xbtlin/ai-berkshire

中文 | English | 日本語

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 ↓

实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 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

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：

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

📊 财报分析类

🏭 行业筛选类

📈 持仓管理类

🧠 思维工具类

🔗 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-codex-skills.py 从 skills/*.md 生成；codex-prompts/*.md 是可选的 Codex slash prompt 兼容层。

3. 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
/bottleneck-hunter AI基础设施
/investment-checklist 茅台, 英伟达, 苹果

# 持仓管理
/income-investment Verizon mode=existing role=core-income quantity=100 cost_basis=39.50 tax_residence=France horizon=5y
/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30%
/thesis-tracker 拼多多
/thesis-drift 拼多多 reports/拼多多-thesis-2025Q4.md reports/拼多多-thesis-2026Q1.md
/news-pulse 腾讯

# 思维工具
/dyp-ask 拼多多的护城河到底在哪里？
/wechat-article 美团

在 Codex 中安装后重启 Codex，然后直接按 skill 名称描述任务，例如：

使用 investment-research 研究腾讯
使用 earnings-review 分析 PDD 2025年报
使用 industry-funnel 筛选 AI算力
使用 bottleneck-hunter 扫描 AI基础设施瓶颈
使用 thesis-drift 对比拼多多两份投资论文
使用 wechat-article 写美团投研文章

如果安装了 Codex slash prompts，重启 Codex 后也可以在 / 菜单里搜索这些 prompt。Codex 官方的 custom prompt 入口通常显示为 prompts:<name>，例如：

/prompts:investment-research 腾讯

---

各 Skill 详细介绍

1. /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。"

---

2. /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

---

3. /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：

1. 这门生意的本质是社交网络+数字内容平台，我理解它；
2. 它的护城河是12亿用户的社交关系链，而且在变宽；
3. 管理层Pony Ma低调务实、资本配置优秀，值得信赖；
4. 当前价格相当于内在价值的8折，有一定安全边际；
5. 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。

---

4. /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

---

5. /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）：

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

---

6. /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

---

7. /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：

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。

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，是其余三个视角的共同起点：

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)

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。

---

未来方向

• 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！精选公司研究与个人判断首发于微信公众号「复利炼丹炉」（二维码见文首）。