7 月中旬，Claude 发布了自己的金融领域解决方案，Claudefor Financial Services（Claude FS）。 这不是“又一个垂直模型”，而是把可信数据层 + 可验证生成 + 采购交付打成整包的 B2B 方案，目标是实打实地压缩尽调、研究与合规链路的总工期。
Claude FS 提供三件事：
📒数据接入：通过 MCP，将企业内部湖仓与工具链（如 Snowflake、Databricks、Palantir）和行业数据库（如 S\x26amp;amp;P Global、Morningstar）拉到同一上下文上；
📒可验证输出：回答默认附原始来源链接，满足审计与合规的可追溯要求；
📒建模执行：依托长上下文与 Claude Code / Excel 工作流，实现“自然语言 → Python/SQL/Excel → 结果回写”的闭环，覆盖估值、对表、指标计算等标准化环节。
FT 最近的一线实证，AI is coming for (some) financial jobs，结论也基本和 Claude FS 的产品设计是同向的。
🚩以 LLM+ RAG 改造投研链路，可自动化覆盖约 70–75% 的分析师日常，整体效率提升至 约 4×；关键在于把资料收集▷估值建模 ▷CRM 联动▷交易前审查连成闭环。
🚩可信数据层是“通关钥匙”。S\x26amp;amp;P Global 等受信任数据进入模型工作流已成趋势；数据并入可验证生成路径，直接对齐合规与审计的刚性需求。换言之，强模型 ≠ 强结果，没有“干净、可追溯”的事实层，自动化只能停在演示级。
🚩自动化的边界同样明确。即便具备源链接与不确定性标注，交易、披露等高敏环节必须保留人工复核。因此，上线指标不能只看“更快”，而要兼顾正确率 × 可追溯率 × 复核人均时长。
去年看到Claude 做的一个金融数据分析的demo 理解为公开数据的试验田，\x26lt;a data-unique-id=\x26quot;me5qqmab-ss4gpv\x26quot; href=\x26quot;https://mp.weixin.qq.com/s?__biz=MzU2NzY1MDU1MQ==\x26amp;amp;mid=2247484242\x26amp;amp;idx=1\x26amp;amp;sn=768957ca24fb2f8c5e9d1dbc724b6cdb\x26amp;amp;scene=142#wechat_redirect\x26quot; class=\x26quot;normal_text_link\x26quot; target=\x26quot;_blank\x26quot; data-itemshowtype=\x26quot;0\x26quot;\x26gt;从Artifact到数据可视化：解析Claude的数据分析新范式\x26lt;/a\x26gt;。今天回看，金融场景的规模化采用很可能比大众想象更快——原因不是“模型更强”，而是可信数据层已被工程化地并入工作流，而且有了可审计的交付路径（如云市场采购、权限与留痕）。接下来决定扩散速度的，不是社媒热度，而是第一批可披露的 ROI 个案与团队是否补齐“金融 × 数据工程 × 合规”的复合能力。
相关延伸：为什么瓶颈是 Context → DataAgent 也许不是没用，只是我们低估了 Context · 主题页 Context