Claude

很多企业现在已经过了“要不要用 AI”的阶段，真正的问题变成了：怎么让 AI 从一个局部工具，变成组织持续复利的一部分。 Anthropic 这份《Building AI agents for the enterprise》讲的核心不是某个产品功能，而是企业落地 AI agents 时的一条分水岭： 一边是把 AI 当成聊天框。员工问一句，它答一句；某个团队做一个 demo，短期看起来很酷，但很难进入真实生产流程。 另一边是把 AI 当成可以理解上下文、调用工具、执行多步骤任务的工作系统。它不只是回答问题，而是能参与员工工作、流程自动化和产品能力建设。 这篇文章我会从技术落地视角拆一下：企业为什么需要 agents，应该先改什么，怎么设计试点，以及哪些坑最容易让 AI 项目停在 demo 阶段。 1. Chatbot 和 Agent 的差别，不是界面，而是责任边界 很多企业的第一步都是上一个 chatbot：接 FAQ、查文档、总结会议、写邮件。 这当然有价值，但 chatbot 的工作方式通常是单轮的：用户提出问题，模型返回答案。它不负责拆解任务，也不负责调用系统，更不负责把结果落到某个业务流程里。 Agent 的边界更大。它需要能做几件事： 理解目标，而不是只理解一句 prompt 拆成多个步骤 在步骤之间保留状态 调用内部工具和数据源 根据中间结果调整路径 产出可以交付、审计、复用的结果 比如销售场景里，一个 chatbot 可以回答“这家公司是做什么的”。一个 agent 应该能从 CRM、会议记录、历史邮件、竞品库里拉数据，生成一份客户拜访 briefing，并标出风险、机会和下一步建议。 这就是差别。chatbot 是问答界面，agent 是工作流执行层。 2. 企业 AI 的第一件事：给模型组织上下文 通用模型默认不知道你的公司怎么工作。 它不知道销售团队怎么定义有效商机，不知道法务团队对合同条款的风险分级，不知道财务团队的科目口径，不知道市场团队的品牌语气。没有这些上下文，AI 只能产出“看起来还行”的通用内容，最后仍然需要人重新改一遍。 企业真正的效率来自把组织知识编码进去： 组织标准 ├─ 术语表 ├─ 品牌语气 ├─ 合规要求 ├─ 审批流程 ├─ 报表口径 ├─ 风险框架 └─ 工具连接方式 这个动作比选模型更重要。两个团队用同一个模型，结果差异可能非常大，原因不是模型能力不同，而是上下文质量不同。 ...

Anthropic 最近发了一篇 The Founder’s Playbook，讲 AI-native startup 怎么从想法走到规模化。 它最有意思的地方，不是说创业者现在可以少招几个人，也不是说 Claude Code 能帮你写一个 MVP。更关键的是，AI 把 founder 的工作重心往前推了一层：过去很多事要亲手做，现在更像是在设计一套能被 AI 放大的工作流。 这不代表 founder 可以退到后面，当一个发号施令的人。恰好相反，判断力变得更贵了。你要知道什么问题值得验证，什么产品应该砍掉，什么用户反馈是真的，什么增长只是新鲜感。 如果把创业拆成四个阶段，Idea、MVP、Launch、Scale，每一阶段都有一件不能外包给 AI 的事。 1. Idea：先验证问题，不要先写产品 很多早期项目死得很快，不是因为产品做不出来，而是因为一开始就验证错了东西。 有了 AI 以后，写 landing page、生成竞品分析、画用户画像、起草 pitch deck 都变得很快。快本身是好事，但它也会让人更容易跳过最难受的部分：直接去问真实客户，这个问题到底痛不痛。 Idea 阶段最该验证的不是“这个点子听起来酷不酷”，而是三件事： 谁现在真的有这个问题； 他们今天怎么解决； 他们有没有强到愿意付钱或换流程的动机。 Claude 在这里很适合做准备工作。比如把一个行业拆成不同客户群，整理常见竞品，生成访谈问题，帮你把十几段访谈记录归类。它能让你更快进入客户语境，不用从空白页开始。 但它不能替你判断客户有没有撒谎。 很多人在访谈里会说“这个很有意思”“如果有我会用”，这些话听起来像正反馈，实际含金量很低。更有用的问题往往是：你上次什么时候遇到这个问题？当时花了多少钱或多少时间？如果明天就有一个解决方案，你愿意从哪个预算里付？ Idea 阶段可以用 AI 加速研究，但不要用 AI 代替现实摩擦。没有客户证据的漂亮总结，只是更好看的幻觉。 2. MVP：能交付，但不要变成一次性代码堆 AI 对 MVP 的影响最直接。过去一个非技术 founder 可能要先找技术合伙人，或者花钱外包一个粗糙版本。现在用 Claude Code、Cursor、Replit 这类工具，很多人可以自己把第一版产品搭出来。 这件事很重要，因为它降低了试错成本。你不必一开始就组一个完整团队，也不必在还没验证需求时烧掉太多钱。 但 MVP 能跑，不等于它能继续长。 AI 写代码最容易带来的问题是：你一开始速度很快，后面越来越慢。功能堆上去了，文件越来越长，状态散在各处，错误处理靠运气，测试没有补，安全边界也没想清楚。到某个节点，你会发现产品不是不能继续写，而是每改一处都担心炸掉另一处。 所以 MVP 阶段的重点不是追求架构完美，而是保留几个基本约束： ...

Claude for Financial Services 是 Anthropic 提供的一套金融行业 Claude Agent、Skill 和插件参考库。它面向的不是某一个单点任务，而是金融团队每天都会遇到的材料整理、模型搭建、分析初稿和检查流程。 它适合经常和 Excel、PDF、财报、电话会 transcript、PPT 模板、市场数据、内部资料打交道的人。比如投行、企业融资、PE、二级研究、资管、财富管理、基金运营、财务运营，以及 onboarding / KYC 支持团队。 这类工作的共同点是输入材料多、格式要求高、人工重复步骤多。Claude 在这里承担的是起草和整理角色：先把资料读进去，按金融工作流生成一版可审核的输出，再交给专业人员判断、修改和批准。 适用谁 如果你经常需要产出 pitch book、估值模型、研究笔记、IC memo、对账说明或 KYC 审查结果，这个项目就比较对口。 投行和 PE 团队可以用它处理 pitch、估值、交易材料和投资备忘录；二级研究和资管团队可以用它整理财报、电话会、filings 和模型更新；基金运营和财务团队可以用它辅助对账、月结和 LP statement 审核；KYC 或 onboarding 团队可以用它做文件检查和缺口整理。 它不要求所有人都写代码。个人试用时，可以把它当作 Claude Code 或 Cowork 插件来用；企业落地时，也可以把同一套 Agent 接到内部系统、数据源和审批流里。 能做什么 项目里有两类能力。 一类是完整 Agent，适合跑一段端到端工作流。比如从公司资料出发生成 pitch deck 草稿，或者从财报和电话会出发起草 earnings note。 另一类是垂直插件和 slash command，适合处理更具体的任务，比如 /comps、/dcf、/lbo、/earnings、/ic-memo。这些命令更像是金融分析里的单项工具，用的时候给它材料和目标，它按对应方法产出初稿。 可以重点看四个代表 Agent。 Pitch Agent Pitch Agent 适合投行、PE 和企业融资团队准备 pitch 材料。 它可以基于公司资料、财务数据、行业信息和模板，辅助完成可比公司分析、precedent transactions、LBO、估值区间和 pitch deck 草稿。对 deal team 来说，它更像一个能先把材料铺好的分析师助手，最终版本仍然需要 banker 或项目组审核。 ...