AI Berkshire - AI 时代的价值投资研究框架
"Price is what you pay, value is what you get." — Warren Buffett
用 AI 重新定义投资研究的深度与效率。
AI Berkshire 是一套同时兼容 Claude Code 与 Codex 的投资研究 Skill 合集，将巴菲特、芒格、段永平、李录四位价值投资大师的方法论系统化、结构化，通过 AI Agent 实现专业级投资研究。
一个人 + Claude Code / Codex = 一个投研团队。
📮 仓库是全量框架，公众号是精选。 真正值得深研的公司，加上报告之外我自己的判断与取舍，都在微信公众号「复利炼丹炉」——扫码关注 ↓
📊 日更内容是研究报告，全部在 研究报告索引。 2351 份报告 · 110 家公司 · 23 个专题，按公司与专题分组，更新至 2026-09-21。
实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 研究索引 · 设计理念 · 公众号
Real Track Record
不是纸上谈兵。这套框架背后是真金白银验证的投资体系。
2024 全年收益：+69.29%
2025 全年收益：+66.38%
与主要指数对比
| 指标 | 2024 全年 | 2025 全年 |
|---|---|---|
| 本框架实盘 | +69.29% | +66.38% |
| 恒生指数 | +17.67% | +27.77% |
| 标普500 | +23.31% | +16.39% |
| 沪深300 | +14.68% | +17.66% |
| 纳斯达克 | +28.64% | +20.36% |
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
2025 年超额收益：跑赢标普500 50个百分点，跑赢恒生指数 39个百分点
两年累计实盘收益超 146万元，连续两年大幅跑赢全球主要指数。
免责声明：历史收益不代表未来表现。截图来自富途证券真实账户。
精选研究首发于公众号
仓库里是完整的框架和全量报告，公众号里是精选——真正值得深研的公司，加上报告之外我自己的判断与取舍：
复利炼丹炉 —— 用 AI 炼投研这颗丹。
为什么不能直接问 AI？
你当然可以直接问 Claude："帮我分析拼多多值不值得买"。你会得到一篇"一方面...另一方面..."的平衡分析，最后以"投资有风险，请自行判断"收尾。
这种分析看起来对，但没法拿来做决策。
AI Berkshire 解决的不是"能不能分析"的问题，而是分析质量和决策纪律的问题。以下是核心差异：
1. 强制给结论，不打太极
直接问AI，你得到的是两面讨好的"分析"。AI Berkshire 强制输出：通过/不通过/灰色地带，带具体价格区间和分层建议。
普通AI回答："拼多多有增长潜力但也面临竞争压力，投资者需要权衡..."
AI Berkshire 输出：
策略 建议 价格区间 激进型 当前价位可建仓20% $95-105 稳健型 等回购政策明确后建仓 $85-95 保守型 不符合10年确定性标准，观望 — 镜子测试：5句话说不完整 = 不买，没有例外。
2. 四大师视角对抗，而非单一分析
不是"用巴菲特方法分析一下"这么简单。四个视角会产生真实的矛盾和张力——
以拼多多为例：
- 段永平（商业模式）：好生意，C2M模式难以复制 → 评分 3.7/5
- 巴菲特（财务估值）：扣现金PE仅6.3x，印钞机 → 评分 4.4/5
- 芒格（逆向思考）：护城河比想象中浅，抖音3年做到4万亿GMV → 评分 3.5/5
- 李录（长期确定性）：管理层文化有隐患，10年后不确定 → 评分 2.0/5
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无法制造这种多视角对抗，而这恰恰是避免盲点的关键。
3. 结构化反偏见机制
AI最危险的不是给错答案，而是给一个看起来很对但经不起推敲的答案。AI Berkshire 在流程中内置了多层"防骗"机制：
| 机制 | 解决什么问题 | 举例 |
|---|---|---|
| 信息丰富度评级（A/B/C） | 防止"资料多=确定性高"的幻觉 | 泡泡玛特评为B级：数据有限，推算指标标注置信度 |
| 芒格式逆向检验 | 强制思考失败场景 | "什么情况下拼多多会死？"→ 列出5大情景及概率 |
| 快速否决清单 | 8条红线一票否决 | 管理层诚信污点 → 直接否决，不管估值多便宜 |
| 反共识检查 | 避免和市场想法一样 | "聪明人为什么在做空？"→ 发现被忽视的风险 |
| 留白原则 | 宁可说"不知道" | 数据不足时标注"灰色地带"，不用推测伪装确定性 |
4. 金融数据的精确性
LLM心算不可靠。PE算错一个小数点、市值单位搞混港币和人民币，就可能导致错误的投资决策。
真实案例：分析腾讯时，不同来源的市值数据有"港币亿"和"人民币亿"两种单位。AI Berkshire 的处理方式：
# 市值手算校验：股价 × 总股本，与报告数据对比
python3 tools/financial_rigor.py verify-market-cap \
--price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD
# ✅ 验证通过, 偏差仅 0.08%
所有计算使用 Python decimal.Decimal（精确十进制），不用 float。关键数据至少2个独立来源交叉验证。
5. 可复现的研究流程
直接问AI，每次输出的格式、深度、覆盖面都不一样——今天分析腾讯有护城河评分，明天分析美团可能就忘了。
AI Berkshire 确保：同样的输入 → 结构一致、深度一致的输出。这意味着你可以：
- 7家公司横向对比，评分标准完全一致
- 同一家公司半年后重新分析，直接对比变化
- 团队成员之间的研究结果可以对齐
真实输出——7家公司用同一标准 Checklist 筛选：
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
6. 多Agent并行 = 研究深度的倍增
/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拆成四段——是4个"分析师"各自做了完整的研究，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倍的搜索量、4倍的信息源、4个独立视角。
一句话总结
普通人问AI得到的是"看起来对的分析"，用 AI Berkshire 得到的是"可以拿来做决策的投研报告"。
整体架构
三层设计哲学：
- Skill 层：把"你要做什么"抽象成 20 个明确入口——深度研究、财报分析、行业筛选、持仓管理、思维工具，按场景选用
- Agent 层：团队型 skill（如
/investment-team、/earnings-team）由 Team Lead 并行调度 4 个大师视角 Agent——各自独立搜索、独立判断、互相挑战，最后综合研判；轻量 skill 不经过这一层，直连工具快进快出 - 工具层：精确计算、实时检索、报告抽检——保证每份报告的数据严谨性可验证
Skills 一览（20个）
🔬 深度研究类
| Skill | 用途 | 适合场景 |
|---|---|---|
/investment-research |
四大师综合深度分析 | 对一家上市公司进行全方位投资研究 |
/investment-team |
多Agent并行投研团队 | 4个Agent并行研究，最快速、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深挖 |
/private-company-research |
未上市公司深度研究 | 研究蚂蚁、SpaceX等信息稀缺的未上市公司 |
/deep-company-series |
8篇长文系列拆一家公司 | 公众号级深度系列，12万字从认知重置到决策闭环 |
📊 财报分析类
| 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，像巴菲特一样读年报 |
/earnings-team |
财报精读团队 + 公众号发布 | 四大师并行解读财报 → 编辑润色 → 读者评审 → 可发布文章 |
🏭 行业筛选类
| Skill | 用途 | 适合场景 |
|---|---|---|
/industry-research |
产业链全景扫描 | 研究一个行业的全部投资机会（按产业链环节切片） |
/industry-funnel |
行业漏斗筛选 | 全市场 → 粗筛 ≤10 家 → 终选 3 家深度分析 |
/quality-screen |
去劣筛选（7条硬指标） | 快速排除非一流公司，支持个股/行业/指数/主题批量筛 |
/bottleneck-hunter |
供应链瓶颈猎手 | 从超级趋势出发，寻找产业链物理瓶颈和套利机会 |
/era-alpha |
时代α捕手 | 识别时代级高增长主线中的核心α，验证增长可持续性，给出介入与退出纪律 |
/investment-checklist |
巴菲特买入前 Checklist | 六关快速筛选，10分钟决定是否值得深入 |
📈 持仓管理类
| Skill | 用途 | 适合场景 |
|---|---|---|
/income-investment |
收益型股票分析 | 区分可持续收益、机会型高息与收益率陷阱 |
/portfolio-review |
组合管理与优化 | 从"研究公司"升级到"管理组合"——仓位、集中度、再平衡 |
/thesis-tracker |
投资论文追踪 | 买入后的纪律系统：持续跟踪论文是否被证伪 |
/thesis-drift |
投资论文漂移检测 | 对比两份论文/报告，区分事实变化、估值变化与措辞变化 |
/news-pulse |
股价异动快速归因 | 股价大涨/大跌时10分钟搞清"发生了什么" |
🧠 思维工具类
| Skill | 用途 | 适合场景 |
|---|---|---|
/dyp-ask |
段永平问答 | 以段永平的方式思考任何问题——商业、投资、人生 |
/financial-data |
财务数据获取与交叉验证规范 | 确保关键数据来自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，产出可发布文章 |
🔗 搭配 Claude Code 内置的 /deep-research
除以上 20 个 skill 外，Claude Code 自带一个 /deep-research 深度研究编排器（内置于客户端，不由本仓库分发，安装 Claude Code 即可使用）。它的流程是：把问题拆成 5 个检索角度并行搜索 → 抓取来源、提取可证伪论断 → 每条论断由 3 个独立 Agent 对抗验证（3 票中 2 票证伪才剔除）→ 按置信度合成带引用来源的报告。核心价值是每条结论都被人试图推翻过，而不是搜到什么写什么。
适合在运行本仓库的个股/行业 skill 之前，先对一个关键事实判断做独立核查。实战示例：存储涨价周期研究（106 个检索/验证 Agent，23 条论断三票制交叉验证）、diffusion LLM 技术路线综述（25 条论断验证，22 条确认、3 条被证伪）。
快速开始
成本与模型选择
深度投研类 Skill 默认会进行多轮研究、交叉验证和多 Agent 综合判断，因此 token 消耗较高，这是为了换取更完整的商业、财务、行业和风险分析。
如果是真实投资决策中高风险、高重要性的判断，维护者的观点是：最强模型通常更可能带来更好的分析 ROI，不建议只为节省模型成本而牺牲关键判断质量。轻量模型更适合做初筛、摘要或低风险问题；涉及护城河、估值、管理层和风险交叉判断时，应预期分析质量会更依赖模型能力。
想控制成本时，优先调整 workflow，而不是期待完整深度研究变得便宜：快速排除公司可先用 /quality-screen，股价异动归因可用 /news-pulse。只有当结果值得继续深入时，再运行 /investment-research 或 /investment-team。
1. 安装 AI 客户端
本仓库保留同一套 canonical workflow，并分别提供 Claude Code commands 与 Codex skills。按你使用的客户端安装即可。
Claude Code 用户：
npm install -g @anthropic-ai/claude-code
Codex 用户：
# macOS / Linux
curl -fsSL https://chatgpt.com/codex/install.sh | sh
# 或使用 npm
npm install -g @openai/codex
# 或使用 Homebrew
brew install --cask codex
# 验证安装
codex --version
Windows 用户可使用官方 PowerShell 安装命令：powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"。
如果 codex --version 能正常输出版本号，就可以继续安装本项目的 Codex skills。
减少授权确认
这些 skills 会频繁调用工具，Claude Code 默认会逐次请求授权确认。这个行为来自 Claude Code 客户端权限机制，不是本仓库可以修改的默认设置。
如果你信任当前 workflow，并且在可信环境中运行，可以用 Claude Code 的跳过权限确认模式启动：
claude --dangerously-skip-permissions
注意：该模式会关闭 Claude Code 的工具审批保护，只应在你信任仓库、命令和工作目录的情况下使用。
2. 安装 Skills
Claude Code 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 复制 skills 到 Claude Code 全局 commands 目录
cd ai-berkshire
./scripts/install-claude-commands.sh
Claude Code 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-claude-commands.bat
Codex 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 生成并安装 Codex skills 到 ~/.codex/skills
cd ai-berkshire
./scripts/install-codex-skills.sh
# 可选：安装 Codex slash prompts 到 ~/.codex/prompts
# 用于获得接近 Claude Code 的 /investment-research 体验
./scripts/install-codex-prompts.sh
Codex 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-codex-skills.bat
REM 可选：安装 Codex slash prompts
.\scripts\install-codex-prompts.bat
仓库同时维护三套入口：skills/*.md 是 Claude Code command 源文件；codex-skills/*/SKILL.md 是 Codex skill 包，由 `scripts/sync-code