ai-berkshire

AI-Berkshire 是由独立开发者 xbtlin 发起并持续维护的开源投资研究技能集，核心定位是“为 AI 编码代理配备一整套巴菲特与芒格式的投资思考框架与一手资料研究工具”——它不满足于做一份通用的财经问答或零散的金融数据封装，而是将供应链瓶颈猎手、深度公司研究、段永平思维框架、财报精读、收益型投资分析、多市场财务数据获取等 6 大核心模块与 10+ 项专项技能整合于一套完整的开源技能体系中，全部配有 SKILL.md 一键触发、多市场财务数据交叉验证规范（美股/港股/A股/台股）以及 MIT 开源协议。市面大多 AI 投资研究工具要么是依赖二手信息（新闻/研报摘要/数据网站）的轻量问答，要么是只覆盖单一市场的数据工具（无法跨市场验证）——但很少有项目能将“巴菲特与李录式的一手资料研究纪律”与“涵盖 4 个市场的标准化数据获取规范”同时做到，AI-Berkshire 解决的正是这个问题。

一、AI-Berkshire 是什么

AI-Berkshire 采用“多技能组合 + 一手资料优先 + 跨市场覆盖”三位一体的使用体验，通过 GitHub 完全开源发布。项目由独立开发者 xbtlin 发起并持续维护，核心定位是“用 AI 复现巴菲特和芒格的投研方式”。技能集包含 6 大核心模块：bottleneck-hunter.md——供应链瓶颈猎手，从物理供应链的咽喉位置出发寻找超额收益；deep-company-series.md——深度公司系列，3-8 篇长文拆一家公司；dyp-ask.md——段永平问答，以段永平的思维方式回答任何问题；earnings-review.md——财报精读，巴菲特与李录式的一手资料深度解读；income-investment.md——收益型投资分析，评估公司分派的持久性与吸引力；financial-data.md——财务数据获取与交叉验证规范，覆盖美股/港股/A股/台股四大市场。

AI-Berkshire 的运作机制与市面常见的“财经问答 chatbot”或“数据聚合工具”有本质区别。它不是让 AI 背诵财经新闻或拼凑研报摘要，而是一套以一手资料为信仰、以交叉验证为纪律、以物理思维为底层的投资研究框架。设计理念最核心的一条来自李录和巴菲特：“我从不看卖方研报，只读原始财报。”“我每天读500页。知识就是这样积累的，像复利一样。”大多数 AI 投研工具依赖二手信息——被分析师筛选过、有时滞、缺乏语境。AI-Berkshire 直接解读一手资料，关注巴菲特和李录真正会看的内容。每个关键数据必须来自两个独立来源，误差 >1% 须标记。技能还内置了 现货思维——不问“AI 推荐什么股票”，问“如果这个趋势继续扩张，哪一环会先不够用？”——从物理供应链的咽喉位置出发，找那些没人注意但一旦断货整个行业都得停下来等的公司。

二、AI-Berkshire 能做什么

AI-Berkshire 的核心能力可以精炼地概括为：研、判、查、评、配，围绕这五大维度提供了从趋势扫描到深度研究、从财报精读到投资决策的完整路径，覆盖 AI 辅助投资研究的全方位需求，具体包括：

供应链瓶颈扫描与套利机会挖掘（研） ——不是“推荐什么股票”，而是“哪一环会先不够用”。bottleneck-hunter 从物理供应链的咽喉位置出发，核心方法论是：传统投研盯龙头、盯已知赛道，超额收益不在第一层瓶颈（GPU、HBM、电力）——这些已被充分定价——真正的 alpha 在第二层、第三层：光模块、激光器、InP 衬底、SOI 晶圆、外延设备、晶圆级测试、IC 载板、特殊玻纤等。技能要求先确认超级趋势（持续性 >3-5 年、物理性、全球资本开支 >500 亿美元/年、需求增速 > 供给扩产速度），再按五层框架拆解供应链——从 Layer 0 终端产品到 Layer 4 基础设施——找出“关注度低、alpha 集中”的咽喉位置。

深度公司系列与“看懂 XX”长文（判） ——不是“一篇研报”，而是“3-8 篇教科书级别的深度研究”。deep-company-series 为一家公司撰写 3-8 篇系列长文（复杂公司 8 篇约 12 万字），从认知重置到决策框架形成完整闭环。篇数根据公司复杂度动态适配——腾讯这种“多业务 + 万亿投资组合 + 20 年管理层故事”撑得起 7-8 篇，快手这类主业清晰的公司只需 3 篇。8 篇主轴模板覆盖：认知重置、护城河、利润引擎、隐藏资产、AI 时代变量、财报拆解、管理层、估值与决策。核心 IP 不是“会写”，而是“会改”——99% 的财经文章违反本技能的事实核查标准。

段永平思维框架（查） ——不是“背诵语录”，而是“以他的方式思考”。dyp-ask 让 AI 扮演段永平本人回答任何问题。核心思想体系包含五层：投资信仰——“买股票就是买公司，买公司就是买公司的未来现金流折现，句号”；生意模式判断——差异化是前提，护城河、定价权、轻资产、用户导向；Stop doing list——绝不借钱投资、不做空、不投不懂的公司、不频繁交易、不看宏观；能力圈——10 年里看懂的不到 10 家，重手投了 5 家；估值与买卖时机——毛估估就够了，精确是伪命题。

财报精读与一手资料深度解读（评） ——不是“看研报摘要”，而是“读原始财报”。earnings-review 直接解读公司年报、季报、电话会纪要等一手资料。执行流程分三步：资料可得性评级（A/B/C 三级）→ 并行获取原始材料→ 提取核心财务数据：收入与利润表、现金流表（巴菲特最看重）、资产负债表健康度。经营性现金流与净利润的比率 >100% 为佳，<80% 需警惕。数据验证使用 tools/financial_rigor.py 进行交叉校验。

跨四市场财务数据获取与交叉验证（配） ——不是“单源数据”，而是“双源交叉验证”。financial-data 规范覆盖美股、港股、A股、台股四大市场。每个关键数据必须来自两个独立来源，误差 >1% 须标记。美股主源 macrotrends，副源 stockanalysis，原始一手 SEC EDGAR；港股主源 aastocks，副源 macrotrends，原始一手 HKEX 披露易；A股主源东方财富，副源巨潮资讯；台股优先调用 FinMind API 工具（tools/twstock_data.py）。

三、AI-Berkshire 适合谁用

AI-Berkshire 的内容设计使其适配各类希望通过系统化的投资研究框架提升决策质量的投资者与研究者，核心聚焦那些“看了很多研报但缺乏独立判断能力、依赖二手信息却想建立巴菲特式的一手资料研究纪律”，希望从“听别人怎么说”升级为“自己读原始财报、自己判断”的人群，主要涵盖以下几类：

价值投资者与长期持股者——希望建立巴菲特和芒格式的投资研究体系，而不是依赖卖方研报和市场噪音。AI-Berkshire 的财报精读、深度公司研究和收益型投资分析三大模块，覆盖了从公司研究到估值决策的完整闭环。

独立研究者与财经写作者——需要为公众号或视频号撰写深度公司分析的长文作者。deep-company-series 的 3-8 篇系列模板提供了从认知重置到决策框架的完整结构，让“写一篇深度研究”从“不知道从哪下手”升级为“按模板填空”。

AI 编码代理的重度使用者与量化研究者——已经在用 Claude Code、Codex 等代理进行日常研究，希望代理能按照巴菲特式的投研纪律自动完成财报解读、供应链分析和公司深度研究。AI-Berkshire 作为技能集，让“在对话中完成专业级投研”成为原生体验。

多市场投资者——同时关注美股、港股、A股、台股的投资机会，但不同市场的财务数据获取方式各异、格式不统一。financial-data 的标准化规范让跨市场数据获取和交叉验证有了统一的流程。

段永平与巴菲特思想的学习者——希望系统化理解段永平的“买股票就是买公司”信仰体系、不为清单和能力圈原则。dyp-ask 让学习者可以像与段永平本人对话一样，用他的思维框架分析问题。

四、AI-Berkshire 的应用场景是什么

基于其内容设计与定位，AI-Berkshire 的应用场景主要围绕供应链瓶颈套利分析、公司深度研究与系列长文撰写、财报精读与业绩追踪、收益型投资标的研究以及跨市场财务数据获取，覆盖从个人研究到内容生产的多个场景，具体包括：

供应链瓶颈套利与超级趋势投资场景——投资者或研究者希望在一个超级趋势（如 AI 基础设施建设、能源转型、半导体再工业化）中找到未被充分定价的供应链瓶颈机会。bottleneck-hunter 提供了一条“确认超级趋势 → 分层拆解供应链 → 识别第二/三层瓶颈 → 交叉验证财务数据 → 输出套利机会清单”的完整路径。超额收益来源不在第一层（已被充分定价），而在第二层、第三层的“咽喉位置”。

公司深度研究与系列长文撰写场景——财经写作者或研究者希望为一家公司做“教科书级别”的深度研究，并以系列长文形式公开发布。deep-company-series 提供了一套从篇数适配（按公司复杂度定 3-8 篇）到 8 篇主轴模板（认知重置→护城河→利润引擎→隐藏资产→AI 时代变量→财报拆解→管理层→估值决策）的完整结构。每篇独立成文但贯穿一套估值/管理层/价格判断，适合“愿意花 90 分钟读懂一家公司”的读者。

财报季的快速精读与业绩追踪场景——投资者需要快速了解一家公司最新季报或年报的核心变化，但不希望被卖方研报的立场左右。earnings-review 提供了一条“资料可得性评级 → 并行获取一手资料 → 提取核心财务数据（收入/利润/现金流/资产负债表）→ 交叉验证 → 输出精读报告”的完整路径。技能特别强调“经营性现金流 vs 净利润的比率 >100% 为佳，<80% 需警惕”——这是巴菲特最看重的指标之一。

收益型投资标的筛选与组合评估场景——投资者希望评估一只股票作为收益型持仓的持久性与吸引力。income-investment 分析公司分派的频率、稳定性、增长率和覆盖情况，回答“这家公司能否产生足够持久且有吸引力的可分配收入”。技能要求覆盖至少 5 年的分红历史，并强调“永远不要把一个高显示收益率当作好机会的证据”。

跨市场财务数据获取与交叉验证场景——研究者需要获取一家公司的财务数据，但不确定哪个数据源可靠、如何交叉验证。financial-data 提供了覆盖美股/港股/A股/台股四大市场的标准化数据源优先级和获取方式，并要求每个关键数据来自两个独立来源。台股还提供了专门的 tools/twstock_data.py 工具，支持行情、估值、财务、月营收、股利、股票代码搜索等 6 个子命令。

五、AI-Berkshire 为什么值得关注

AI-Berkshire 之所以值得关注，核心在于它将“巴菲特与芒格式的投资研究纪律从不可言传的个人习惯转化为可编码、可执行、可验证的 AI 技能集”，并具备“一手资料优先、物理思维底层、四市场覆盖、开源免费”的独特价值，具体体现在以下几点：

从“二手信息依赖”到“一手资料信仰”的研究纪律革命。大多数 AI 投研工具依赖新闻摘要、研报观点和数据网站——信息已被筛选、有时滞、缺乏语境。AI-Berkshire 的设计理念直接引自李录和巴菲特：“我从不看卖方研报，只读原始财报”。earnings-review 直接从公司 IR 页面、SEC EDGAR、港交所披露易、巨潮资讯网获取原始材料。每个关键数据必须来自两个独立来源。这种“一手资料优先、交叉验证为纪律”的研究框架，让投资者从“听别人怎么说”升级为“自己读、自己判断”。

从“金融抽象”到“物理思维”的认知框架革命。大多数投资分析停留在“这家公司好不好”的抽象层面。bottleneck-hunter 的核心方法论是物理思维：不问“AI 推荐什么股票”，问“如果这个趋势继续扩张，哪一环会先不够用？”。不停留在概念层，而是拆到物理实体——从 Layer 0 终端产品拆到 Layer 4 基础设施。超额收益来源不在已被充分定价的第一层，而在第二层、第三层的“咽喉位置”。这种从“金融概念”到“物理供应链”的思维切换，是 bottleneck-hunter 区别于传统投研工具最核心的价值。

从“单一市场”到“四市场标准化”的数据覆盖广度。大多数投资研究工具只覆盖一个市场或依赖单一数据源。AI-Berkshire 的 financial-data 规范覆盖了美股、港股、A股、台股四大市场，每个市场都有明确的主源、副源和原始一手来源。台股还提供了专用的 FinMind API 工具。这种“四市场 + 双源验证”的标准化规范，让跨市场研究和交叉验证有了统一的操作流程，而非每次都要重新摸索数据获取方式。

从“散在智慧”到“系统化技能集”的知识编码深度。段永平的“买股票就是买公司”、不为清单、能力圈等思想散落在访谈、问答录和零散记录中。dyp-ask 将其系统化为五层思想体系（投资信仰→生意模式→不为清单→能力圈→估值时机）。deep-company-series 将“如何写一篇深度公司研究”拆解为篇数适配、8 篇主轴模板和 3 篇合并路径。bottleneck-hunter 将“如何找供应链瓶颈”拆解为趋势筛选五标准、五层供应链拆解框架和当前五大超级趋势清单。这种“从散在到系统、从模糊到可执行”的知识编码，让初学者也能在几分钟内把握一套完整方法论的全貌。

开源 MIT + 持续迭代。AI-Berkshire 完全开源，采用 MIT 协议。项目持续迭代——最新提交于 2026 年 7 月 18 日，包含 10+ 个技能文件。无论你是价值投资者、财经写作者、AI 代理用户还是投资研究者，都可以自由使用、修改和扩展。

现实挑战与生态成熟度。AI-Berkshire 并非没有短板。首先，技能的核心是“研究框架”而非“交易信号”——它提供分析方法论和数据获取规范，但不提供买入/卖出建议。其次，earnings-review 的一手资料获取依赖外部数据源的可用性（SEC EDGAR、港交所披露易等网站可能因网络或反爬限制而访问不稳定）。再次，技能目前主要面向中文用户，覆盖了 A 股和台股，但部分技能（如 income-investment）的文档以英文为主，存在语言混排的情况。