The project's README from github.com/xbtlin/ai-berkshire. As one markdown file: README.md.
"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 ↓
📊 日更内容是研究报告,全部在 研究报告索引。 2328 份报告 · 108 家公司 · 22 个专题,按公司与专题分组,更新至 2026-09-07。
实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 研究索引 · 设计理念 · 公众号
不是纸上谈兵。这套框架背后是真金白银验证的投资体系。
| 指标 | 2024 全年 | 2025 全年 |
|---|---|---|
| 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。
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。
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:
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。
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:
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。
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 |
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。
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:
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
/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。
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"。
三层设计哲学:
/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| 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 |
| 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 |
| 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 |
/era-alpha |
时代α捕手 | 识别时代级高增长主线中的核心α,验证增长可持续性,给出介入与退出纪律 |
/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 |
| Skill | 用途 | 适合场景 |
|---|---|---|
/income-investment |
收益型股票分析 | 区分可持续收益、机会型高息与收益率陷阱 |
/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 |
/thesis-drift |
投资论文漂移检测 | 对比两份论文/报告,区分事实变化、估值变化与措辞变化 |
/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" |
| 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 |
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)。
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。
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。
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。
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。
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
/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:
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