企业官网建设流程全解析

1. 从"financial-services"这个标题能读出什么

第一次看到financial-services这个项目名，很多人会下意识觉得它是个业务系统——账户、交易、风控、对账那一套。但结合关键词里的 Claude、Cowork、Managed Agents API、plugin 来看，这其实是一个面向金融业务场景的 AI 智能体协作框架，而不是传统意义上的银行核心系统。换句话说，它要解决的不是"钱怎么流转"，而是"金融业务里那些重复、繁琐、需要多角色配合的脑力活，怎么交给一组可编排的 AI Agent 去干"。

金融行业有个很尴尬的现实：业务复杂度极高，但大量时间花在了信息搬运和格式转换上。一份尽调报告要在招股书、年报、行业研报、新闻公告之间来回比对；一个合规审查要在监管条文、内部制度、历史案例之间反复检索；一次投研分析要把财报数据、电话会议纪要、卖方观点整合成一份能看的材料。这些活的共同点是：信息密度高、容错率低、流程高度重复。传统做法是招一堆分析师硬扛，或者写一堆 RPA 脚本——前者贵且慢，后者脆且笨。

financial-services这个项目想做的事，就是把这套流程用 Managed Agents API 重新组织一遍。它不是一个单体应用，而是一组 plugin 的集合，每个 plugin 封装一类金融场景的能力，再通过 Cowork 这样的协作层把多个 Agent 串起来。你可以把它理解成一个"金融业务的操作系统"——底层是 Claude 的推理能力，中间是 Managed Agents API 提供的编排和状态管理，上层是一堆开箱即用的 plugin。

这篇文章适合三类人看：一是想在金融场景落地 AI 的技术负责人，二是被重复性金融分析工作折磨的业务人员，三是想搞清楚 Managed Agents API 到底怎么用的开发者。我会从架构设计、plugin 机制、协作编排、实操踩坑几个角度把它拆开讲，尽量把"为什么这么设计"讲透，而不是只丢一堆 API 文档。

2. 为什么金融场景需要 Agent 协作而不是单个大模型

2.1 单模型方案在金融场景的三个硬伤

很多人第一反应是：金融分析嘛，把材料丢给 Claude，让它输出结论不就行了？我一开始也这么想，实测下来问题很大。

第一个硬伤是上下文窗口的物理限制。一份完整的尽调材料动辄几百页，招股书加年报加研报轻松超过 50 万字。你不可能把所有东西塞进一次对话里，就算模型支持长上下文，成本和延迟也会爆炸。更麻烦的是，金融材料里关键信息往往藏在附注、脚注、表格里，模型在超长上下文中的注意力衰减会让它漏掉这些细节。

第二个硬伤是单一职责的缺失。金融分析天然是多角色的：有人负责数据提取，有人负责逻辑校验，有人负责合规审查，有人负责撰写结论。你让一个模型同时干这四件事，它会在角色之间反复横跳，输出质量极不稳定。这就像让一个分析师既做数据录入又做投资决策，专业度必然打折。

第三个硬伤是可追溯性。金融行业对结论的可解释性要求极高，监管问起来你得说清楚"这个数字从哪来、经过什么处理、依据什么规则判断"。单模型的黑盒输出根本没法满足这个要求。

2.2 Managed Agents API 解决的到底是什么问题

Managed Agents API 的核心价值，是把"一个 Agent 干所有事"拆成"多个 Agent 各干各的，由一个编排层统一调度"。它提供了几个关键能力：

• Agent 生命周期管理：每个 Agent 有独立的系统提示、工具集、状态，可以单独启停和版本管理。
• 状态持久化：Agent 之间的中间结果可以落盘，支持断点续跑，这对动辄跑几十分钟的金融分析任务至关重要。
• 工具调用编排：Agent 可以调用外部工具（数据库查询、文件解析、API 请求），编排层负责处理调用顺序和错误重试。
• 消息路由：Agent 之间通过结构化消息通信，而不是自由文本，保证信息传递的准确性。

用一句话概括：Managed Agents API 把"多 Agent 协作"从概念变成了可运维的工程实践。你不用自己造轮子去处理 Agent 之间的通信、状态、错误恢复，这些它都帮你管了。

2.3 Cowork 在架构里的位置

Cowork 是这套体系里的协作层。如果说 Managed Agents API 是"操作系统内核"，那 Cowork 就是"进程调度器"。它负责：

• 定义 Agent 之间的协作拓扑（谁先跑、谁依赖谁、谁可以并行）
• 处理 Agent 之间的数据传递格式转换
• 提供人工介入的检查点（金融场景里，关键决策点必须有人确认）
• 汇总各 Agent 的输出，生成最终交付物

我个人的理解是，Cowork 让"Agent 团队"这个概念变得可管理。你可以像管理一个真实团队一样管理它：给每个 Agent 分配职责、设定交付标准、安排协作流程、在关键节点做 review。

3. plugin 机制：金融能力的模块化封装

3.1 为什么是 plugin 而不是单体应用

financial-services选择 plugin 架构，这个决策背后有很实际的考量。金融业务的特点是场景碎片化但底层能力复用率高。比如"从 PDF 里提取财务表格"这个能力，在尽调、投研、审计、合规场景里都要用；"比对两版监管条文差异"这个能力，在合规和法务场景里都要用。

如果做成单体应用，每加一个场景就要改核心代码，维护成本会指数级上升。做成 plugin 之后，每个 plugin 封装一类原子能力，场景通过组合 plugin 来实现。这就像乐高积木——底层积木标准化，上层组合千变万化。

更重要的是，plugin 架构让能力可以独立演进。财务表格提取的准确率提升了，只需要更新那一个 plugin，所有用到它的场景自动受益。这在金融这种规则频繁变化的行业里，价值巨大。

3.2 一个典型 plugin 的内部结构

我拆过几个 plugin 的实现，结构基本一致，分四层：

这个结构里最容易被忽视但最重要的是校验层。金融场景对准确性要求极高，一个数字错了可能导致整个结论崩塌。校验层要做的事包括：数值是否在合理区间、单位是否一致、时间口径是否对齐、多个来源的数据是否互相印证。我见过太多项目跳过这一步，结果 Agent 输出看起来头头是道，实际数字全是错的。

3.3 plugin 之间的依赖管理

plugin 不是孤立的，它们之间有依赖关系。比如"财务比率计算"plugin 依赖"财务表格提取"plugin 的输出，"风险评估"plugin 又依赖"财务比率计算"的结果。financial-services用了一套声明式的依赖描述，每个 plugin 在元数据里声明自己需要什么输入、产出什么输出，编排层自动解析依赖图并决定执行顺序。

这里有个坑要注意：循环依赖。金融场景里很容易出现 A 需要 B 的结果、B 又需要 A 的结果的情况。比如"估值"需要"增长率预测"，而"增长率预测"又需要"当前估值"作为参考。解决办法是把这类互相依赖的能力合并成一个 plugin，或者引入迭代收敛机制——先给个初始值，跑几轮迭代直到收敛。

4. 用 Cowork 编排一个真实的金融分析流程

4.1 场景设定：一份上市公司深度分析报告

假设我们要生成一份上市公司的深度分析报告，涉及的工作包括：财报数据提取、财务指标计算、行业对比、风险识别、结论撰写。用 Cowork 编排的话，流程是这样的：

1. 数据提取 Agent：从年报 PDF 里提取三张报表和关键附注
2. 指标计算 Agent：基于提取的数据计算 ROE、毛利率、资产负债率等指标
3. 行业对比 Agent：拉取同行业公司的公开数据做横向对比
4. 风险识别 Agent：结合财务指标和公告信息识别潜在风险点
5. 报告撰写 Agent：整合以上所有输出，生成结构化报告

这五个 Agent 不是简单串行，而是有并行有依赖。指标计算和行业对比可以并行，风险识别依赖前两者，报告撰写依赖全部。

4.2 编排配置的关键字段

Cowork 的编排配置用 YAML 描述，核心字段包括：

workflow: name: listed-company-analysis agents: - id:>