AI Berkshire：用 AI 复刻四位大师的投资大脑

你有没有过这种经历：问 ChatGPT "拼多多值不值得买"，它给你洋洋洒洒写了一篇"一方面增长潜力巨大，另一方面竞争压力不小"，最后以"投资有风险，请自行判断"收尾。这篇文章看起来对，但拿到真金白银面前，没有任何一条能帮你做决策。

xbtlin/ai-berkshire（7457★）解决的就是这个问题。它不是让 AI "分析一下"，而是用一套结构化的投研框架——巴菲特 + 芒格 + 段永平 + 李录——强制 AI 输出通过/不通过/灰色地带，带上具体价格区间和分层操作建议。

这不是玩具。这是一个经过真实资金验证的 AI 投研系统，2024 年实盘收益 +69.29%，跑赢标普 500 近 46 个百分点，2025 年至今继续 +66.38%，两年累计收益超过 146 万元。

一、项目起源：一个"不够用"的痛点

这个项目的诞生，源于创始人 xbtlin 在 2024 年初的一次真实体验：他问 Claude "帮我分析腾讯值不值得买"，AI 的回答四平八稳，"腾讯是中国最大的互联网公司之一，微信护城河很深，但竞争也在加剧..."——这是一篇永远正确的废话，拿到投资决策面前毫无用处。

问题不在于 AI 能力不够，而在于缺少结构。当你问 AI 一个开放式问题，它会给你一个开放式的回答。但真正的投资研究不是这样的——巴菲特看财务和护城河，芒格看逆向风险，段永平看商业模式，李录看 10 年确定性。每个维度有各自的分析框架，最终结论来自多个维度的对抗与权衡。

xbtlin 的解决方案是：把四位大师的思维方式系统化、工具化，变成 AI Agent 可以执行的 Skill 合集。一个人加 Claude Code，等于一支完整的投研团队。

二、核心机制：四大师对抗式分析

2.1 不是分工，是对抗

市面上的"AI 投研工具"大多走分工路线：AI 负责搜集数据，分析师负责判断。但 AI Berkshire 的逻辑完全不同——四个 Agent 各自独立分析，然后互相挑战。

以拼多多为例：

段永平视角（商业模式）：C2M 工厂直连消费者，供应链效率极高，商业模式评分 3.7/5
巴菲特视角（财务估值）：扣现金 PE 仅 6.3 倍，强劲现金流相当于"印钞机"，评分 4.4/5
芒格视角（逆向思考）：护城河比想象中浅——抖音仅用 3 年就做到 4 万亿 GMV，评分 3.5/5
李录视角（长期确定性）：管理层文化存在隐患，10 年后公司状态不确定，评分 2.0/5

巴菲特说"真便宜"，李录说"不确定就不买"——这种真实的矛盾才是投资决策的本来面目。单一 prompt 只能生成一份"平衡"的分析，而这份"平衡"恰恰是最危险的东西。

2.2 信息丰富度评级：防止"资料多 = 确定性高"的幻觉

AI Berkshire 内置了一套反 AI 偏见机制。在启动研究前，系统先对标的进行信息丰富度评级：

等级	特征	研究策略
A级	上市多年、券商覆盖广（如茅台、腾讯）	重点做反面检验，避免输出市场共识的正确废话
B级	上市不久、覆盖有限（如泡泡玛特）	推算数据必须标注置信度，汇总时注明"数据充分度"
C级	冷门/新上市（如科创板早期公司）	转为"第一性原理模式"，聚焦商业本质核心问题，不追求报告完整性

这套机制的核心洞察是：资料多不等于确定性高。茅台有几千份研报覆盖，但市场对茅台的分歧一点都不比一家冷门公司少。

2.3 五层防骗机制

AI Berkshire 在流程中内置了五层"防骗"机制，防止 AI 输出"看起来对但经不起推敲"的答案：

快速否决清单：8 条红线，任何一条触发直接否决，不管估值多便宜。典型红线包括：管理层诚信污点、主营业务监管封杀风险。

镜子测试：5 句话说不清楚一家公司商业模式 = 不买，没有例外。这个看似简单的要求会暴露你对一家公司理解的真实深度。

芒格式逆向检验：强制列出"什么情况下这家公司会死"——5 大情景 + 各自概率。这是避免"只看到光明面"的最有效手段。

反共识检查："聪明人为什么在做空？"——通过搜索做空报告发现被市场忽视的风险。

留白原则：数据不足时标注"灰色地带"，不用推测填充确定性。这是 AI 研究工具中最罕见的美德。

三、技术架构：Skill + 多 Agent 协同

3.1 文件结构

项目的代码组织非常清晰：

xbtlin/ai-berkshire/
├── skills/          — Claude Code Skill 定义（.md），共17个
├── codex-skills/    — Codex 平台适配版本（自动同步自 skills/）
├── codex-prompts/  — Codex 兼容层
├── tools/          — 财务验证工具
├── reports/        — 研究报告输出（500+份，覆盖30+公司）
├── data/           — 原始数据（CSV/JSON）
├── 实盘记录/       — 个人实盘操作记录
└── 筛选公司/       — 选股标准文档

3.2 17 个核心 Skill

项目定义了完整的投资研究 Skill 体系，覆盖从选股到持仓管理的全流程：

Skill	功能
`/investment-team`	四 Agent 并行研究（核心 Skill）
`/investment-research`	单公司研究
`/investment-checklist`	多公司横向筛选
`/industry-research`	行业研究
`/private-company-research`	未上市公司研究
`/earnings-review`	财报精读
`/earnings-team`	四视角财报分析
`/thesis-tracker`	长期投资论点追踪
`/portfolio-review`	组合健康度检查
`/management-deep-dive`	管理层深度评估
`/quality-screen`	初步质量筛选
`/industry-funnel`	行业漏斗筛选
`/news-pulse`	持仓动态监控
`/bottleneck-hunter`	产业链瓶颈挖掘
`/deep-company-series`	系列深度公司研究
`/dyp-ask`	段永平问答模式
`/wechat-article`	公众号文章生成

其中，/investment-team 是整个体系的核心——它通过 Team 工具创建一个 team-lead 统筹、4 个专业 Agent 并行的研究团队。

3.3 精确金融工具：financial_rigor.py

LLM 的数学能力不可靠，这是业界共识。PE 算错一个小数点、市值单位（港币亿 vs 人民币亿）搞混，就可能导致错误决策。

tools/financial_rigor.py 正是为解决这个问题而生的精确金融验证工具：

# 市值手算校验（Decimal 精确计算，不用 float）
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%

# 三情景估值
python3 tools/financial_rigor.py three-scenario   --price 350 --eps 18 --shares 9.11   --growth 15 10 5 --pe 30 25 18

# 本福特定律检测（识别财务数据造假）
python3 tools/financial_rigor.py benford --values '[1234, 2345, ...]'

这个工具零外部依赖（纯 Python 标准库），用 decimal.Decimal 做精确十进制运算，完全避免了浮点误差。所有 AI 研究报告中的关键财务数据，都会调用此工具进行交叉验证。

3.4 报告审计工具：report_audit.py

研究完成后，报告必须经过审计工具的"准出"流程才能发布：随机抽取 15% 的关键数据进行独立核实，数据不一致则打回重审。这相当于给每份研究报告上了一道质量保险。

四、实战成果：两年实盘验证

4.1 收益数据

项目 README 中公开了真实富途证券账户的收益截图（2024 全年 +69.29%，2025 年至今 +66.38%），并与全球主要指数进行横向对比：

指标	2024 全年	2025 至今
AI Berkshire 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%

两年累计超额收益显著。

4.2 研究覆盖广度

项目 reports/ 目录下已积累了 500+ 份研究报告，覆盖：

中国互联网：腾讯、美团、拼多多、阿里巴巴、网易、百度
消费龙头：茅台、五粮液、泡泡玛特
AI 全产业链：英伟达（CUDA 护城河分析）、DeepSeek（MoE 架构研究）、AI 五层蛋糕（能源→芯片→基础设施→模型→应用）
全球优质公司：Mastercard、Booking、ADP、Accenture、Novo Nordisk、Progressive、Meta
科创板：海光信息、澜起科技、联影医疗等 50+ 科创板公司

每家公司均按照四大师框架输出 4 份独立分析 + 1 份综合报告，格式高度一致，支持横向对比和纵向跟踪。

五、上手指南

5.1 安装（2 分钟）

# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git ~/ai-berkshire
cd ~/ai-berkshire

# 安装 Claude Code Skill
git pull --rebase origin main
# 将 skills/ 目录下的 .md 文件复制到 ~/.claude/commands/
bash scripts/install-claude-commands.sh

5.2 启动研究

# 单公司研究
/investment-research 腾讯

# 四大师团队并行研究
/investment-team 拼多多

# 多公司横向筛选
/investment-checklist 茅台 腾讯 英伟达 拼多多 泡泡玛特

# 财报季精读
/earnings-review 腾讯 2025Q4

5.3 使用门槛

工具层面：需要 Claude Code 或 Codex CLI，无 GPU/服务器要求。

知识层面：需要具备基础的投资知识——至少理解 PE、ROE、自由现金流等基本概念。对价值投资四大流派（巴菲特、芒格、段永平、李录）有基本了解会更好地驾驭这套框架。

关键要求：最终决策权必须由人掌控，框架是研究工具而非交易信号来源。

六、局限性与争议

6.1 AI 模型的局限性

LLM 在以下场景存在明显局限：

财报细节捕捉：AI 可能遗漏报表附注中的重要信息（如关联交易、或有负债）
管理层语调分析：读财报时"管理层在隐瞒什么"这种感知，AI 远不如有经验的分析师
行业-specific 知识：某些强周期性行业或高度监管行业的特殊估值逻辑，通用 AI 难以准确建模

6.2 框架的局限性

无法实时数据：财务数据依赖公开财报和第三方数据源，存在 1-2 个季度的信息滞后
竞争动态：AI 研究可以分析竞争对手，但"竞争格局突变"这类事件的预警能力有限
黑天鹅免疫：四大师框架擅长识别"已知的风险"，但对"未知的未知"（如 COVID、政策突变）效果有限
跨市场汇率风险：框架对港币/美元/A 股的汇率风险管理缺乏系统化建模

6.3 实盘数据的置信区间

项目 README 展示了两年的实盘收益，但样本期相对较短（2 年）。价值投资的验证周期通常需要 5-10 年以上。在此之前，应将收益数据视为"框架可行性验证"而非"策略有效性证明"。

七、行业意义与未来演进

7.1 代表趋势

AI Berkshire 代表了一个新兴方向：AI Agent 在专业领域决策支持中的深度应用。它不是让 AI "回答问题"，而是通过结构化的多 Agent 协作框架，复现人类专家的思维方式。

这种"框架优先"的设计哲学，与直接微调金融模型的方案形成鲜明对比。前者强调方法论的可解释性和可审计性，后者强调模型的预测精度。两者各有适用场景。

7.2 生态位

在开源领域，AI Berkshire 的定位非常独特：

不同于金融数据 API（如 Yahoo Finance、Ricequant）：这些工具提供数据，不提供研究框架
不同于传统量化框架（如 Zipline、Backtrader）：这些框架聚焦回测，不提供基本面研究
不同于通用 AI 投顾（如 Betterment、Wealthfront）：这些是黑盒，不开源

AI Berkshire 是目前唯一一个将价值投资方法论系统化并开源的 AI 工具。

7.3 未来方向

从项目 roadmap 和维护记录看，可能的演进方向包括：

接入实时市场数据 API（目前依赖财报和手动输入）
支持更多投资框架（如彼得·林奇成长股框架、达摩达兰估值框架）
补充宏观研究和资产配置层面的 Skill
科创板/A 股特有规则的专项适配

总结

AI Berkshire 是一款专门为价值投资者设计的 AI 投研工具，通过将巴菲特、芒格、段永平、李录四位大师的投资方法论系统化，让一个人 + Claude Code 就能拥有一个完整的投研团队。

它的核心价值不是"让 AI 告诉你买什么"，而是强制你用正确的框架思考投资决策。四大师对抗式分析、多层反偏见机制、Decimal 精确计算、报告审计准出——这些设计共同确保输出的不是一篇"看起来对"的分析，而是一份能拿来做决策的研究报告。

两年实盘累计 146 万收益、跑赢全球主要指数 40-50 个百分点，证明了框架的有效性。但对于价值投资这样需要 5-10 年以上验证周期的领域，这只是开始。

对于有基础投资知识、愿意深度参与研究过程的个人投资者，AI Berkshire 是目前开源领域最值得关注的投研工具之一。

AI Berkshire：用 AI 复刻四位大师的投资大脑

一、项目起源：一个"不够用"的痛点

xbtlin 的解决方案是：把四位大师的思维方式系统化、工具化，变成 AI Agent 可以执行的 Skill 合集。一个人加 Claude Code，等于一支完整的投研团队。

二、核心机制：四大师对抗式分析

2.1 不是分工，是对抗

以拼多多为例：

段永平视角（商业模式）：C2M 工厂直连消费者，供应链效率极高，商业模式评分 3.7/5
巴菲特视角（财务估值）：扣现金 PE 仅 6.3 倍，强劲现金流相当于"印钞机"，评分 4.4/5
芒格视角（逆向思考）：护城河比想象中浅——抖音仅用 3 年就做到 4 万亿 GMV，评分 3.5/5
李录视角（长期确定性）：管理层文化存在隐患，10 年后公司状态不确定，评分 2.0/5

2.2 信息丰富度评级：防止"资料多 = 确定性高"的幻觉

AI Berkshire 内置了一套反 AI 偏见机制。在启动研究前，系统先对标的进行信息丰富度评级：

等级	特征	研究策略
A级	上市多年、券商覆盖广（如茅台、腾讯）	重点做反面检验，避免输出市场共识的正确废话
B级	上市不久、覆盖有限（如泡泡玛特）	推算数据必须标注置信度，汇总时注明"数据充分度"
C级	冷门/新上市（如科创板早期公司）	转为"第一性原理模式"，聚焦商业本质核心问题，不追求报告完整性

这套机制的核心洞察是：资料多不等于确定性高。茅台有几千份研报覆盖，但市场对茅台的分歧一点都不比一家冷门公司少。

2.3 五层防骗机制

AI Berkshire 在流程中内置了五层"防骗"机制，防止 AI 输出"看起来对但经不起推敲"的答案：

快速否决清单：8 条红线，任何一条触发直接否决，不管估值多便宜。典型红线包括：管理层诚信污点、主营业务监管封杀风险。

镜子测试：5 句话说不清楚一家公司商业模式 = 不买，没有例外。这个看似简单的要求会暴露你对一家公司理解的真实深度。

芒格式逆向检验：强制列出"什么情况下这家公司会死"——5 大情景 + 各自概率。这是避免"只看到光明面"的最有效手段。

反共识检查："聪明人为什么在做空？"——通过搜索做空报告发现被市场忽视的风险。

留白原则：数据不足时标注"灰色地带"，不用推测填充确定性。这是 AI 研究工具中最罕见的美德。

三、技术架构：Skill + 多 Agent 协同

3.1 文件结构

项目的代码组织非常清晰：

xbtlin/ai-berkshire/
├── skills/          — Claude Code Skill 定义（.md），共17个
├── codex-skills/    — Codex 平台适配版本（自动同步自 skills/）
├── codex-prompts/  — Codex 兼容层
├── tools/          — 财务验证工具
├── reports/        — 研究报告输出（500+份，覆盖30+公司）
├── data/           — 原始数据（CSV/JSON）
├── 实盘记录/       — 个人实盘操作记录
└── 筛选公司/       — 选股标准文档

3.2 17 个核心 Skill

项目定义了完整的投资研究 Skill 体系，覆盖从选股到持仓管理的全流程：

Skill	功能
`/investment-team`	四 Agent 并行研究（核心 Skill）
`/investment-research`	单公司研究
`/investment-checklist`	多公司横向筛选
`/industry-research`	行业研究
`/private-company-research`	未上市公司研究
`/earnings-review`	财报精读
`/earnings-team`	四视角财报分析
`/thesis-tracker`	长期投资论点追踪
`/portfolio-review`	组合健康度检查
`/management-deep-dive`	管理层深度评估
`/quality-screen`	初步质量筛选
`/industry-funnel`	行业漏斗筛选
`/news-pulse`	持仓动态监控
`/bottleneck-hunter`	产业链瓶颈挖掘
`/deep-company-series`	系列深度公司研究
`/dyp-ask`	段永平问答模式
`/wechat-article`	公众号文章生成

其中，/investment-team 是整个体系的核心——它通过 Team 工具创建一个 team-lead 统筹、4 个专业 Agent 并行的研究团队。

3.3 精确金融工具：financial_rigor.py

LLM 的数学能力不可靠，这是业界共识。PE 算错一个小数点、市值单位（港币亿 vs 人民币亿）搞混，就可能导致错误决策。

tools/financial_rigor.py 正是为解决这个问题而生的精确金融验证工具：

# 市值手算校验（Decimal 精确计算，不用 float）
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%

# 三情景估值
python3 tools/financial_rigor.py three-scenario   --price 350 --eps 18 --shares 9.11   --growth 15 10 5 --pe 30 25 18

# 本福特定律检测（识别财务数据造假）
python3 tools/financial_rigor.py benford --values '[1234, 2345, ...]'

3.4 报告审计工具：report_audit.py

四、实战成果：两年实盘验证

4.1 收益数据

项目 README 中公开了真实富途证券账户的收益截图（2024 全年 +69.29%，2025 年至今 +66.38%），并与全球主要指数进行横向对比：

指标	2024 全年	2025 至今
AI Berkshire 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%

两年累计超额收益显著。

4.2 研究覆盖广度

项目 reports/ 目录下已积累了 500+ 份研究报告，覆盖：

中国互联网：腾讯、美团、拼多多、阿里巴巴、网易、百度
消费龙头：茅台、五粮液、泡泡玛特
AI 全产业链：英伟达（CUDA 护城河分析）、DeepSeek（MoE 架构研究）、AI 五层蛋糕（能源→芯片→基础设施→模型→应用）
全球优质公司：Mastercard、Booking、ADP、Accenture、Novo Nordisk、Progressive、Meta
科创板：海光信息、澜起科技、联影医疗等 50+ 科创板公司

每家公司均按照四大师框架输出 4 份独立分析 + 1 份综合报告，格式高度一致，支持横向对比和纵向跟踪。

五、上手指南

5.1 安装（2 分钟）

# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git ~/ai-berkshire
cd ~/ai-berkshire

# 安装 Claude Code Skill
git pull --rebase origin main
# 将 skills/ 目录下的 .md 文件复制到 ~/.claude/commands/
bash scripts/install-claude-commands.sh

5.2 启动研究

# 单公司研究
/investment-research 腾讯

# 四大师团队并行研究
/investment-team 拼多多

# 多公司横向筛选
/investment-checklist 茅台 腾讯 英伟达 拼多多 泡泡玛特

# 财报季精读
/earnings-review 腾讯 2025Q4

5.3 使用门槛

工具层面：需要 Claude Code 或 Codex CLI，无 GPU/服务器要求。

关键要求：最终决策权必须由人掌控，框架是研究工具而非交易信号来源。

六、局限性与争议

6.1 AI 模型的局限性

LLM 在以下场景存在明显局限：

财报细节捕捉：AI 可能遗漏报表附注中的重要信息（如关联交易、或有负债）
管理层语调分析：读财报时"管理层在隐瞒什么"这种感知，AI 远不如有经验的分析师
行业-specific 知识：某些强周期性行业或高度监管行业的特殊估值逻辑，通用 AI 难以准确建模

6.2 框架的局限性

无法实时数据：财务数据依赖公开财报和第三方数据源，存在 1-2 个季度的信息滞后
竞争动态：AI 研究可以分析竞争对手，但"竞争格局突变"这类事件的预警能力有限
黑天鹅免疫：四大师框架擅长识别"已知的风险"，但对"未知的未知"（如 COVID、政策突变）效果有限
跨市场汇率风险：框架对港币/美元/A 股的汇率风险管理缺乏系统化建模

6.3 实盘数据的置信区间

七、行业意义与未来演进

7.1 代表趋势

7.2 生态位

在开源领域，AI Berkshire 的定位非常独特：

不同于金融数据 API（如 Yahoo Finance、Ricequant）：这些工具提供数据，不提供研究框架
不同于传统量化框架（如 Zipline、Backtrader）：这些框架聚焦回测，不提供基本面研究
不同于通用 AI 投顾（如 Betterment、Wealthfront）：这些是黑盒，不开源

AI Berkshire 是目前唯一一个将价值投资方法论系统化并开源的 AI 工具。

7.3 未来方向

从项目 roadmap 和维护记录看，可能的演进方向包括：

接入实时市场数据 API（目前依赖财报和手动输入）
支持更多投资框架（如彼得·林奇成长股框架、达摩达兰估值框架）
补充宏观研究和资产配置层面的 Skill
科创板/A 股特有规则的专项适配

总结

对于有基础投资知识、愿意深度参与研究过程的个人投资者，AI Berkshire 是目前开源领域最值得关注的投研工具之一。