et des statistiques récapitulatives. Nous exportons ensuite l’analyse vers un classeur Excel comportant plusieurs feuilles, puis nous appliquons une mise en forme professionnelle des en-têtes et un redimensionnement automatique des colonnes.
Nous appliquons la technique de la note de synthèse du comité d’investissement à un rachat hypothétique d’une entreprise de logiciels et calculons les indicateurs de rendement correspondants à l’aide de Python. Nous enregistrons la note de synthèse obtenue au format Markdown et vérifions que le fichier généré se trouve bien dans le répertoire de sortie. Nous examinons ensuite un « cookbook » d’agent géré, affichons les spécifications de déploiement, puis concluons en passant en revue les artefacts générés et les extensions possibles en production.
Les acteurs concernés devront s’adapter à ce nouveau contexte.
Dans le même ordre d’idées :
Reportage initial : MarkTechPost : MarkTechPost