Anthropicが公開した金融業界向けAIエージェント基盤「financial-services」完全解説——11種のClaudeエージェントとManaged Agents APIによる実装アーキテクチャ

はじめに：金融×AIエージェントが本格実用段階へ

金融業界におけるAI活用は、単純な文書要約や問い合わせ対応の自動化から、複雑な判断ロジックを伴う自律型エージェントの領域へと急速に進化しています。

Anthropicはこの潮流を受け、金融業界向けのAIエージェント基盤「financial-services」を公開しました。これは、Claude 3シリーズをベースとした11種の専門エージェントと、それらを統合的に管理・実行するManaged Agents APIによって構成されるリファレンス実装です。

本記事では、このアーキテクチャの技術的な全体像を体系的に解説します。実際の開発現場でどのように活用できるか、実務的な視点を交えながら段階的に理解を深めていきましょう。

financial-servicesとは何か

背景：金融領域特有の課題

一般的なLLMアプリケーションと比較して、金融業界のAI実装には固有の難しさがあります。

• コンプライアンス要件：金融商品説明・投資助言に関する規制対応
• 高い正確性要件：数値・条件の誤りが直接的な損害につながるリスク
• 複雑な業務フロー：与信審査・ポートフォリオ分析・リスク評価など多段階の判断プロセス
• データの機密性：顧客情報・取引データの厳格な管理

Anthropicの「financial-services」は、これらの課題に対するベストプラクティスとして設計されたエージェント基盤のリファレンス実装です。単なるサンプルコードではなく、本番環境での利用を想定したアーキテクチャパターンを提供しています。

アーキテクチャの全体像

[ユーザー / 外部システム]
        │
        ▼
┌─────────────────────────┐
│   Orchestrator Agent    │  ← 中央制御エージェント
│  (Managed Agents API)   │
└────────────┬────────────┘
             │ タスク委譲
   ┌──────────┼──────────────┐
   ▼          ▼              ▼
[専門エージェント群 × 11種]
   │
   ▼
[外部ツール / データソース]
（市場データAPI、社内DB、コンプライアンスシステム等）

このアーキテクチャの核心は、単一の巨大なプロンプトで全処理を行うのではなく、責務を明確に分離した専門エージェントに処理を委譲する点にあります。実際の開発現場では、この「関心の分離」が保守性と精度の両立に大きく貢献します。

11種のClaudeエージェント詳細解説

エージェントの分類

11種のエージェントは、大きく「オーケストレーション層」「分析・調査層」「コンプライアンス・リスク層」「顧客対応層」の4つに分類できます。

オーケストレーション層

1. Orchestrator Agent（総合調整エージェント）

すべての処理の起点となる中央制御エージェントです。ユーザーの意図を解釈し、適切な専門エージェントへタスクを委譲します。Managed Agents APIのcreate_sessionを使ってセッションを管理し、複数エージェントの並列実行も制御します。

技術的に重要なのは、このエージェントがプランニングと実行を分離している点です。まず処理計画を立案し、その計画をJSON形式で構造化した後、各専門エージェントに割り当てるという2ステップのアプローチを採用しています。

分析・調査層

2. Market Research Agent（市場調査エージェント）

外部の市場データAPIやニュースフィードにアクセスし、リアルタイムの市場動向を分析します。web_searchやretrieve_documentなどのツールを活用し、構造化されたリサーチレポートを生成します。

3. Portfolio Analysis Agent（ポートフォリオ分析エージェント）

顧客の資産配分・リターン・リスク指標を定量的に評価します。数値計算の精度を担保するため、Claudeのコード実行機能（code_executionツール）を積極的に活用し、LLMによる直接計算ではなくPythonコードを介した演算を行う点がベストプラクティスとして採用されています。

4. Financial Modeling Agent（財務モデリングエージェント）

DCF分析・バリュエーションモデル・シナリオ分析を担当します。テンプレートベースのモデル構築と、パラメータ変更による感応度分析を得意とします。

5. Document Analysis Agent（文書解析エージェント）

有価証券報告書・目論見書・契約書などの非構造化文書を読み込み、重要情報を抽出します。長文書の処理においては、Claudeの大きなコンテキストウィンドウを最大限に活用する設計になっています。

コンプライアンス・リスク層

6. Compliance Monitoring Agent（コンプライアンス監視エージェント）

このエージェントはアーキテクチャ上の重要な安全弁として機能します。他エージェントの出力を事後チェックし、規制上問題のある表現・断言的な投資助言・個人情報の露出などを検出します。

実際の開発現場では、このエージェントを**「ガードレール」として全出力パイプラインの末尾に配置する**パターンが推奨されています。

7. Risk Assessment Agent（リスク評価エージェント）

市場リスク・信用リスク・流動性リスクを多角的に評価します。定性・定量の両面でリスクを評価し、スコアリングと説明文を組み合わせた出力形式を採用します。

8. Fraud Detection Agent（不正検知エージェント）

取引パターンの異常検知・KYC（顧客確認）関連の判断支援を行います。確定的な判断ではなく「疑義フラグ」を立てる設計にすることで、最終判断を人間に委ねるヒューマン・イン・ザ・ループを実現しています。

顧客対応層

9. Customer Service Agent（顧客対応エージェント）

問い合わせ対応・口座情報の案内・商品説明を担当します。ここでもCompliance Monitoring Agentとの連携により、応答内容の適切性チェックが入る設計になっています。

10. Report Generation Agent（レポート生成エージェント）

分析結果を顧客向けレポートや社内資料として整形します。マークダウン・PDF・構造化JSONなど、複数の出力フォーマットに対応しています。

11. Data Retrieval Agent（データ取得エージェント）

社内データベース・外部API・ファイルストレージへのアクセスを一元管理します。他エージェントのデータソースへのアクセスをこのエージェントに集約することで、アクセス制御とログ管理を一点で担保できる設計になっています。

Managed Agents APIによる実装アーキテクチャ

セッション管理とエージェント間通信

Managed Agents APIの中心的な概念は「セッション」です。一連のタスク処理を単一セッションとして管理することで、エージェント間での文脈共有とステート管理を実現します。

import anthropic

client = anthropic.Anthropic()

# セッションの作成
session = client.beta.agents.sessions.create(
    agent_id="orchestrator-agent-id",
)

# タスクの実行
response = client.beta.agents.sessions.create_turn(
    agent_id="orchestrator-agent-id",
    session_id=session.id,
    messages=[{
        "role": "user",
        "content": "顧客ID: C-12345のポートフォリオリスク評価を実施してください"
    }]
)

サブエージェント呼び出しパターン

Orchestrator AgentからサブエージェントへのタスクデリゲーションはツールとしてClaudeに提示されます。これにより、Claudeが自律的に「どの専門エージェントを呼び出すべきか」を判断できます。

tools = [
    {
        "type": "computer_use",
        "name": "invoke_portfolio_agent",
        "description": "ポートフォリオ分析エージェントを呼び出す。資産配分・リスク分析・パフォーマンス評価に使用。",
        "input_schema": {
            "type": "object",
            "properties": {
                "customer_id": {"type": "string"},
                "analysis_type": {"type": "string", "enum": ["risk", "performance", "allocation"]}
            },
            "required": ["customer_id", "analysis_type"]
        }
    },
    # ... 他エージェントのツール定義
]

並列実行と結果集約

複数エージェントを並列実行するパターンは、特に時間のかかるリサーチ・分析タスクで威力を発揮します。実際の開発現場では、asyncioを使った非同期並列実行が標準的な実装パターンとして採用されています。

コンプライアンス設計の重要ポイント

出力の二重チェック体制

技術的に正確な表現をするならば、このアーキテクチャの最大の特徴は「生成と検証の分離」です。

1. 専門エージェントがコンテンツを生成
2. Compliance Monitoring Agentが独立した文脈で検証
3. 問題があれば再生成または人間へのエスカレーション

このパターンにより、単一エージェントへの過度な依存を避け、チェック機能の実効性を高めています。

監査ログの設計

金融業界では、AIの判断プロセスの説明責任が求められます。Managed Agents APIはセッション単位で実行ログを保持するため、「なぜそのエージェントが呼ばれたか」「どのような入出力があったか」を後から追跡可能な設計になっています。

まとめ：エージェント基盤設計の勘所

Anthropicの「financial-services」が示すアーキテクチャには、金融業界に限らず複雑な業務フローへのAIエージェント適用における重要な設計原則が詰まっています。

• 責務の明確な分離：エージェントは単一の専門領域に特化させる
• ガードレールの独立性：コンプライアンス検証は生成エージェントから独立させる
• データアクセスの集約：取得エージェントを経由することで制御とトレーサビリティを確保
• 人間との協調設計：確定的判断が難しいケースは積極的にエスカレーション

段階的に理解を深めていくとすれば、まずOrchestrator AgentとData Retrieval Agentの2つから実装を始め、業務要件に応じて専門エージェントを追加していくアプローチが現実的です。

Managed Agents APIはまだ発展途上の機能ですが、金融・医療・法務など「正確性とコンプライアンスが求められる領域」でのエージェント活用において、このアーキテクチャパターンは今後のデファクトスタンダードになる可能性が高いと見ています。引き続き動向を追っていきましょう。