xbtlin/ai-berkshire: Trending on GitHub
中文 | English
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 是一套基于 Claude Code 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 = 一个投研团队。
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 年至今收益：+66.38%
与主要指数对比
指标 2024 全年 2025 至今
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。
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：
- 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。
- 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。
- 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
- 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。
- 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
- 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。
┌─────────────────────────────────────────────┐ │ Team Lead (你) │ │ 统筹协调 · 汇总研判 │ ├──────┬──────┬──────────┬───────────┤ │ Agent 1 │ Agent 2 │ Agent 3 │ Agent 4 │ │ 商业模式 │ 财务估值 │ 行业竞争 │ 风险管理层 │ │ 段永平视角 │ 巴菲特视角 │ 芒格视角 │ 李录视角 │ └──────┴──────┴──────────┴───────────┘ ↓ 并行研究，实时汇报进度 ↓ 最终综合报告
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
图源：assets/architecture.mmd（Mermaid 可编辑源码）
三层设计哲学：
Skill 层：把"你要做什么"抽象成 16 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：每个 skill 内部都是 4 个 Agent 并行——它们各自独立搜索、独立判断、互相挑战，最后由 Team Lead 综合
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（16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
/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
/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
/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
快速开始
- 安装 Claude Code
npm install -g @anthropic-ai/claude-code
- 安装 Skills
将 skills/ 目录下的 .md 文件复制到你的 Claude Code commands 目录：
克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
复制 skills 到 Claude Code 全局 commands 目录
cp ai-berkshire/skills/*.md ~/.claude/commands/
- 使用
在 Claude Code 中直接调用：
深度研究
/investment-research 腾讯 /investment-team 美团 /management-deep-dive 王兴 美团 /private-company-research SpaceX /deep-company-series 拼多多
财报分析
/earnings-review 腾讯 2025Q4 /earnings-team PDD 2025年报
行业筛选
/industry-research 核电 /industry-funnel AI算力 /quality-screen 恒生指数成分股 /investment-checklist 茅台, 英伟达, 苹果
持仓管理
/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30% /thesis-tracker 拼多多 /news-pulse 腾讯
思维工具
/dyp-ask 拼多多的护城河到底在哪里？
各 Skill 详细介绍
- /investment-research — 四大师综合分析
最全面的单公司深度研究框架。按七个模块顺序执行：
数据收集 → 生意本质(段永平) → 护城河(巴菲特) → 逆向思考(芒格) → 管理层评估(段永平+巴菲特) → 文明趋势(李录) → 估值与安全边际
核心特色：
AI研究偏见自觉机制（A/B/C级信息丰富度评级）
关键数据多源交叉验证（市值手算校验、至少2个独立来源）
四位大师的"追问"贯穿全文
三情景估值（乐观/中性/悲观）+ 反向DCF
输出示例摘录：
综合决策备忘录
维度 结论 信心度
生意质量（段永平） 极佳：平台型生意，双边网络效应，边际成本趋零 ★★★★★
护城河（巴菲特） 宽阔且在变宽：网络效应+转换成本+规模效应三重叠加 ★★★★☆
管理层（段永平+巴菲特） 优秀：创始人掌舵，资本配置纪律强 ★★★★☆
最大风险（芒格） 监管政策不确定性，新业务亏损拖累整体利润 ★★★☆☆
文明趋势（李录） 顺应数字化消费趋势，但非"文明级范式转移" ★★★★☆
估值（巴菲特+段永平） 当前PE 18x，处于历史中位数偏低，有一定安全边际 ★★★★☆
段永平："这门生意的本质是连接消费者和商家，赚的是效率提升的钱。好生意的标志是：用户越多，商家越多；商家越多，用户越多。飞轮一旦转起来，很难停下。"
芒格："反过来想——如果这家公司明天消失，用户和商家会怎么办？如果答案是'很快找到替代品'，那护城河就不够深。如果答案是'生活会变得非常不方便'，那就值得关注。"
- /investment-team — 多Agent投研团队
启动4个AI Agent并行研究，模拟真实投研团队协作。每个Agent独立搜索、独立分析、独立给出评分，最后由Team Lead综合研判。
输出示例摘录：
一句话结论
美团是中国本地生活服务的绝对龙头，拥有多重网络效应护城河，当前估值处于历史较低水平，长期投资价值显著，建议逢低建仓。
四维评分总表
维度 框架 评分 核心判断
商业模式 & 护城河 段永平 ★★★★☆ 双边网络效应强劲，外卖+到店形成飞轮
财务 & 估值 巴菲特 ★★★★☆ 核心业务利润率持续改善，估值处于历史低位
行业 & 竞争 芒格 ★★★☆☆ 抖音入侵到店业务，竞争格局有恶化风险
风险 & 管理层 李录 ★★★★☆ 王兴战略眼光出色，但新业务烧钱需警惕
综合评分：3.8 / 5
投资建议
策略 建议 价格区间(港元)
激进型 当前价位可建仓30% 120-140
稳健型 等回调至100-110建仓 100-120
保守型 等待季报验证利润率趋势后再介入 <100
- /investment-checklist — 巴菲特买入前 Checklist
六关快速筛选，帮你在10分钟内决定一家公司是否值得深入研究：
第一关：能力圈（我能理解吗？） ↓ 通过 第二关：好生意（经济特征如何？） ↓ 通过 第三关：护城河（竞争优势深不深？） ↓ 通过 第四关：管理层（值得信任吗？） ↓ 通过 第五关：安全边际（价格便宜吗？） ↓ 通过 第六关：决策纪律（是理性还是FOMO？） ↓ 通过 ✅ 镜子测试
支持多公司对比——一次筛选多个标的：
/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多
输出示例摘录：
镜子测试
"我以 380港元 买入 腾讯，因为：
这门生意的本质是社交网络+数字内容平台，我理解它；
它的护城河是12亿用户的社交关系链，而且在变宽；
管理层Pony Ma低调务实、资本配置优秀，值得信赖；
当前价格相当于内在价值的8折，有一定安全边际；
即使我错了，下行风险可控，因为账上净现金超2000亿、游戏现金流强劲。"
✅ 通过镜子测试
5句话说不完整 = 不买。没有例外。
- /industry-research — 产业链全景扫描
从一个投资主题出发，完成产业链全景研究：
投资逻辑链构建 → 产业链全景图 → 全球上市公司扫描 → 各环节头部公司四大师分析 → 投资组合配置建议
输出示例摘录：
投资逻辑链：核电
底层趋势：AI数据中心电力需求爆发 + 碳中和目标 → 导致：稳定清洁基荷电源需求激增 → 创造：核电重启/新建/SMR的确定性需求 → 受益：铀矿 → 燃料加工 → 设备制造 → 运营商
推荐组合
层级 仓位 标的 环节 核心逻辑
核心 50% 中国广核(CGN)、Cameco 运营+铀矿 确定性最高
卫星 30% 中国核电、东方电气 运营+设备 国产替代受益
期权 15% NuScale、Nano Nuclear SMR 高风险高弹性
ETF 替代 URA、URNM 全链 懒人方案
- /industry-funnel — 行业漏斗筛选
从一个行业/方向出发，全市场 → ≤10 家 → 3 家逐层精选：
全市场扫描（活跃度 + 涨幅 + 市值前 30 并集，30-60 家） ↓ 价值投资 5 条硬指标 粗筛 ≤ 10 家 ↓ 精细分析（每家 300-500 字） 精细分析 ≤ 10 家 ↓ 终选（按组合互补性，不按打分前 3） 四大师深度分析 3 家（每家 800-1200 字） ↓ 推荐组合（核心 / 卫星 / 期权）+ 操作信号
核心特色：
每层都有明确留/弃标准，被淘汰的标的留下淘汰理由（不是黑箱）
终选 3 家按"组合互补性"选（高确定性 + 中等弹性 + 高弹性），不按打分前 3 排序
强制列"未来 IPO 候选"，避免漏掉一级市场核心玩家
AI 偏见自觉机制：应对龙头偏好 / 英文偏好 / 故事偏好 / 上市偏好
与 /industry-research 的区别：
industry-research 偏重产业链结构与全景（按环节切片）
industry-funnel 偏重个股筛选漏斗（从全市场逐层精选到 3 家）
实测：AI 行业 4 子赛道并行（2026-05-09）：
子赛道 终选 3 家 核心仓位推荐
AI 算力 TSMC / NVIDIA / SK Hynix TSMC ★★★★★
AI 模型 Alphabet / Meta / 阿里巴巴 Alphabet ★★★★★
AI 应用 微软 / Adobe / AppLovin 微软 + Adobe ★★★★
AI 基建电力 Eaton / 特变电工 / Talen Energy Eaton + 特变电工 ★★★★
关键发现：AI 应用层最大赢家不是 AI Native 公司，而是有渠道+数据+工作流嵌入度的成熟巨头——这呼应了 1995-2000 互联网泡沫"卖铲子"的历史规律（亚马逊和苹果赢，Pets.com 输）。
完整报告：AI 算力 · AI 模型 · AI 应用 · AI 基建电力
- /private-company-research — 未上市公司深度研究
专为信息稀缺的未上市公司设计的"侦探式"研究框架：
核心差异化：
财务数据拼凑：从招股书、母公司财报、融资新闻、行业数据多源拼凑
置信度标注：每个数据点标注 🟢高 / 🟡中 / 🔴低 置信度
多方法估值交叉：融资估值法 + 可比公司法 + DCF + 终局倒推法
退出路径分析：IPO/并购/二级转让全路径评估
输出示例摘录：
公司画像速览：SpaceX
项目 内容
最新估值 ~$350B (2025年二级市场) 🟡
推算收入 ~$130亿 (2024年) 🟡
Starlink用户 400万+ (2024年底) 🟢
发射次数 100+ 次/年 (2024年) 🟢
估值判断
方法 估值区间 说明
最近融资 $350B 二级市场报价，有流动性溢价
可比公司法 $200-280B 对标电信+航天+国防
DCF(中性) $250-350B 假设Starlink 2027年$300亿收入
终局倒推 $400-600B 假设星链成为全球电信基础设施
综合合理估值区间：$250B - $400B
- /news-pulse — 股价异动新闻归因
专为"股价大涨/大跌时快速搞清发生了什么"设计的情报响应 Skill。不是深度投研，是 10-15 分钟的快速归因——避免持仓异动时陷入小作文焦虑或盲目止损。
核心差异化：
4 维并行侦察：公司事件 / 监管政策 / 行业对手 / 市场情绪（卖方+大V+南向资金）
归因优先于罗列：不是把所有新闻列一遍，而是判断"哪个事件配得上这次股价异动"
强制性质判断：价值事件 / 情绪波动 / 真因不明 / 混合——其中"真因不明"是最有价值的输出（可能存在内幕抢跑）
明确行动建议：是否触发深度研究、是否需要重审论文、是否仅观察等
与其他 Skill 的区别：
场景 用什么
完整投研（小时级） /investment-team 或 /investment-research
财报深读 /earnings-review
长期论文跟踪 /thesis-tracker
股价异动 10 分钟归因 /news-pulse
输出示例摘录（腾讯 4/17-5/01 实测，14 天 -10.47%）：
一句话归因
这次 -10.47% 跌幅约 70-80% 由资金面+情绪面驱动（回购静默期 + 南向减仓 + 板块 beta + AI 叙事被夺），20-30% 由 AI 投入翻倍的递延消化承担——基本面无利空，卖方维持买入共识，性质上属于"流动性+情绪型回调"，不是价值事件。
异动归因表
候选解释 估算贡献 置信度
回购静默期消失（结构性，5/13 财报前） -3% ~ -4% 高
南向资金转向净卖腾讯 -2% ~ -3% 高
AI 叙事被竞品夺走（DeepSeek V4/Qwen3.6/月暗 1T） -1% ~ -2% 中
板块/宏观 beta（油价+地缘+Fed Warsh 鹰派） -2% ~ -3% 高
一季报前避险 -1% ~ -2% 中
基本面恶化 0% 极高（排除）
性质判断：✅ 混合型
70% 资金面/情绪面 + 20% AI 长期叙事担忧 + 10% 一季报前不确定性
关键反证：段永平 4/8 卖腾讯 put（看多）；卖方 24 家共识 Strong Buy；网易 4/30 逆市涨 2%（排除游戏行业问题）；腾讯跑输恒科 7 个百分点（恒科月度反而涨 4%）。
调用方式：
/news-pulse 腾讯 /news-pulse 拼多多 跌12% 一周内 /news-pulse 米哈游
实战研究报告
以下是使用本框架生成的真实投资研究报告，展示 AI 投研的实际输出效果。
公司 使用 Skill 核心结论 报告链接
拼多多 (PDD) /investment-team 综合3.4/5，极度便宜但10年确定性不足，适合中等仓位 查看报告
腾讯控股 (0700.HK) /investment-research 社交垄断+资本配置卓越，14x前瞻PE合理偏低 查看报告
7家公司对比 /investment-checklist 茅台、腾讯通过；英伟达、美团、快手有条件通过；拼多多、泡泡玛特灰色 查看报告
大师持仓追踪 自定义研究 巴菲特/李录/段永平最新13F持仓+PDD成本分析 查看报告
更多报告将持续添加。欢迎 PR 提交你用本框架生成的研究报告。
设计理念
四大师方法论融合
┌──────────────────┐
│ 段永平 │
│ "对的生意" │
│ 商业模式本质 │
└────────┬─────────┘
│
┌──────────────────┼──────────────────┐
│ │ │
▼ ▼ ▼
┌────────┐ ┌──────────┐ ┌────────┐ │ 巴菲特 │ │ 芒格 │ │ 李录 │ │ 护城河 │ │ 逆向思考 │ │ 文明趋势│ │ 安全边际│ │ 风险清单 │ │ 范式转移│ │ 管理层 │ │ 偏误自查 │ │ 产业价值│ └────────┘ └──────────┘ └────────┘
四位大师不是简单的分工，而是设计来互相挑战的：
段永平说"好生意"，芒格会问"怎么会死"
巴菲特说"够便宜"，李录会问"10年后还在吗"
你得到的不是四份报告的拼接，而是四种思维方式的碰撞
金融严谨性工具 (tools/financial_rigor.py)
功能 命令 解决的问题
市值验算 verify-market-cap 股价×总股本 精确计算，检测单位错误
估值验算 verify-valuation PE/PB/ROE/FCF Yield 精确十进制计算
多源交叉验证 cross-validate N个来源的同一数据自动比对，超过容差告警
三情景估值 three-scenario 乐观/中性/悲观精确计算目标价
Benford定律检测 benford 检测财务数据首位数字分布异常
精确计算器 calc 任意财务表达式精确计算，替代LLM心算
设计原则：所有计算使用 Python decimal.Decimal（精确十进制），非 float（浮点近似）。0.1 + 0.2 = 0.3 在金融场景中不允许失败。
项目路线图
四大师综合分析框架（/investment-research）
多Agent并行投研团队（/investment-team）
巴菲特买入前 Checklist（/investment-checklist）
产业链全景扫描（/industry-research + /industry-funnel）
未上市公司研究框架（/private-company-research）
金融严谨性工具（精确算术、市值验算、多源交叉验证、Benford定律检测）
股价异动快速归因（/news-pulse 4 维并行侦察）
财报精读（/earnings-review + /earnings-team 四大师并行解读）
投资组合管理（/portfolio-review 仓位审视与再平衡）
投资论文追踪（/thesis-tracker 买入后纪律系统）
管理层纵深研究（/management-deep-dive）
去劣快速筛选（/quality-screen 7条硬指标排除）
段永平思维模拟（/dyp-ask）
深度系列长文（/deep-company-series 8篇12万字）
历史回测：AI研报 vs 实际股价表现
宏观经济周期分析框架
基于MCP的实时数据接入（Wind/Bloomberg/Yahoo Finance）
免责声明
本项目仅供学习和研究目的，不构成任何投资建议。投资有风险，决策需谨慎。请始终做好自己的尽职调查（DYOR）。
License
MIT License
"The best investment you can make is in yourself." — Warren Buffett
AI Berkshire：让每个人都拥有自己的投研团队。
Star History
如果这个项目对你有帮助，请给一个 Star 支持！
