ai-berkshire
xbtlin/ai-berkshire加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
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。
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。
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：
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。
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。
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。
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
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。
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。
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。
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。
项目 reports/ 目录下已积累了 500+ 份研究报告，覆盖：
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。
# 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
# 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
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。
LLM 在以下场景存在明显局限：
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"。
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。
在开源领域，AI Berkshire 的定位非常独特：
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。
从项目 roadmap 和维护记录看，可能的演进方向包括：
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。