چارچوب مهارت‌محور آنتروپیک تحلیل‌های مالی پیچیده را خودکار کرد

تصور کنید یک عامل تحلیل مالی که قادر است ارزیابی‌های چندمرحله‌ای پیچیده را اجرا کرده و گزارش‌های اکسل با فرمت حرفه‌ای تولید کند؛ آن هم با این روش که متدولوژی‌های پیچیده مالی را به عنوان «مهارت‌های» تزریق‌پذیر (Injectable Skills) تعریف می‌کند. با بهره‌گیری از مدل Claude-sonnet-4-6، این رویکرد از پرامپت‌نویسی ساده و خطی فراتر رفته تا یک فهرست (Registry) قابل جست‌وجو از «پلی‌بوک‌های مالی» ایجاد کند که هوش مصنوعی می‌تواند در طول یک جلسه کاری به‌صورت پویا آن‌ها را فراخوانی نماید.

در حالی که ما پیش‌تر بررسی کردیم که چگونه Flowling سیستم‌های مدیریت هتلی را از طریق n8n و Claude خودکار می‌کند، این معماری جدید بر سطح عمیق‌تری از استدلال تخصصی تمرکز دارد. به‌جای یک محیط چت با کاربرد general-purpose، این سیستم از یک حلقه مهارت‌محور استفاده می‌کند که در آن عامل، ابتدا دستورالعمل مالی صحیح — مثلاً مدل جریان نقدی تنزیل‌شده (DCF) — را شناسایی کرده و سپس آن را دقیقاً و با سخت‌گیری روی داده‌های ارائه‌شده اعمال می‌کند. این ساختار در واقع بازسازی معماری مهارت‌محور مخزن خدمات مالی شرکت Anthropic در محیط خالص پایتون است.

ساخت موتور مهارت‌محور

این سامانه با نقشه‌برداری از مخزن (repository) خدمات مالی Anthropic آغاز می‌شود که شامل پلاگین‌های عمودی (Vertical Plugins) و کتاب‌های دستورالعمل (Cookbooks) برای عامل‌های مدیریت‌شده است. فرآیند راه‌اندازی شامل نصب کتابخانه‌های اصلی پایتون از جمله anthropic برای تعامل با مدل، pandas برای تحلیل داده‌ها، openpyxl برای مدیریت فایل‌های اکسل، pyyaml برای تجزیه متادیتا و matplotlib برای بصری‌سازی است که همگی از طریق یک خط لوله subprocess نصب می‌شوند. این فرآیند با کلون کردن مخزن از آدرس https://github.com/anthropics/financial-services.git (با استفاده از depth=1 برای افزایش سرعت و بهینه‌سازی) و آماده‌سازی محیط اجرای runtime در Google Colab آغاز می‌گردد.

برای مقداردهی اولیه محیط، سیستم کلید API آنتروپیک را از طریق اسرار (Secrets) محیط Colab، متغیرهای محیطی (Environment Variables) یا یک اعلان تعاملی و امن getpass دریافت می‌کند. پس از آنکه SDK آماده شد، مدل claude-sonnet-4-6 به‌عنوان موتور محرک گردش‌کارهای تحلیل مالی انتخاب می‌شود.

یک کلاس سفارشی به نام SkillRegistry وظیفه تجزیه فایل‌های SKILL.md را بر عهده دارد تا متادیتای YAML و متدولوژی‌های خاص هر مهارت را استخراج کند. این مکانیزم به عامل اجازه می‌دهد پیش از شروع هر وظیفه، مجموعه‌ای دقیق از دستورالعمل‌ها را جست‌وجو کرده و آن‌ها را در پرامپت سیستمی خود تزریق کند. در این فرآیند نقشه‌برداری، چهار دسته از مؤلفه‌ها شناسایی می‌شوند:

• پلاگین‌های عامل (Agent Plugins): که در مسیر plugins/agent-plugins/* قرار دارند.
• پلاگین‌های عمودی (Vertical Plugins): که در مسیر plugins/vertical-plugins/* یافت می‌شوند.
• یکپارچه‌سازهای شریک (Partner Integrations): که در plugins/partner-built/* مدیریت می‌شوند.
• کتاب‌های دستورالعمل عامل‌های مدیریت‌شده (Managed-Agent Cookbooks): که در مسیر managed-agent-cookbooks/* ذخیره شده‌اند.

مکانیزم‌های کشف مهارت و نقشه‌برداری

تابع repo_map به‌صورت برنامه‌ریزی‌شده در این دایرکتوری‌ها پیمایش می‌کند تا تعداد مهارت‌ها و دستورات در دسترس را شمارش نماید. این تابع به‌طور خاص به‌دنبال فایل‌های SKILL.md و سایر فایل‌های Markdown مرتبط با دستورات در هر پوشه پلاگین می‌گردد. هدف این است که پیش از استقرار هر عامل، یک نمای کلی و ساختاریافته از تمامی قابلیت‌های موجود در مخزن ارائه شود.

مکانیزم کشف مهارت‌ها بر پایه یک کلاس Skill است که از یک عبارت منظم (Regular Expression) به نام FRONTMATTER استفاده می‌کند تا بخش‌های سرآهنگ YAML را از بدنه اصلی مستندات جدا کند. سپس SkillRegistry این فایل‌ها را ایندکس می‌کند تا متد find() بتواند مهارت‌های مورد نیاز را از طریق تطبیق کلمات کلیدی در «نام مهارت» یا «توضیحات آن» پیدا کند. برای مثال، اگر کاربر عبارت «dcf» را جست‌وجو کند، سیستم مهارت مربوط به dcf-model را از فهرست بازمی‌گرداند.

ابزارها و وضعیت پایدار (Persistent State)

برای تضمین دقت عددی و جلوگیری از توهمات ریاضی (Hallucinations)، این چارچوب یک فضای نام پایتون پایدار به نام _PY_NS را پیاده‌سازی می‌کند. این بدان معناست که عامل محاسبات را به‌صورت ذهنی انجام نمی‌دهد؛ بلکه از ابزار run_python برای اجرای کدهایی استفاده می‌کند که متغیرها و نتایج آن‌ها در چندین نوبت استنتاج (Turn) پابرجا می‌مانند. این موضوع برای مدل‌سازی‌های مالی پیچیده که در آن جداول و محاسبات میانی باید در طول تکرارهای عامل ثابت بمانند، حیاتی است.

کلاس SkillAgent حلقه استفاده از ابزار (Tool-use loop) در API پیام‌های آنتروپیک را مدیریت می‌کند. این کلاس مهارت‌های انتخاب‌شده را به هم متصل کرده و در پرامپت سیستمی قرار می‌دهد و هر بلوک مهارت را به ۱۲,۰۰۰ کاراکتر محدود می‌کند تا از ظرفیت پنجره متنی (Context Window) به‌بهینه استفاده شود. همچنین یک پرامپت پایه سخت‌گیرانه (BASE_SYSTEM) را دنبال می‌کند که استفاده از ابزارها را برای تمامی کارهای عددی اجباری کرده و صراحتاً اعلام می‌کند که تمامی خروجی‌ها «پیش‌نویس برای بازبینی انسانی» هستند و به هیچ وجه «توصیه سرمایه‌گذاری» محسوب نمی‌شوند.

برای تبدیل استدلال‌های ذهنی مدل به خروجی‌های قابل تحویل (Deliverables)، عامل از سیستم توزیع ابزار (Dispatch System) زیر استفاده می‌کند:

• run_python: کدهای پایتون را اجرا کرده و خروجی استاندارد (stdout) را برمی‌گرداند. کتابخانه‌های pandas (به عنوان pd) و numpy (به عنوان np) به‌صورت پیش‌فرض وارد شده‌اند. نتایج از طریق io.StringIO گرفته شده و تا ۶,۰۰۰ کاراکتر به مدل بازگردانده می‌شوند. اگر هیچ خروجیestndard تولید نشود، سیستم به عامل هشدار می‌دهد تا از دستور print() استفاده کند.
• save_file: محتوای متنی را در دایرکتوری outputs/ ذخیره می‌کند. با استفاده از os.path.basename برای نام فایل‌ها، تضمین می‌شود که اسناد به‌صورت ایمن در پوشه خروجی ذخیره شوند و یک پاسخ چت ساده به یک سند رسمی (مثلاً یک فایل Markdown) تبدیل گردد.
• حلقه ابزار (The Tool Loop): عامل می‌تواند تا ۱۲ نوبت (Turn) اجرا شود. برای هر بلوک tool_use که توسط مدل شناسایی می‌شود، دیکشنری DISPATCH نام ابزار را به تابع پایتون مربوطه متصل کرده و نتیجه را به‌عنوان یک پیام tool_result به مدل بازمی‌گرداند.

خودکارسازی ارزش‌گذاری و گزارش‌دهی

این چارچوب سه مورد استفاده (Use Case) اصلی مالی را با استفاده از داده‌های مصنوعی برای اعتبارسنجی منطق نمایش می‌دهد:

۱. ارزش‌گذاری DCF (جریان نقدی تنزیل‌شده)
عامل یک مدل جریان نقدی بدون اهرم پنج‌ساله برای یک شرکت فرضی به نام 'Meridian Software' می‌سازد. داده‌های ورودی شامل ارقام واقعی سال مالی ۲۰۲۵ است: ۸۵۰ میلیون دلار درآمد (رشد ۱۸٪ سال به سال)، حاشیه EBITDA ۲۷٪، استهلاک و Amortization (D&A) معادل ۴٪ از درآمد، مخارج سرمایه‌ای (CapEx) معادل ۵٪ از درآمد و تغییرات سرمایه در گردش خالص (NWC) معادل ۱٪ از رشد درآمد، با نرخ مالیات ۲۴٪ و بدهی خالص ۳۲۰ میلیون دلار (۹۲ میلیون سهم رقیق‌شده).

بر اساس فرضاتی مبنی بر اینکه رشد درآمد طی ۵ سال به‌صورت خطی از ۱۸٪ به ۶٪ کاهش یابد، حاشیه EBITDA در مجموع ۱۰۰ واحد پایه (bps) رشد کند و هزینه سرمایه (WACC) ۹.۵٪ با رشد ترمینال ۲.۵٪ باشد، عامل ارزش شرکت (Enterprise Value)، ارزش حقوق صاحبان سهام (Equity Value) و قیمت ضمنی هر سهم را محاسبه می‌کند.

همچنین به‌جای ارائه یک عدد ایستا، سیستم یک ماتریس حساسیت دوبعدی تولید می‌کند. این ماتریس WACC را در بازه ۸.۵٪ تا ۱۰.۵٪ (با گام‌های ۵۰ واحد پایه) در برابر رشد ترمینال در بازه ۱.۵٪ تا ۳.۵٪ (با گام‌های ۵۰ واحد پایه) تست می‌کند. با استفاده از matplotlib ،سیستم یک شیء JSON را تحت نشانگر :SENS_JSON استخراج کرده و این شبکه را به یک بصری‌سازی Heatmap حرفه‌ای با نقشه رنگی از قرمز به سبز (RdYlGn) تبدیل می‌کند.

۲. تحلیل شرکت‌های مشابه (Comparable-Company Analysis)
سیستم مجموعه‌ای از شرکت‌های همتا شامل نمادهای ALFA، BRVO، CHRL و DLTA را پردازش می‌کند. برای هر شرکت داده‌هایی شامل قیمت، تعداد سهام، بدهی خالص، درآمد ۱۲ ماه آینده (NTM Revenue)، EBITDA آینده و EPS آینده فراهم شده است. عامل وظیفه محاسبه NTM EV، و ضرایب EV/Revenue، EV/EBITDA و P/E را بر عهده دارد.

عامل آمارهای توصیفی شامل مقدار حداقل، چارک ۲۵٪، میانه (Median)، چارک ۷۵٪ و مقدار حداکثر را با استفاده از ابزار پایتون محاسبه می‌کند. به‌جای چاپ ساده یک جدول، داده‌ها در یک دفترچه اکسل چند‌برگه‌ای (comps_analysis.xlsx) با استفاده از کتابخانه openpyxl اکسپورت می‌شوند. خروجی شامل موارد زیر است:

• برگه Comps: جدول کامل ضرایب شرکت‌های همتا.
• برگه Summary Stats: بنچ‌مارک‌های آماری دقیق.
• فرمت‌بندی حرفه‌ای: اسکریپت از openpyxl.styles برای اعمال سربرگ سرمه‌ای تیره (1F4E79) با متن سفید و ضخیم (Bold) استفاده می‌کند و همچنین حداکثر طول محتوا در هر ستون را محاسبه می‌کند تا عرض ستون‌ها به‌صورت خودکار (w + 3) تنظیم شود.

۳. یادداشت‌های کمیته سرمایه‌گذاری (IC Memos)
با استفاده از مهارت ic-memo ،عامل پیش‌نویس یک یادداشت خرید (Buyout Memo) دور اول برای مورد Meridian Software تهیه می‌کند. در این یادداشت، ارزش‌گذاری حول یک ضریب ورودی ۱۱ برابر EV/EBITDA، اهرم ۴۵٪ و بازه نگهداری ۵ ساله شکل می‌گیرد.

عامل از ابزار پایتون برای محاسبه تقریبی MOIC (ضریب سرمایه سرمایه‌گذاری شده) و IRR (نرخ بازده داخلی) بر اساس پیش‌بینی‌های جریان نقدی استفاده می‌کند. در نهایت، با استفاده از ابزار save_file یک فایل Markdown حرفه‌ای با عنوان ic_memo_meridian.md تولید می‌کند که صحت آن با بررسی اندازه بایت فایل در دایرکتوری outputs/ تأیید می‌شود.

یکپارچه‌سازی و استقرار

این معماری علاوه بر حلقه محلی پایتون، از رابط‌های پروتکل زمینه مدل (Model Context Protocol - MCP) پشتیبانی می‌کند. این فناوری که بررسی مفصل‌تری از نقش آن در حذف کدهای یکپارچه‌ساز در گردش‌کارهای B2B داشتیم، امکان اتصال به داده‌های خارجی را تسهیل می‌کند. سیستم با جست‌وجوی فایل‌های .mcp.json در مخزن، می‌تواند اتصال‌دهنده‌های داده‌های مالی خارجی و URLهای مربوطه را نمایش دهد. این قابلیت به عامل اجازه می‌دهد تا از داده‌های مصنوعی به سمت فیدهای داده‌ای واقعی از ارائه‌دهندگان دارای مجوز حرکت کند، از جمله:

• Daloopa
• FactSet
• S&P
• Morningstar
• PitchBook

برای مقیاس‌پذیری در محیط تولید، مسیر استقرار از طریق «عامل‌های مدیریت‌شده» (Managed Agents) توصیف شده است. در این مسیر، با بررسی فایل‌های agent.yaml در کتاب‌های دستورالعمل، توالی استقرار به‌صورت زیر مشخص می‌شود:

۱. Resolve File References: نقشه‌برداری و شناسایی فایل‌های مهارت مورد نیاز.
۲. Upload Skills: انتقال پلی‌بوک‌ها به محیط تحت نظارت (Governed Environment).
۳. Leaf-Worker Subagents: ایجاد زیر-عامل‌های متخصص که هر کدام وظایف مجزایی را مدیریت می‌کنند.
۴. Orchestration: ارسال درخواست POST به مسیر /v1/agents و مدیریت حلقه رویدادهای handoff_request از طریق اسکریپت scripts/orchestrate.py.

این چرخش به سمت معماری عامل‌های مهارت‌محور، شیوه پیاده‌سازی AI در امور مالی را به‌کلی تغییر می‌دهد. با جداسازی «متدولوژی» (که همان مهارت است) از «اجرا» (که بر عهده LLM است)، شرکت‌ها می‌توانند پایبندی سخت‌گیرانه به استانداردهای ارزش‌گذاری سازمانی را تضمین کنند و هم‌زمان از انعطاف‌پذیری هوش مصنوعی زاینده بهره ببرند. این رویکرد به‌طور مؤثر کلود را از یک چت‌بات ساده به یک محیط اجرای حاکمیتی (Governed Runtime) برای تحلیلگران مالی تبدیل می‌کند.

برای انتقال این سیستم از محیط آزمایشگاهی (Sandbox) به تولید، توسعه‌دهندگان می‌توانند این مهارت‌ها را به‌عنوان پلاگین در Claude Code یا Cowork ادغام کنند. این امر تضمین می‌کند که هر تحلیل تنها یک پیش‌نویس برای بازبینی متخصصان انسانی است و نه توصیه‌ای بدون نظارت. این پیاده‌سازی را می‌توان با بارگذاری مهارت‌های بیشتر از فهرست، مانند lbo (خرید مصالح)، merger (ادغام)، earnings (گزارش سود)، rebalance (توازن مجدد)، tlh (برداشت زیان مالیاتی) یا kyc (شناسایی مشتری) گسترش داد.

شما می‌توانید با کلون کردن مخزن financial-services در گیت‌هاب و تست منطق SkillRegistry در محیط Google Colab، این پیاده‌سازی را به‌طور کامل بررسی کنید. کد کامل را در اینجا مشاهده نمایید. همچنین می‌توانید ما را در توییتر دنبال کنید و فراموش نکنید که به SubReddit ما با بیش از ۱۵۰ هزار عضو در حوزه ML بپیوندید و خبرنامه ما را مشترک شوید. آیا در تلگرام هستید؟ اکنون می‌توانید در کانال تلگرامی ما نیز عضو شوید. اگر برای تبلیغ مخزن گیت‌هاب، صفحه Hugging Face، عرضه محصول یا وبینار خود به دنبال همکاری هستید، با ما در ارتباط باشید. Sana Hassan، کارآموز مشاور در Marktechpost و دانشجویی با مدرک دوگانه از IIT Madras، مشتاق به کاربست فناوری و هوش مصنوعی برای حل چالش‌های دنیای واقعی است و دیدگاهی تازه در تقاطع AI و راهکارهای عملی ارائه می‌دهد.

گام بعدی شما

• مخزن financial-services را در گیت‌هاب کلون کنید تا ساختار فایل‌های SKILL.md و متادیتاهای YAML را بررسی کنید.
• منطق SkillRegistry را در محیط Google Colab تست کنید تا متوجه شوید چگونه می‌توان مهارت‌های جدید را به مدل تزریق کرد.
• برای تبدیل این سیستم به یک ابزار تولیدی، مهارت‌ها را به‌عنوان پلاگین در Claude Code یا Cowork ادغام کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.