xbtlin ai-berkshire

好的，这是您要求的英文文章的中文翻译，已按照规范处理为 Markdown 格式。

---

xbtlin ai-berkshire

原文内容：

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。

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：

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。

1. 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。

1. 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 |

1. 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。

1. 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 |

1. 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（18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 | | /bottleneck-hunter | 供应链瓶颈猎手 | 从超级趋势出发，寻找产业链物理瓶颈和套利机会 | | /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 | | /wechat-article | 微信公众号文章 | 作者、编辑、读者三Agent协作，产出可发布文章 |

快速开始

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。

2. 安装 Skills

Claude Code 用户安装：

# 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

Codex 用户安装：

# 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

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
/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？