事情是这样的，我最近仔细研究了 Anthropic 在 GitHub 上的一个仓库：anthropics/financial-services-plugins。
起初，我以为这不过是又一个 AI 金融工具，市面上已经有很多了。但多看几分钟后，我意识到事情没那么简单。
这个仓库本身不是一个单一的工具，它本质上是一个 插件市场（marketplace）。
其中的每一个子目录都是一个独立的 Plugin，可以直接安装到 Claude 协作界面中。安装完成后，一位金融分析师只需要打开对话框，就能直接开始处理并购估值、DCF 模型、尽职调查数据包等工作。这些任务，以前往往需要 Excel、彭博终端加上数年行业经验才能完成。
我不禁思考，这究竟是普通的产品迭代，还是某种更大变革的前奏？于是我决定顺着这条线索，把事情彻底理清楚。
MCP：一个统一“插头”的标准化协议
时间回到 2024 年底，Anthropic 发布了 MCP（Model Context Protocol，模型上下文协议）。
当时的直觉反应是：这不就是一个新协议吗？但后来我明白了——协议的核心价值不在于它本身，而在于它解决了什么问题。
在 MCP 出现之前，当 AI 需要连接外部工具（如数据库、API、文件系统）时，每家都有自己的方案。OpenAI 有自己的 Function Calling 格式，LangChain 有自建的 Tool 规范，企业内部系统又是另一套标准。这不仅仅是技术差异，更是一个典型的 生态碎片化问题。
MCP 的核心目标非常明确：为 AI 与外部工具之间的通信定义一套标准格式。只有真正动手搭建过几个 Agent 之后，你才会对这种标准化的迫切性有更深感受。MCP 本质上是一套工具集成协议，它能够将一个业务的核心能力系统地暴露给 AI 调用。
整个流程可以简化为：
AI 客户端（Claude / GPT / etc.）
↓ 标准化请求
MCP 服务器（工具适配层）
↓ 调用
实际服务（数据库 / API / 文件）
这个设计有多重要？回想一下 USB 接口诞生之前，每个外部设备都需要专用连接线。USB 出现后，整个硬件生态发生了翻天覆地的变化。MCP 想做的是在软件工具与 AI 之间实现同样的“即插即用”。
然而，MCP 解决的还仅仅是 连接性 问题。即便 Claude 能够接入彭博的数据，但 它知道如何利用这些数据构建一个专业的 DCF 模型吗？ 这是另一个层面的挑战。
所以，MCP 只是第一步。
Skills：赋予 AI “工作经验”，而不只是工具
那么，Skills 是什么？
根据 Anthropic 在 GitHub 上的定义：Skills 是一个包含了指令、脚本和资源的文件夹，Claude 可以动态加载它以提升在特定任务上的表现。
我的理解则更直白：如果说 MCP 给了 AI 一双能操作工具的手，那么 Skills 就是为这双手注入了 专业的行业经验。
以 Anthropic 为金融服务领域打造的 6 个 Skills 为例，其中包括：
- 可比公司分析（附带估值倍数和运营指标）
- DCF 模型（包含完整的自由现金流预测、WACC 计算、情景切换）
- 尽职调查数据包（将数据室文件处理成结构化的 Excel）
- 公司简报和 Profile
- 盈利分析（季度财报及管理层评论提取）
- 启动研报（行业分析、公司深度研究、估值框架）
每一个 Skill 的背后，都不只是一句简单的提示词（Prompt），而是 一整套标准化工作流程的沉淀：从哪里获取数据、如何进行计算、结果如何呈现、格式标准是什么……全部都被打包好了。
在思考这个设计时，我突然意识到一件事——Skills 本质上在做一项关键工作：将人类专家的经验和工作流，转化为 AI 可以直接读取和执行的“结构化知识包”。
过去，承载这些经验的是文档、SOP（标准作业程序）或培训材料。但这些是给人阅读和理解的。Skills 是专门 给 AI 使用 的。这两者之间的区别，远比表面上看起来的要深刻。
Plugin：将能力打包，形成“开箱即用”的解决方案
最后，我们来到最让我感到震撼的一环：Plugin。
在 anthropics/knowledge-work-plugins 仓库的描述中，Plugin 被定义为：捆绑了 Skills、Connectors、Slash Commands 和 Sub-Agents，面向特定工作职能，能够开箱即用的完整套件。
让我们将其分解，看看每个组件的作用：
| 组件 |
功能 |
类比 |
| Skills |
任务执行的方法论与最佳实践 |
员工的工作手册与培训指南 |
| Connectors |
实时数据接入（彭博、标普等） |
访问外部数据库的权限与密钥 |
| Slash Commands |
一键触发复杂的多步骤工作流 |
业务系统上的快捷操作按钮 |
| Sub-Agents |
能够自主执行多步骤任务的子智能体 |
可以独立完成任务的下属 |
将这四个部分打包在一起，就形成了一个 针对特定工作岗位（如投行分析师）的完整 AI 工作伙伴。
以金融服务 Plugin 为例，安装后，Claude 便能直接访问 LSEG 的实时市场数据、穆迪的信用评级库、标普全球的公司数据，以及晨星、PitchBook、Third Bridge 的专家访谈记录等。
为了更直观地理解这三层架构如何协同工作，我梳理了它的数据流：
┌────────────────────────────────────────────┐
│ 用户（金融分析师） │
│ “帮我做一个 A 公司的 DCF 模型” │
└────────────────┬───────────────────────────┘
│
▼
┌────────────────────────────────────────────┐
│ Plugin 层 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Skills │ │Commands │ │Sub-Agents│ │
│ │(DCF工作 │ │(/dcf触发 │ │(多步骤 │ │
│ │ 流方法论)│ │ 指令) │ │ 自主执行)│ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
└───────┼─────────────┼─────────────┼────────┘
│ │ │
▼ ▼ ▼
┌────────────────────────────────────────────┐
│ MCP Connectors 层 │
│ ┌───────┐ ┌────────┐ ┌───────┐ ┌───────┐ │
│ │ LSEG │ │Moody‘s │ │S&P │ │Egnyte │ │
│ │(实时 │ │(信用 │ │Global │ │(内部 │ │
│ │市场价)│ │评级库) │ │(公司 │ │文件库)│ │
│ └───────┘ └────────┘ └───────┘ └───────┘ │
└────────────────────────────────────────────┘
│
▼
┌────────────────────────────────────────────┐
│ 输出层 │
│ Excel DCF模型 + 情景分析 + WACC表 + 报告 │
└────────────────────────────────────────────┘
重新审视演进路线：从“连接”到“替代”
让我们重新梳理这条演进路线：MCP → Skills → Plugin。
表面上，这是 Anthropic 的产品技术路线图。但如果换个视角，你会发现这分别解决了三个不同层面的问题：
MCP 解决了：AI 能够连接什么（工具和数据的标准化接入）
Skills 解决了：AI 知道如何做（执行特定任务的专业知识）
Plugin 解决了：AI 可以替代什么（整合能力以覆盖完整工作职能）
当这三层架构叠加完成后，一个不容忽视的趋势正在显现：传统软件的价值主张正在被快速侵蚀。
试想，过去一家金融科技公司想要开发一套“投行研究辅助系统”需要什么？产品经理定义需求，后端工程师对接彭博等数据源 API，前端工程师开发数据展示和 Excel 导出功能，再经过测试、上线、维护和迭代。这可能需要一个团队花费一年甚至更长时间。
而现在呢？Anthropic 在 GitHub 上建立了一个仓库，里面提供了现成的金融 Plugin，安装配置即可使用。
我并非断言传统软件公司会即刻消失，但一个确定性的变化正在发生：软件行业的竞争壁垒，正在从“技术实现的可行性”，转变为“与即插即用的 AI Plugin 相比，是否还能提供显著的易用性与价值优势”。
这种门槛位置的迁移，其影响远比表面上看起来更为剧烈和深远。
一个值得深思的细节：历史是否在重演？
还有一个细节值得玩味。Anthropic 在 financial-services-plugins 仓库的 README 中明确指出，这是一个 Plugin 的 市场（marketplace），每个子目录都是独立插件，并鼓励开发者贡献自己的插件。
这个设计让我联想到另一条著名的历史发展路径：App Store。
当年 iOS 系统推出，苹果公司随后开放了 App Store，接入了海量第三方开发者，整个移动软件生态由此被重塑和分层。
如今，Anthropic 正在尝试建立一个围绕其 AI 模型的 Plugin 市场，并同样向第三方开发者敞开大门。历史是否会以某种相似的方式重演？目前尚无定论。但我觉得，或许两年后再回看这个 GitHub 仓库的诞生，它可能会成为一个被反复提及的关键节点。
根据 Vals AI 的基准测试数据，Claude Sonnet 4.5 在金融分析任务上以 55.3% 的准确率排名第一。实际上，花旗银行、BCI、Coinbase、Visa 等金融机构已经在使用相关技术。
技术演进的车轮滚滚向前。一个不争的事实是，未来许多传统软件功能，或许真的会被一个简单的“/命令”所取代。那么，对于经历了漫长专业训练的你而言，未来的出路究竟在何方？这个问题值得我们每一个从业者深思。关于 AI Agent 的未来，也欢迎大家在 云栈社区 交流你的见解。
引用链接
[1] Anthropic Skills 仓库：https://github.com/anthropics/skills
发表于 10 小时前
|
查看: 12|
回复: 0
