agentleFS
sergi-rzsergi-rz/claudia-os/.claude/skills/claudia-finanzas/SKILL.md

claudia-finanzas

Skill39 starsChanged 7 months agoMITView on GitHub

Análisis de gastos familiares: importa extractos bancarios, categoriza movimientos con reglas, enriquece con detalle de merchants, y genera dashboards.

The file

We split this skill into the rules it gives an agent

1 rule. About 0 are common, 1 is distinctive, and 0 are very specific to this project.

  • ≈0

    Common · estimate

    Many files like this have a rule of this kind.

  • ≈1

    Distinctive · estimate

    This author's own choices. Worth a look.

  • 0

    Very specific

    Tied to their project's names, files or tools. Probably skip.

  • Common
  • Distinctive
  • Very specific
  1. Distinctive:

    No pedir entrevista ni configuración.

    line 41

≈ “Common” is an estimate: at least 1 in 5 of the 372,429 skill files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.

Keep what fits and drop the rest. Your version, ready for your agents.
Files
SKILL.md

Finanzas — Análisis inteligente de gastos

Importa extractos bancarios (CSV), categoriza automáticamente cada movimiento, enriquece con detalle de merchants (Amazon, etc.), y genera dashboards visuales.

Personalización: antes de ejecutar, lee user/behavior.md en este directorio. Si tiene contenido, aplícalo como ajustes — en caso de conflicto con lo definido aquí, prevalece lo del usuario.

First-run: bootstrap automático

Al ejecutar cualquier comando /claudia-finanzas, comprobar si existe user/workspaces/claudia-finanzas/rules.yaml.

Si NO existe (primer uso):

  1. Crear user/workspaces/claudia-finanzas/ con estructura completa:
    user/workspaces/claudia-finanzas/
    ├── rules.yaml            ← copiado de templates/rules_template.yaml
    ├── CLAUDE.md             ← copiado de templates/workspace.md
    ├── data/extractos/
    ├── data/enrichments/
    └── dashboard/
        └── index.html        ← copiado de templates/dashboard.html
  2. Mensaje de bienvenida:
    Workspace de finanzas creado. Estructura lista.
    
    Para empezar:
    1. Pega un extracto bancario CSV aquí o ejecuta /claudia-finanzas import <ruta_al_csv>
    2. Ejecuta /claudia-finanzas categorizar para clasificar movimientos
    
    Las reglas de categorización están en user/workspaces/claudia-finanzas/rules.yaml.
    Puedes editarlas manualmente o dejar que se actualicen durante la categorización.
  3. No pedir entrevista ni configuración. Sin preguntas. Bootstrap silencioso.

Si SÍ existe → ejecutar comando normal.

Workspace y formato canónico

Directorio de trabajo

user/workspaces/claudia-finanzas/
├── rules.yaml              ← reglas de categorización (extractos + enrichment_patterns de productos)
├── CLAUDE.md
├── data/
│   ├── extractos/          ← CSVs normalizados (un fichero por año: 2024.csv, 2025.csv)
│   ├── extractos_raw/      ← originales sin tocar, tal como los subió el usuario
│   └── enrichments/        ← desglose de merchants y tickets (formato unificado)
└── dashboard/
    ├── index.html          ← dashboard HTML
    └── data.json           ← datos generados por pipeline

extractos_raw/ almacena los ficheros originales del usuario (CSV, Excel, etc.) como backup. Nombrado: {año}_{banco}_{fecha_import}.{ext} (ej: 2026_bbva_20260524.xlsx). Permite regenerar los normalizados si cambia el formato canónico o hay un error en la normalización.

Formato CSV canónico

fecha,concepto,importe,saldo,categoria,movimiento,observaciones
2026-01-03,Mercadona 1234,-67.82,5432.10,alimentacion/supermercado,Pago con tarjeta,4940XXXX MERCADONA
  • fecha: YYYY-MM-DD
  • concepto: nombre del merchant o descripción
  • importe: positivo = ingreso, negativo = gasto
  • saldo: saldo tras el movimiento
  • categoria: clave de rules.yaml (formato main/sub, e.g. restaurantes/cafes_desayunos)
  • movimiento: tipo de movimiento del banco (pago con tarjeta, transferencia, etc.)
  • observaciones: datos adicionales del banco (número de tarjeta, referencia, etc.)

Pipeline Python

Los scripts están en .claude/skills/claudia-finanzas/pipeline/.

Invocación:

python3 .claude/skills/claudia-finanzas/pipeline/merge_extract.py <workspace> <new_csv>
python3 .claude/skills/claudia-finanzas/pipeline/categorize.py <workspace> [--recat]
python3 .claude/skills/claudia-finanzas/pipeline/generate.py <workspace>
python3 .claude/skills/claudia-finanzas/pipeline/insights.py <workspace>
python3 .claude/skills/claudia-finanzas/pipeline/enrich_products.py <workspace> <enrichment_csv>
python3 .claude/skills/claudia-finanzas/pipeline/match_enrichments.py <workspace> <enrichment_csv>
python3 .claude/skills/claudia-finanzas/pipeline/reconcile_enrichments.py <workspace>
  • merge_extract.py — mergea CSV normalizado con extractos existentes, dedup por (fecha,concepto,importe), output JSON con {new, duplicates, total, years_affected}
  • categorize.py — aplica rules.yaml + enrichments a CSVs, output JSON con {matched, uncategorized, total, updated}. Enrichments con categorías mixtas (tickets con varios productos) no sobreescriben la categoría del extracto. Flag --recat: re-evalúa todos los movimientos contra las reglas actuales (útil tras añadir o modificar patterns/thresholds). Enrichments siguen teniendo prioridad; movimientos sin match en rules mantienen su categoría existente.
  • generate.py — lee CSVs categorizados + enrichments → genera data.json con enrichment_breakdown para analytics detallados
  • insights.py — analiza data.json → añade campos insights y alerts
  • enrich_products.py — categoriza productos de enrichments contra rules.yaml (sección enrichment_patterns) (determinista, sin IA)
  • match_enrichments.py — cruza enrichments con extracto por fecha±5d + importe±0.02€, asigna status (matched/provisional/unmatched)
  • reconcile_enrichments.py — reconcilia enrichments provisionales tras importar nuevo extracto, reporta transiciones y unmatched para revisión

El pipeline completo es: import (IA) → merge → reconcile → categorize → generate → insights.

Comandos

/claudia-finanzas import <file>

Importa un extracto de cualquier formato y lo normaliza al CSV canónico usando IA.

El usuario puede subir CSV de cualquier banco, Excel (.xlsx), texto pegado en el chat, o cualquier formato legible. La IA interpreta la estructura y genera el CSV canónico. Los scripts Python downstream siempre reciben el mismo formato.

Flujo:

Paso 0 — Guardar original:

Copiar el fichero original (sin modificar) a data/extractos_raw/ con nombre descriptivo: {año}_{banco}_{fecha_import}.{ext}. Si el usuario pega texto inline, guardar como .txt. Crear el directorio si no existe.

Paso 1 — Leer el fichero:

  • .xlsx/.xls → convertir a texto con openpyxl (ya en venv):
    source .claude/skills/claudia-finanzas/venv/bin/activate && python3 -c "
    import openpyxl, sys
    wb = openpyxl.load_workbook(sys.argv[1])
    ws = wb.active
    for row in ws.iter_rows(values_only=True):
        print('\t'.join(str(c) if c is not None else '' for c in row))
    " <ruta_fichero>
  • .csv/.txt → leer directamente. Si hay problemas de encoding (caracteres rotos), convertir primero: iconv -f ISO-8859-1 -t UTF-8 <fichero>
  • Texto inline → el usuario lo pega directamente en el chat, Claude lo lee del mensaje

Paso 2 — Normalizar (IA):

Claude interpreta el contenido y genera un CSV normalizado. Reglas de normalización:

  • Fechas: convertir a YYYY-MM-DD (detectar formato del banco: DD/MM/YYYY, DD-MM-YYYY, etc.)
  • Importes: punto decimal, sin separador de miles, sin símbolo €. Ejemplo: 1.234,56 € → 1234.56
  • Signo: gastos/cargos = negativo, ingresos/abonos = positivo
  • Columnas cargo/abono separadas (común en ING, BBVA, Bankinter): combinar en una sola columna importe (cargo como negativo, abono como positivo)
  • Filas de metadatos (cabeceras del banco, resúmenes, totales): ignorar, solo extraer filas de movimientos
  • categoria: dejar SIEMPRE vacía (la rellena categorize.py)
  • movimiento: mapear de la columna del banco que describa el tipo de operación (pago con tarjeta, transferencia, etc.). Si no existe, dejar vacío
  • observaciones: mapear de columnas adicionales del banco (referencia, número de tarjeta, detalle ampliado). Si no existe, dejar vacío
  • saldo: mapear si existe en el banco. Si no, dejar vacío

Escribir el CSV normalizado a /tmp/extracto_normalized.csv con las 7 columnas canónicas.

Paso 3 — Validar con el usuario:

Mostrar las primeras 5 filas normalizadas en formato tabla para que el usuario confirme que la normalización es correcta. Esperar confirmación antes de continuar.

Paso 4 — Mergear (determinista):

source .claude/skills/claudia-finanzas/venv/bin/activate && python3 .claude/skills/claudia-finanzas/pipeline/merge_extract.py <workspace> /tmp/extracto_normalized.csv

Dedup automático por (fecha, concepto, importe). Agrupa por año en data/extractos/{año}.csv.

Paso 5 — Reconciliar enrichments provisionales:

source .claude/skills/claudia-finanzas/venv/bin/activate && python3 .claude/skills/claudia-finanzas/pipeline/reconcile_enrichments.py <workspace>

Re-evalúa todos los enrichments provisional contra los extractos actualizados. Posibles transiciones:

  • provisional → matched — el extracto confirma el movimiento. Informar al usuario.
  • provisional → unmatched — el extracto cubre la fecha pero no hay match. Presentar lista al usuario con tres opciones por item:
    1. Vincular manualmente — el usuario indica a qué movimiento del extracto corresponde
    2. Aprobar sin match — mantener como gasto válido sin correspondencia bancaria (otra tarjeta, efectivo, etc.)
    3. Descartar — eliminar el enrichment (error de entrada, duplicado, etc.)

Para vincular manualmente: buscar movimientos cercanos en fecha (±10d) y mostrar candidatos. Si el usuario elige uno, actualizar fecha_extracto e importe_total en el enrichment y cambiar status a matched.

Para aprobar sin match: cambiar status a approved (se trata como matched en analytics).

Para descartar: eliminar las filas del enrichment CSV.

Si no hay provisionales o no hay transiciones, saltar este paso silenciosamente.

Paso 6 — Pipeline:

Ejecutar categorize → generate → insights. Mostrar resumen: X movimientos nuevos, Y duplicados descartados, Z categorizados, W pendientes.

/claudia-finanzas categorizar

Categorización asistida interactiva para movimientos sin categoría.

Flujo:

  1. Ejecutar categorize.py para aplicar reglas automáticas
  2. Leer CSVs y recoger movimientos con categoria vacía
  3. Agrupar por concepto normalizado (lowercase, trim)
  4. Ordenar por importe acumulado descendente (absoluto)
  5. Presentar con referencias numéricas:
    Movimientos sin categoría (47 en total, 12 conceptos únicos):
    
    #1   GIMNASIO MCFIT         3 mov ·  89,97 €
    #2   BAR EL RINCÓN          7 mov · 124,50 €
    #3   PEPE FARMACIA          2 mov ·  23,40 €
    ...
  6. El usuario responde con asignaciones: "1 salud/gimnasio, 2 restaurantes, 3 salud/farmacia"
    • Formatos válidos: "1 salud/gimnasio" | "1-3 restaurantes" (rango) | "1,2,5 compras"
  7. Por cada asignación: a. Actualizar categoria en los CSVs para todos los movimientos del concepto b. Añadir el pattern al rules.yaml en la categoría correspondiente
  8. Si quedan pendientes, ofrecer otra ronda
  9. Al terminar: ejecutar pipeline generate → insights
  10. Mostrar resumen: X categorizados, Y pendientes, sugerir regenerar dashboard

Importante: al añadir patterns a rules.yaml, usar el concepto normalizado en minúsculas. Insertar en la categoría correcta respetando la estructura YAML.

/claudia-finanzas enrich <fuente>

Pipeline unificado de enrichment. Funciona igual para tickets de supermercado (foto), pedidos de Amazon/Privalia (texto/CSV), o cualquier otra fuente.

Formato unificado de enrichment CSV:

fecha_pedido,fecha_extracto,importe_total,importe_item,subcategoria,item,source,status
  • importe_total: importe del movimiento bancario (para matching)
  • importe_item: importe del producto individual (para analytics)
  • source: ticket | amazon | privalia | etc.
  • status: matched | provisional | unmatched (lo rellena match_enrichments.py)

Flujo:

Paso 1 — Leer la entrada:

  • Imagen (ticket) → leer directamente con la capacidad de lectura de ficheros del host (los modelos multimodales la interpretan sin conversión previa)
  • CSV/texto → leer directamente o inline del chat
  • Las subcategorías DEBEN usar claves de rules.yaml (e.g. ninos/ropa_calzado, NO niños/ropa)

Paso 2 — Normalizar (IA):

Claude extrae del contenido:

  • fecha_pedido: fecha del ticket/pedido (YYYY-MM-DD)
  • importe_total: total del ticket/pedido (negativo)
  • Por cada producto/item: importe_item (negativo), item (descripción)
  • source: detectar automáticamente (ticket, amazon, privalia, etc.)
  • subcategoria: categorizar los productos que Claude identifique con confianza. Dejar vacía los dudosos.

Escribir el enrichment CSV en data/enrichments/{source}_{año}.csv (append si ya existe).

Paso 3 — Categorización determinista:

source .claude/skills/claudia-finanzas/venv/bin/activate && python3 .claude/skills/claudia-finanzas/pipeline/enrich_products.py <workspace> <enrichment_csv>

Matchea items sin subcategoría contra rules.yaml (sección enrichment_patterns). Los ya conocidos se categorizan sin IA.

Paso 4 — Categorización IA (solo items nuevos):

Si enrich_products.py reporta items sin match (unmatched_items):

  1. Claude los categoriza usando claves de rules.yaml
  2. Actualiza el enrichment CSV con las subcategorías
  3. Añade los nuevos patterns a rules.yaml (sección enrichment_patterns) para que en próximos enrichments se resuelvan sin IA

Paso 5 — Cruce con extracto:

python3 .claude/skills/claudia-finanzas/pipeline/match_enrichments.py <workspace> <enrichment_csv>
  • Match por fecha ± 5 días + importe_total ± 0.02€
  • matched → vinculado al extracto
  • provisional → el extracto no cubre esa fecha aún (se reconciliará al importar extracto nuevo)
  • unmatched → el extracto cubre la fecha pero no hay match (otra tarjeta/cuenta, o error)

Paso 6 — Pipeline:

Ejecutar categorize → generate → insights. El categorize.py solo sobreescribe la categoría del extracto si TODOS los items de un enrichment tienen la misma subcategoría. Si son mixtos (ticket con niños + alimentación), el extracto conserva su categoría original.

Mostrar resumen: N items, M categorías asignadas (X deterministas + Y por IA), estado de matching.

/claudia-finanzas dashboard

Regenera dashboard completo.

Flujo:

  1. Ejecutar pipeline: categorize → generate → insights
  2. Si el servidor HTTP no está corriendo, lanzarlo:
    cd user/workspaces/claudia-finanzas/dashboard && python3 -m http.server 8090 --bind 0.0.0.0 &
  3. Informar la URL de acceso (e.g. http://localhost:8090)

/claudia-finanzas regenerar

Alias rápido para regenerar data.json + insights sin categorizar.

Flujo:

  1. Ejecutar generate.py + insights.py
  2. Mostrar resumen

/claudia-finanzas rules

Muestra estadísticas de rules.yaml: categorías, patterns totales, categorías sin patterns.

/claudia-finanzas status

Resumen rápido: periodos importados, movimientos totales, % categorizados, ahorro acumulado.

Categorización: lógica de matching

El categorizador busca patterns en 3 columnas (concepto + movimiento + observaciones). Case-insensitive, contains match. Pattern más largo matchea primero.

Orden de prioridad:

  1. Enrichments — si hay match fecha±3d + importe exacto en enrichments/, usa esa subcategoría
  2. Rules.yaml — patterns por contains en las 3 columnas
  3. Amount threshold — restaurantes/cafes_desayunos con threshold -20: si |importe| ≤ 20, asigna cafes_desayunos; si > 20, asigna restaurante

Flags especiales en rules.yaml:

  • is_saving: true → categoría de ahorro (excluida del gasto)
  • is_neutral: true → categoría neutra (traspasos internos, excluida)
  • is_income: true → ingresos (excluidos del gasto)

data.json: contrato con dashboard

{
  "years": ["2024", "2025", "2026"],
  "summary": {"2026": {"ingresos": 218.04, "movimientos": 527, "sin_categoria": 36}},
  "cat_totals": {"2026": {"hipoteca": 3878.38, "alimentacion/supermercado": 3680.73, ...}},
  "monthly_totals": {"2026": {"1": 5432.10, "2": 4891.30, ...}},
  "monthly_by_cat": {"2026": {"1": {"alimentacion": 1246.07, ...}, ...}},
  "top_merchants": {"2026": [["Mercadona", 3680.73], ...]},
  "cat_labels": {"alimentacion": "Alimentación", "suministros/luz": "Suministros / Luz", ...},
  "patterns_map": {"hipoteca": ["pattern1", "pattern2"], ...},
  "concepts_by_cat": {"2026": {"hipoteca": [["Concepto 1", 4, -3772.20], ...]}},
  "enrichment_provisional": {"2026": {"alimentacion/cafe": 26.97}},
  "insights": [{"type": "interanual", "label": "📈 Vehículo", "text": "...", "direction": "up"}],
  "alerts": [{"icon": "⚠", "text": "..."}],
  "generated_at": "2026-05-22 16:26"
}

Claves mensuales: "1", "2", ..., "12" (string, NO "2026-01"). Conceptos: [nombre, count, total] tuples. Total es negativo para gastos. Top merchants: [[nombre, importe_abs], ...] arrays.

Parsers de banco (legacy)

Los parsers en parsers/ son utilidades auxiliares. El import principal usa normalización por IA (ver comando import arriba). generic_csv.py queda disponible como fallback programático si se necesita en scripts fuera del flujo interactivo.

Notas de diseño

  • IA como parser universal: la normalización de extractos la hace la IA, no parsers deterministas. Esto permite al usuario subir cualquier formato sin adaptaciones. El pipeline determinista (categorize → generate → insights) solo trabaja con CSV canónico.
  • Privacidad: los datos financieros nunca salen del sistema local
  • Idempotencia: importar el mismo extracto no duplica (dedup por fecha+concepto+importe en merge_extract.py)
  • Separación framework/usuario: templates y pipeline en la skill (actualizable), datos y rules en el workspace del usuario (protegido)

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.