企业官网建设流程全解析

用 Claude Custom Skill 构建财务报表比率分析器：从 SKILL.md 到可落地的财务分析引擎

【免费下载链接】claude-cookbooksA collection of notebooks/recipes showcasing some fun and effective ways of using Claude.项目地址: https://gitcode.com/GitHub_Trending/an/claude-cookbooks

Claude Skills 允许开发者以"目录 + SKILL.md + 可执行脚本"的形式，把特定领域的专业知识打包成可被 Claude 动态加载的能力。本篇文章以 claude-cookbooks 仓库中的 analyzing-financial-statements 自定义技能为完整范本，讲解如何设计一份财务比率计算技能——包括六大类财务比率的指标体系、输入输出约定、两条核心 Python 脚本的计算原理，以及如何在 Jupyter Notebook 中把它上传、测试并用于实际投资分析。读完本文，你将掌握自定义财务分析类 Skill 从目录结构、Frontmatter 编写到代码实现的完整方法论。

技能目录与 Frontmatter：Skill 的"身份证"

Custom Skill 的目录结构遵循统一约定，SKILL.md是唯一必需文件，其余脚本、资源均为可选。analyzing-financial-statements 目录下共包含三个文件：

skills/custom_skills/analyzing-financial-statements/ ├── SKILL.md # 技能说明（必需）：Frontmatter + 指令正文 ├── calculate_ratios.py # 计算引擎：全部财务比率的计算实现 └── interpret_ratios.py # 解释模块：行业基准对比、趋势分析与报告生成

SKILL.md开头是 YAML Frontmatter，定义了 Claude 在**加载阶段（Metadata Stage）**最先看到的两项信息，它们决定了技能何时被检索、被调用：

--- name: analyzing-financial-statements description: This skill calculates key financial ratios and metrics from financial statement data for investment analysis ---

按仓库 Notebook 与 Skills 文档规范，name采用小写字母与连字符（本技能即analyzing-financial-statements），建议控制在 64 字符内；description用于能力描述与触发匹配，建议不超过 1024 字符。Frontmatter 之下才是指令阶段的正文：能力清单、使用步骤、输入输出格式、最佳实践与局限性——这些构成了 Claude 执行任务时的行为准则。

渐进式披露（Progressive Disclosure）机制贯穿始终：元数据阶段始终可见以触发匹配；指令阶段（SKILL.md等所有.md文件）在主题相关时才加载；calculate_ratios.py、interpret_ratios.py等脚本属于资源阶段，仅在需要执行计算时才按需读取。这正是该技能把"知识"与"代码"分层放置的设计逻辑。

能力边界：技能覆盖的六大财务比率体系

SKILL.md的 Capabilities 一节给出了技能的完整计算域。技能的定位是"财务健康体检"，覆盖公司经营分析的常见维度：

这些分类并非只停留在文档层面，而是完整映射到了 calculate_ratios.py 中FinancialRatioCalculator类的五个分组方法上：calculate_profitability_ratios()（L33）、calculate_liquidity_ratios()（L61）、calculate_leverage_ratios()（L82）、calculate_efficiency_ratios()（L106）与calculate_valuation_ratios()（L130）。因此，只要补充每股股息口径的数据字段，技能便可覆盖文档声明的全部指标。

三步使用流程与真实输入格式

SKILL.md把技能的交互收敛为三个步骤：输入报表数据 → 指定要计算的比率（或使用 "all"）→ 获得计算结果与行业解读。典型触发语句包括：

"Calculate key financial ratios for this company based on the attached financial statements" "What's the P/E ratio if the stock price is $50 and annual earnings are $2.50 per share?" "Analyze the liquidity position using the balance sheet data"

技能可接受的输入格式有四种：财务科目行的CSV、结构化报表的JSON、关键财务数据的文本描述，以及含财务报表的Excel 文件。其中 JSON 是底层引擎最直接的输入形态——calculate_ratios.py 的FinancialRatioCalculator.__init__（L13-L25）会把传入字典拆解为四个命名空间：

• income_statement：利润表科目，含revenue、cost_of_goods_sold、operating_income、ebit、ebitda、interest_expense、net_income；
• balance_sheet：资产负债表科目，含total_assets、current_assets、cash_and_equivalents、accounts_receivable、inventory、current_liabilities、total_debt、current_portion_long_term_debt、shareholders_equity；
• cash_flow：现金流量表科目（operating_cash_flow等，为未来的现金流指标预留）；
• market_data：市场数据，含share_price、shares_outstanding、earnings_growth_rate。

脚本文件末尾（L310 起）自带一份可直接运行的示例数据——收入 100 万美元、总资产 200 万美元、股本 150 万美元、股价 50 美元等——演示了文本/CSV 输入如何被结构化后喂给计算引擎。将SKILL.md中"文本描述财务数据"的能力与源码字典结构对照即可发现：Claude 的工作就是把非结构化输入翻译成上述四个字典字段再交给脚本。

输出格式与解读报告

依据SKILL.md，计算结果应包含：计算出的比率与数值、可用时的行业基准对比、多期数据时的趋势分析、解读与洞见，以及格式化的 Excel 报告。这一"输出规范"与 interpret_ratios.py 的实现一一呼应：

• 数值：calculate_ratios.py中format_ratio()（L229-L240）按指标性质输出%（毛利率、ROE 等百分比型）、x（周转/保障倍数）、days（应收天数）或$（每股金额）；
• 行业基准对比与解读：RatioInterpreter内置BENCHMARKS行业基准表（L13-L48），支持technology、retail、financial、manufacturing、healthcare五个行业及兜底的general基准，逐项给出 Excellent/Good/Acceptable/Poor 评级和行动建议；
• 趋势分析：analyze_trend()（L187-L227）对比首末两期数值计算变化幅度与方向，识别 Stable/Improving/Deteriorating 趋势（对杠杆类指标方向判定相反）；
• 综合洞见：perform_comprehensive_analysis()（L261-L311）汇总"当期分析 + 趋势分析 + 整体健康度 + 优先级建议"，_assess_overall_health()（L314-L350）将各比率评级折算为 4 分制得分并给出公司财务健康度的整体判定，generate_report()（L229-L258）则生成格式化的分析报告文本。

也就是说，interpret_ratios.py不只是简单翻译数值，而是通过基准分级、方向判定、评分汇总三层逻辑，把裸数值转化为可辅助决策的结论。这与文档中"Industry benchmark comparisons、Trend analysis、Interpretation and insights"的输出承诺完全对应。

计算引擎逐类拆解：六类比率的公式来源

下面结合calculate_ratios.py各方法，逐类核对指标公式，方便你在改造技能时增减字段口径。

盈利能力（L33-L59）

• ROE =net_income / shareholders_equity；
• ROA =net_income / total_assets；
• 毛利率 =(revenue - cogs) / revenue（内部先计算gross_profit）；
• 营业利润率 =operating_income / revenue；
• 净利率 =net_income / revenue。

流动性（L61-L80）

• 流动比率 =current_assets / current_liabilities；
• 速动比率（酸性测试）=(current_assets - inventory) / current_liabilities，即剔除存货的流动资产口径；
• 现金比率 =cash_and_equivalents / current_liabilities，最严苛的短期偿付口径。

杠杆/偿债（L82-L104）

• 资产负债率 D/E =total_debt / shareholders_equity；
• 利息保障倍数 =ebit / interest_expense；
• 偿债覆盖率 DSCR =operating_income / (interest_expense + current_portion_long_term_debt)——分母即当期需偿还的本息总和。

运营效率（L106-L128）

• 资产周转率 =revenue / total_assets；
• 存货周转率 =cogs / inventory；
• 应收账款周转率 =revenue / accounts_receivable；
• 顺带推导应收账款周转天数 DSO =365 / receivables_turnover。

估值与每股指标（L130-L166）

• EPS =net_income / shares_outstanding；P/E =share_price / EPS；
• 每股净资产 BVPS =shareholders_equity / shares_outstanding；P/B =share_price / BVPS；
• P/S =market_cap / revenue（市值 = 股价 × 总股本）；
• EV/EBITDA =(market_cap + total_debt - cash) / ebitda（企业价值扣除现金后对 EBITDA 的倍数）；
• PEG 仅在earnings_growth_rate > 0时计算，即PE / (growth_rate × 100)，规避负增长导致的无意义结果。

关键工程细节：除零保护。所有除法都经由safe_divide()（L27-L31）——分母为零时返回默认值 0.0，而不是抛 ZeroDivisionError。这让脚本在遇到缺失科目或零值字段时仍能稳定运行，是财务数据常不完整场景下的必要健壮性设计。

在 Notebook 中创建、上传并实测该 Skill

在 skills/notebooks/03_skills_custom_development.ipynb 中，该技能被作为"自定义技能开发"第一个完整示例（L352 起）进行演示，完整链路为：

1. 初始化客户端与目录（L113-L124）：读取ANTHROPIC_API_KEY，以anthropic-beta: skills-2025-10-02头创建Anthropic客户端，SKILLS_DIR = Path.cwd().parent / "custom_skills"；
2. 清理潜在同名冲突（L305-L345）：调用list_custom_skills(client)检查是否已存在名为 "Financial Ratio Analyzer" 的技能，存在时先delete_skill()删除旧版本，避免上传时报cannot reuse an existing display_title；
3. 上传技能目录（L380-L403）：create_skill(client, str(financial_skill_path), "Financial Ratio Analyzer")底层调用client.beta.skills.create(display_title=..., files=files_from_dir(skill_path))，把整个analyzing-financial-statements目录打包上传，成功后可取回skill_id与latest_version；
4. 实测技能（L421-L453）：以文本形式输入一份迷你财务数据（收入 $1,000M、EBITDA $200M、净资产 $1,200M、股价 $50、股本 100M 等），调用test_skill(client, financial_skill_id, test_prompt)触发一次包含该 custom skill 的 Messages API 请求，从响应中提取文本输出作为验证。

这套流程揭示了 Skill 的运行时机制：Claude 收到用户的分析请求后，依据元数据匹配到该技能，加载SKILL.md指令，再把计算逻辑"外包"给捆绑脚本执行——脚本负责确定性数值计算，Claude 负责字段映射、结果组织与自然语言表达。可配合参考仓库中 sample_data/financial_statements.csv 这类报表样例，快速构造更真实的测试输入。

解读引擎：行业基准、趋势与行动建议的落地细节

如果说calculate_ratios.py解决"算得准"，interpret_ratios.py则解决"看得懂"。其内部采用评级取向分治的策略：

• 越高越好型（current_ratio、roe、gross_margin）：值达到excellent/good/acceptable基准线即依次评为 Excellent → Good → Acceptable，低于最差线则为 Poor；
• 越低越好型（debt_to_equity）：反向比较，低于excellent阈值才是 Excellent（"资本结构非常保守"）；
• 估值语境型（pe_ratio）：区分负盈利（PE ≤ 0）与正盈利区间，再按 undervalued/fair/growth/expensive 四档给出"潜在低估/合理/成长溢价/高估"评级。

每个评级还会通过_get_recommendation()（L153-L185）映射到一句可执行建议，例如流动比率 Poor 时建议"改善营运资金管理、降低短期债务或增加流动资产"，ROE Poor 时建议"聚焦运营效率与盈利能力改善"。在_generate_key_recommendations()（L353 起）中，所有 Poor 评级会升级为 "Priority:" 前缀的最高优先级建议，配合趋势下滑的 "Monitor:" 条目，最终返回不超过 5 条的精炼行动清单。

最佳实践与已知局限

SKILL.md沉淀了此类技能在真实财务分析中的工程纪律，写作与扩展技能时应一并遵守：

1. 计算前校验数据完整性：脚本对各字段用.get(key, 0)兜底，缺字段返回 0，但零值本身可能就是异常信号（如股本为零导致 ROE=0）；
2. 合理处理缺失值：用行业均值补全或剔除该指标，避免静默扭曲结论；
3. 解释时必须考虑行业语境：同一 D/E 在金融业（基准可接受值 4.0）与科技业（可接受值 1.0）含义天差地别，务必选择匹配的行业基准；
4. 提供多期数据做趋势对比：analyze_trend()要求至少两个时期的数据，单期输入只能给出截面结论；
5. 标记异常/令人担忧的比率：生成报告时对 Poor 评级与恶化趋势做显式标注。

同时需要正视文档声明的局限：分析依赖准确完整的财务数据；BENCHMARKS基准表是简化的通用指导值（各行业实际阈值需随业务调整）；部分比率并非适用所有行业（如银行报表中 D/E、存货指标口径特殊）；历史数据不能保证未来表现，任何结论都不应替代专业财务意见。从实现看，interpret_ratios.py 注释也明确写明基准为 "simplified for demonstration"——扩展技能时建议把行业基准表升级为可外部配置的数据源，并结合 applying-brand-guidelines 等技能共同使用的组合式工作流，把财务分析结果直接落入品牌化报表。

小结

analyzing-financial-statements是一个"文档即接口、脚本即实现"的典型自定义 Skill 范本：SKILL.md定义了技能的触发方式、能力边界与行为准则，calculate_ratios.py以字段化字典与除零保护实现了六大类比率与每股指标的计算，interpret_ratios.py则通过行业基准分级、趋势方向判定与综合健康度评分把数值翻译为可执行建议。开发者可参照该结构，把任意分析领域（估值建模、SaaS 指标、成本分析）的知识沉淀为同样的三层架构——这也正是 Skills 机制区分于普通提示词的工程价值所在。

【免费下载链接】claude-cookbooksA collection of notebooks/recipes showcasing some fun and effective ways of using Claude.项目地址: https://gitcode.com/GitHub_Trending/an/claude-cookbooks