cat README.md | head -200
ai-berkshire
'"/>
AI 时代的伯克希尔：基于 Claude Code / Codex 的价值投资研究框架。巴菲特·芒格·段永平·李录四大师方法论 + 多 Agent 并行研究。一个人 + Claude Code = 一个投研团队。
// 目录
// 数据概览
// 我的真实问题
上周有个读者私信问我：你天天评测 GitHub AI 项目，有没有那种"AI 直接接管一个完整专业领域"的案例？
我想了想，其实有。但过去一年我看的多数项目都是"AI 加一点点的工程"——给视频加字幕，给文档加摘要，给代码加注释。本质上是把 AI 塞进一个老工具里。
今天这个不一样。它要做的是：把巴菲特、芒格、段永平、李录四位价值投资大师几十年的方法论，编码成 Claude Code 和 Codex 能跑的 18 个 Skill。然后让 AI 真的按这套打法去做投资研究——不是写一篇"一方面另一方面"的废话，是给出明确的"通过/不通过/灰色"判断，附价格区间和分层建议。
我盯着那 1,445 个今天的 Star 看了好一会儿。这种涨幅，AI 项目里我一年也见不到几次。
// 为什么这件事值得讲
投资研究这个领域，过去三十年最大的变化是什么？不是数据变多（数据早就过载了），不是模型变强（金融模型从 70 年代就有），而是研究流程的工业化。卖方分析师覆盖 200 只股票、对冲基金研究员 12 个月蹲一家公司，这种"人盯人"的研究方式成本高得离谱。
AI Berkshire 想做的事很直接：让一个人 + Claude Code / Codex 顶一个投研团队。它不预测股价（谁预测谁骗子），它解决的是研究质量的下限——把"该问的问题必须问到、该验的数据必须验准"这件事流程化、自动化、可复现。
这种项目一旦跑通，影响的不只是投资圈，而是任何"专业经验 + 框架思维"的领域——法律、医学诊断、咨询、战略。
// 我的判断
AI Berkshire 的核心创新不是"用 AI 做投资研究"，是把"四位大师互相挑战"这件事做成结构化对抗机制——单 prompt 永远做不到多视角真实碰撞。
这跟之前评测过的 Cognee（AI 记忆层）、gstack（一人做工程）、Ponytail（克制编码）是同一类项目：AI 时代的"流程基础设施"。它们不卖更强模型，卖的是"正确的做事方式"。
// 实盘战绩（来自作者富途证券真实账户）
作者在 README 中公开了 2024 全年与 2025 至今的真实账户截图，下方两张图为原图嵌入。
// 与全球主要指数对比
2024 年超额收益：跑赢标普 500 46 个百分点，跑赢恒生指数 52 个百分点。两年累计实盘收益超 146 万元。免责声明：历史收益不代表未来表现。
// 整体架构
项目官方架构图如下（原图嵌入）：
三层架构的核心：流程结构化 + 多视角对抗 + 数据严谨性
// 四大师方法论融合
// 18 个 Skills 速览
// 深度研究类（5 个）
| Skill | 用途 | 适合场景 |
|---|---|---|
/investment-research | 四大师综合分析 | 对一家上市公司做全方位投研 |
/investment-team | 多 Agent 并行投研 | 4 Agent 并行研究，最快最全面 |
/management-deep-dive | 管理层纵深研究 | "买股票就是买人"——当管理层是核心变量时 |
/private-company-research | 未上市公司研究 | 蚂蚁、SpaceX 等信息稀缺标的 |
/deep-company-series | 8 篇 12 万字深度长文 | 公众号级深度系列 |
// 财报分析类（2 个）
| Skill | 用途 | 适合场景 |
|---|---|---|
/earnings-review | 财报精读（一手资料） | 只读原始财报，不依赖二手研报 |
/earnings-team | 四大师并行解读 + 公众号发布 | 作者/编辑/读者三 Agent 协作 |
// 行业筛选类（5 个）
| Skill | 用途 | 适合场景 |
|---|---|---|
/industry-research | 产业链全景扫描 | 研究行业全部投资机会（按环节切片） |
/industry-funnel | 行业漏斗筛选 | 全市场 → ≤10 家 → 终选 3 家 |
/quality-screen | 去劣筛选（7 条硬指标） | 快速排除非一流公司 |
/bottleneck-hunter | 供应链瓶颈猎手 | 从超级趋势找物理瓶颈与套利机会 |
/investment-checklist | 巴菲特买入前 6 关 Checklist | 10 分钟决定是否值得深入 |
// 持仓管理类（3 个）
| Skill | 用途 | 适合场景 |
|---|---|---|
/portfolio-review | 组合管理与优化 | 从"研究公司"升级到"管理组合" |
/thesis-tracker | 投资论文追踪 | 买入后的纪律系统：跟踪论文是否被证伪 |
/news-pulse | 股价异动快速归因 | 股价大涨/大跌 10 分钟搞清"发生了什么" |
// 思维工具类（3 个）
| Skill | 用途 | 适合场景 |
|---|---|---|
/dyp-ask | 段永平问答 | 以段永平方式思考任何问题 |
/financial-data | 财务数据交叉验证规范 | 关键数据 2 个独立来源，误差 > 1% 告警 |
/wechat-article | 微信公众号文章 | 作者/编辑/读者三 Agent 协作发布 |
// 为什么不能直接问 AI？
我试用了几次这个框架。最直接的体感是：直接问 AI 投资问题，得到的是"正确但无用"的废话。
// 差异 1：强制给结论，不打太极
| 普通 AI 回答 | AI Berkshire 输出 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| "拼多多有增长潜力但也面临竞争压力，投资者需要权衡..." |
|
差异在哪？不是 AI 不知道这些，是没人逼它输出结论。AI Berkshire 在 prompt 层强制"镜子测试"——5 句话说不出完整买入理由 = 不买，没有例外。
// 差异 2：四大师的真实对抗（以拼多多为例）
| 大师视角 | 评分 | 核心判断 |
|---|---|---|
| 段永平（商业模式） | 3.7 / 5 | 好生意，C2M 模式难以复制 |
| 巴菲特（财务估值） | 4.4 / 5 | 扣现金 PE 仅 6.3x，印钞机 |
| 芒格（逆向思考） | 3.5 / 5 | 护城河比想象中浅，抖音 3 年做到 4 万亿 GMV |
| 李录（长期确定性） | 2.0 / 5 | 管理层文化有隐患，10 年后不确定 |
巴菲特说"真便宜"，李录说"不确定就不买"——这种冲突才是投资决策的真实状态。单一 prompt 制造不出来这种多视角对抗。
// 差异 3：反偏见机制
| 机制 | 解决的问题 |
|---|---|
| 信息丰富度评级（A/B/C） | 防止"资料多 = 确定性高"的幻觉 |
| 芒格式逆向检验 | 强制思考失败场景 |
| 快速否决清单 | 8 条红线一票否决 |
| 反共识检查 | 避免和市场想的一样 |
| 留白原则 | 宁可说"不知道"，不用推测伪装确定性 |
// 差异 4：金融数据的精确性
// 差异 5：多 Agent 并行（最关键的工程创新）
/investment-team 启动 4 个独立 Agent 同时研究一家公司。每个 Agent 各自搜索网络、交叉验证数据、独立给出结论。这不是把一个 prompt 拆四段，是 4 个"分析师"各自做了完整研究，Team Lead 再综合。
一个人直接问 AI，上下文窗口是一个。4 个 Agent 并行，等于 4 倍搜索量、4 倍信息源、4 个独立视角。
// 快速开始
// 1. 安装 AI 客户端
// 2. 安装 Skills
// 3. 实战调用
// 实战研究报告（产出物样例）
作者公开了 4 份真实报告。下表来自 /investment-checklist 7 家公司横向对比：
| 公司 | 通过? | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 综合 |
|---|---|---|---|---|---|---|---|
| 茅台 | ✅ 通过 | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | ★★★★☆ | 4.7 |
| 腾讯 | ✅ 通过 | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★★★ | ★★★★☆ | 4.7 |
| 英伟达 | ✅ 有条件 | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | 4.3 |
| 美团 | ✅ 有条件 | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | 4.0 |
| 快手 | ✅ 有条件 | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★★ | 4.0 |
| 拼多多 | ❓ 灰色 | ★★★★☆ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ | ★★★★★ | 3.8 |
| 泡泡玛特 | ❓ 灰色 | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★☆☆ | 3.7 |
7 家公司用同一份 Checklist 筛选，评分标准完全一致。这种"可复现研究流程"是直接问 AI 永远做不到的——今天分析腾讯有护城河评分，明天分析美团可能就忘了。
// 竞品对比
| 维度 | AI Berkshire | 普通 LLM 投研 | Bloomberg/Wind |
|---|---|---|---|
| 价格 | 免费（MIT） | 免费 | 年费 2-20 万美元 |
| 方法论 | 四大师融合 + 对抗 | 无框架，看 prompt | 数据为主 |
| 数据来源 | 实时联网搜索 | 看 prompt 写啥 | 专业金融数据库 |
| 输出形式 | 强制结论 + 价格区间 | 平衡分析 | 原始数据 |
| 可复现性 | ✅ 同一标准输出 | ❌ 每次都不同 | ✅ |
| 多 Agent | ✅ 4 Agent 并行 | ❌ | ❌ |
| 精度 | decimal.Decimal 精确算 | LLM 心算 | 数据库精确 |
| 适合 | 散户 + 自媒体 + 独立投资人 | 随便问问 | 机构专业用户 |
和 AI Berkshire 同类的项目我之前评测过几个：Cognee（Agent 记忆层）、design.md（设计规范）、gstack（一人做工程）、Ponytail（克制编码）。它们的共同点是不卖新模型，卖新流程。AI Berkshire 在金融投研这个垂直领域做到了同样的事。
// 博主观点 · 综合评分
✓ 方法论融合做到了"真对抗"——单 prompt 永远做不到
✓ 金融严谨性工具实用（decimal 精确算 + Benford 检测）
✓ 18 个 Skill 覆盖个股/行业/持仓/思维全场景
✓ 可复现性强（同一 Checklist 横向对比）
✓ 开源 + 双平台兼容（Claude Code + Codex）
✓ 实盘战绩可验证（真实账户截图 + 146 万元两年收益）
✗ 贡献者数据异常（`claude` 账号 617 commits > 作者 455）
✗ 无 MCP 实时数据接入（Wind/Bloomberg 集成在路线图）
✗ LLM 心算风险未彻底消除（依赖 Python 工具兜底）
✗ 历史回测缺失（AI 研报 vs 实际股价对照实验未做）
✗ 学习曲线陡（18 个 Skill 想用透需要时间）
✗ 数据源依赖公开网络（深度不如专业数据库）
// 各项评分
// 跟我在做的事有什么关系
我自己也是 AI 重度用户。过去三个月我每天跑 GitHub AI 日报、写评测文章、搭 MangaVideo（AI 短剧工具），所有这些事都重度依赖 AI Agent。AI Berkshire 给我最大的启发不是"投资研究可以这么做"——而是"专业经验 + 框架思维"这个范式可以复制到任何领域。
具体三点：
1. 强制结论比"平衡分析"更有价值。 我自己写评测文章，AI 给我的初稿永远是"一方面另一方面"。后来我加了一条规则："如果你不能给一个明确判断，就别写这段。" 写出来的文章有用十倍。AI Berkshire 的"镜子测试"是同一件事的工程化。
2. 多视角对抗比单视角更接近真相。 我以前写文章是一个人想，现在我会让 AI 扮演三个不同立场的"评审"互相挑战，最后我做综合。这种结构能避免我自己的盲点。
3. 工具的严谨性比"AI 看起来很对"更重要。 金融场景对精度要求极高，所有计算必须用 Python decimal 兜底。这跟 Cognee 的认知化步骤、design.md 的 lint 规则、Ponytail 的 YAGNI 决策链都是同一类思路——让 AI 在结构化的约束里发挥，不让 AI 自由发挥。
对独立投资人的实操建议：
- 如果你买美股/港股/A 股，先跑一遍
/quality-screen恒生指数成分股，排除 70% 的标的 - 选中 5-10 只之后用
/investment-checklist做 6 关筛选 - 深度研究某一只时优先用
/investment-team而不是/investment-research——多 Agent 并行研究质量明显更高 - 持仓后用
/thesis-tracker跟踪论文，别再问"该不该卖" - 股价异动用
/news-pulse10 分钟归因，避免小作文焦虑
我会持续记录一个不会编程的产品经理如何用 AI 写代码、做开源工具、搭 AI 视频流水线。如果你想看更多这种"AI 接管完整专业领域"的拆解，可以关注我。
// 参考链接
- GitHub 仓库：xbtlin/ai-berkshire
- Star History 趋势图
- 实盘报告（拼多多）：
reports/拼多多/ - 实盘报告（腾讯）：
reports/腾讯/ - 7 家公司对比 Checklist（2026-04-08）
- 大师持仓追踪（巴菲特/李录/段永平 13F）
- AI 算力漏斗：
reports/AI算力-funnel-20260509.md - AI 模型漏斗：
reports/AI模型-funnel-20260509.md - AI 应用漏斗：
reports/AI应用-funnel-20260509.md - AI 基建电力漏斗：
reports/AI基建电力-funnel-20260509.md
License: MIT · 本评测仅记录作者对项目的技术理解和个人判断，不构成任何投资建议。历史收益不代表未来表现，投资有风险，决策需谨慎。