官网 Claude 官方博客发布 2026-08-10 10:34 39

Hebbia如何用Claude打造滴水不漏的金融尽职调查AI

Hebbia为金融机构构建AI尽职调查软件，客户覆盖Top50资产管理公司中超过三分之一及顶级投行和律所。其meta-prompting技术将自然语言请求转化为提示，由Claude逐步执行。在最新测试中，Claude Fable 5取得了研究团队记录的最大准确率提升，并能追踪此前模型遗漏的复杂查询。创始产品经理Divya Mehta约一半时间用于服务核心客户。

推荐理由：金融尽职调查涉及海量文档与多步推理，Hebbia的meta-prompting实践展示了如何利用大模型降低漏查风险，对构建分析型Data Agent有直接参考价值。

Data AgentAnthropicClaudeHebbia

译文 AI 逐段翻译

在前沿工作：Hebbia 如何构建不遗漏任何细节的金融尽调 AI

Hebbia 为金融专业人士构建研究和尽调软件，并针对与专家结果相关的金融评估测试每一个新模型。在测试中，Claude Fable 5 取得了其研究团队有史以来最大的准确率提升，并追踪了之前模型不断丢弃的复杂查询。

类别企业 AI
产品未找到项目。
日期 2026年7月13日
阅读时间 5分钟
分享复制链接https://claude.com/blog/working-at-the-frontier-how-hebbia-builds-ai-for-financial-diligence-that-cant-miss-a-detail

Hebbia 是一个为机构金融的严谨性而构建的 AI 平台，服务于前 50 大资产管理公司中超过三分之一，以及顶级投资银行和律师事务所。公司创始产品经理 Divya Mehta 大约一半的时间花在其最大的投资银行、私募股权和信贷客户上。

这些客户基于跨越数千份密集文档的分析做出决策，其中错误的数字可能改变整个交易的结果。

Hebbia 如何坚持准确性

银行家或投资者评估机会时，必须处理可能影响决策的所有数据，包括公司的公开文件、信贷协议、内部文档以及结构化数据（如 CRM 中的信息）。Hebbia 的元提示将自然语言请求转换为提示，然后 Claude 在数百份文档中执行分析的每一步。每个答案都落在 Hebbia Matrix 网格中各自的单元格中，实现完全的透明性、可追溯性和可操纵性。

在大规模下保持答案准确是 Hebbia 应用 AI 研究团队的工作，由 Adithya Ramanathan 领导。对于 Ramanathan，这项工作的意义在于发现信号：让模型在正确的上下文中提取正确的数据，并呈现客户想要知道的内容。

"当你将它连接到正确的数据并放入正确的生态系统时，" Ramanathan 说，"你就能获得金融专业人士真正追求的阿尔法。"

要做到这一点，需要将每个新模型与 Hebbia 的金融特定基准进行对比测试，与其要替代的模型进行头对头比较，并随着每个版本的发布扩大基准的测量范围，以跟上模型的改进。该基准故意设计得很难。

"门槛非常高，我们的客户要求我们达到这个极高的门槛——而且理应如此，" Mehta 说。"归根结底，他们根据在 Hebbia 中构建的分析和最终工作产品进行大规模的投资决策。"

以迄今最大幅度通过 Hebbia 的评估

应用 AI 团队的研究员 Joe Renner 对每个新的 Claude 模型运行该基准测试，使用一系列测试来模拟关键的金融知识工作者用例。其中一项测试涵盖对金融文档的问答和引文查找。另一项测试运行 Hebbia 的代理系统，使用其聊天产品使用的工具，进行客户实际进行的开放式、多源分析。

Claude Fable 5 以 Renner 测量的最大幅度通过了两项测试。在问答和引文测试中，它在金融文档上的准确率相对提升了约 20%，这是他见过的任何新模型中最好的。引文匹配大致持平——Renner 认为提升来自模型更好地理解它找到的证据。

"这归结为两个看似基本的品质：从密集数据集中找到正确信息，然后正确地综合它，" Divya 说。"这些似乎是基本的模型能力，但当我们考虑金融和研究工作流程时，它们具有巨大的影响。" 在代理运行中，它同时保持多部分请求的每个部分，回答所有问题并将每个答案引用回其来源。

Claude Fable 5 还表现出更大的覆盖范围。在开放式分析中，它从更广泛的数据截面进行推理，并得出了团队认为值得进一步研究的结论。Renner 将其归因于模型如何保持长任务的连贯性：它保持请求的每个部分在视野中，提示自己的子代理和工具以返回正确的事实，并将每个声明基于来源而非推断。

用 Claude Fable 5 设定交易尽职调查的新标准

给客户带来优势的信息通常位于非结构化的专有文档中。

这些文档比金融已经良好建模的结构化定量数据更难大规模分析。Hebbia 构建 Matrix 是为了使这种定性工作系统化，每一代模型都拓宽了它可以处理的范围。

这可能是一个包含数千份文档的数据室，其中工作是找到相关信号，引用它，并起草投资备忘录的各个部分。或者可能是分析与信贷交易相关的每份文档（信贷协议、修正案、补充协议，每份都有数百页密集的技术内容），并从非结构化数据中提取完整的契约包、财务条款和运营限制。

"这些实际上一直是 Anthropic 模型非常擅长的文档类型，" Mehta 说。

使用早期的 Sonnet 和 Opus 模型，Matrix 已经可以提取和综合信贷协议的契约——贷款人写入的密集保护条款。有了 Claude Fable 5，Hebbia 正在实现其余工作：在这些契约之上的多步骤分析，将其与实时监控数据进行比较，标记风险，一直到契约审查和内部备忘录的初稿。这种审查是信贷公司过去支付外部团队大量费用手工制作的。

接下来是什么

既然像 Claude Fable 5 这样的模型能够端到端地完成这项工作，比较的便是它所取代的专家工作时间。

在 AI 出现之前，当董事总经理需要一份向 CEO 推销的演示文稿时，初级银行家需要 2-3 天的时间来了解公司、提取财务数据并构建幻灯片。在 Opus 之前的时代，制作初稿的时间缩短了 12 到 24 小时，而 Hebbia 的 Mehta 表示，使用早期的 Opus 模型，这一时间进一步缩短，大约只需一天即可端到端完成。Hebbia 已将整个工作流程编码到 Matrix 中，通过一系列确定性的智能体步骤从多个来源收集数据，进行分析，并在几分钟内构建最终的演示文稿、财务模型和内部研究，这样银行家就可以将时间花在决定追求哪些买家以及如何定位他们上。她说，Claude Fable 5 进一步缩短了时间。

将工作分解为步骤仍然很重要，“无论模型多么出色”，因为公司希望控制哪些文档用于分析以及每个步骤的构建方式。因此，Hebbia 正在采用 Claude Agent SDK，将这些任务组合成更小、可重复、经过检查的步骤，而不是单一的模型运行。

“压缩交易生命周期对公司在这些投资中的竞争力有着巨大影响，”Mehta 说。她在与客户的对话中听到了这一点。两三年前，问题还是防御性的，涉及幻觉和数学是否正确。“如今，这些对话完全改变了。他们问的是：我怎样才能自动化更多工作流程？我怎样才能将更多步骤串联起来？我怎样才能一键生成十张、十五张、二十张幻灯片，且具有高保真度和一致性？”

开始使用Claude Fable 5。

未找到项目。

0/5

电子书

常见问题解答

未找到项目。

探索更多产品新闻和关于使用 Claude 构建团队的最佳实践。