Разработана архитектура агентной системы для автоматизированного финансового анализа, использующая возможности моделей Claude, Python и протокола MCP. Система реализует подход, основанный на навыках (skill-driven), где специализированные агенты и плагины интегрируются в единый рабочий процесс для обработки данных и формирования отчетности, обеспечивая модульность и масштабируемость при решении сложных аналитических задач.
В основе решения лежит использование репозитория Anthropic, адаптированного для создания автономных рабочих процессов. Архитектура предполагает программное маппирование агентов и вертикальных плагинов, что позволяет гибко подключать внешние финансовые инструменты через MCP-коннекторы. Такой подход минимизирует ручное вмешательство, автоматизируя цепочку от сбора данных до генерации итоговых документов.
Система демонстрирует переход от монолитных ИИ-приложений к агентным структурам, где каждый компонент отвечает за конкретный навык. Использование MCP (Model Context Protocol) позволяет стандартизировать взаимодействие между LLM и финансовыми API, обеспечивая безопасный доступ к данным и предсказуемость ответов в критически важных бизнес-сценариях.
Ключевые факты
- Архитектура базируется на интеграции моделей Claude с кастомными Python-скриптами для оркестрации задач.
- Использование протокола MCP позволяет подключать внешние финансовые сервисы и базы данных в качестве инструментов агента.
- Система поддерживает автоматизированную генерацию аналитических отчетов на основе структурированных данных.
- Реализована модульная структура, включающая «поваренные книги» (cookbooks) для управления поведением агентов в специфических финансовых вертикалях.