AI Berkshire - AI 时代的价值投资研究框架

项目地址：xbtlin/ai-berkshire

说明：本文是对开源项目 AI Berkshire 的介绍与整理，不构成任何投资建议。股票、基金、加密资产等投资均有风险，所有结论都应该回到自己的研究、风险承受能力和仓位纪律。

最近看到一个很有意思的项目：AI Berkshire。

它的定位不是“让 AI 告诉你该买哪只股票”，而是把价值投资研究流程拆成一组可以重复调用的 skills / commands，让 Claude Code 或 Codex 扮演一个投研团队：有人做深度研究，有人读财报，有人做行业筛选，有人专门挑刺，有人负责组合和 thesis tracking。

这点挺重要。直接问 LLM “某某公司值不值得买”，通常会得到一篇看似平衡、实际很难落地的分析：一方面有增长，另一方面有风险，最后提醒你投资需谨慎。问题不是它完全没用，而是它没有强制结论、没有研究纪律，也没有可复现的工作流。

AI Berkshire 想解决的正是这个问题：把投资研究从“聊天”变成“流程”。

项目在做什么

AI Berkshire 是一套面向 Claude Code / Codex 的价值投资研究框架。它把巴菲特、芒格、段永平、李录这四类投资视角结构化，然后通过多 Agent 并行研究、交叉验证和 checklist，把一个投资问题拆成更稳定的研究过程。

你可以把它理解成三层：

Skill 层：定义 19 个明确入口，比如深度研究、财报分析、行业筛选、持仓管理、思维工具。
Agent 层：在一些重型任务里，由 Team Lead 调度多个视角并行研究，再综合判断。
工具层：做金融数据校验、实时检索、报告抽检，减少“数字看起来对但其实错了”的风险。

它不只是 prompt 集合。更准确地说，它是在尝试把“投资研究 SOP”做成一套 AI-native workflow。

为什么不直接问 AI

这个项目最有价值的地方，是它很清楚地意识到：LLM 最大的问题不是“不会分析”，而是太容易给出一篇顺滑但不可决策的分析。

在投资里，这种顺滑很危险。

如果一个回答没有明确的通过/不通过/灰色地带，没有价格区间，没有安全边际，没有反方论证，没有财务数据校验，那它更像一篇阅读材料，而不是投研结论。

AI Berkshire 的思路是强制加上几层约束：

强制输出结论：不是永远“一方面/另一方面”，而是要给通过、不通过或灰色地带。
多视角互相冲突：巴菲特视角可能觉得估值便宜，李录视角可能认为长期确定性不足，芒格视角会专门问这家公司会怎么死。
反偏见机制：用红线清单、反共识检查、失败场景推演，避免只找支持自己观点的信息。
财务数据精度：关键数字要交叉验证，涉及计算时尽量用工具而不是让 LLM 心算。
可复现流程：同一家公司半年后重做，结构可以对齐；多家公司横向比较，标准也能保持一致。

换句话说，它不是为了让 AI “更会说”，而是为了让 AI “更守纪律”。

19 个 skills 怎么分

项目把 skills 分成几类，覆盖了从公司研究到组合管理的完整路径。

深度研究

/investment-research：四大师视角综合分析一家上市公司。
/investment-team：多 Agent 并行投研团队，更适合需要快速拉满信息量的公司研究。
/management-deep-dive：专门研究管理层，适合“买股票就是买人”的场景。
/private-company-research：研究未上市公司，比如 SpaceX、蚂蚁这类信息更稀缺的对象。
/deep-company-series：把一家公司拆成多篇长文，适合公众号级别的深度系列。

财报分析

/earnings-review：精读财报原始材料，尽量少依赖二手研报。
/earnings-team：四大师并行解读财报，再进入编辑和读者评审流程。

行业筛选

/industry-research：扫描一个行业的产业链和投资机会。
/industry-funnel：从全市场粗筛到少数候选公司，再进入深度分析。
/quality-screen：用硬指标快速排除质量不够的公司。
/bottleneck-hunter：从超级趋势出发，找产业链中的物理瓶颈和潜在机会。
/investment-checklist：用买入前 checklist 快速判断是否值得深入。

持仓管理

/portfolio-review：从研究公司升级到管理组合，关注仓位、集中度和再平衡。
/thesis-tracker：买入之后持续跟踪投资 thesis 是否被证伪。
/thesis-drift：对比不同时间的报告，区分事实变化、估值变化和措辞变化。
/news-pulse：股价异动时快速归因，先搞清楚发生了什么。

思维工具

/dyp-ask：用段永平风格思考商业、投资和人生问题。
/financial-data：规范财务数据获取和交叉验证。
/wechat-article：把研究结果进一步加工成公众号文章。

我觉得最值得借鉴的地方

第一，是它把“研究入口”拆得很细。

很多人做投资研究时，会把所有问题都混在一起：这家公司好不好？财报怎么样？管理层行不行？行业空间大不大？估值贵不贵？能不能买？结果就是问题太大，AI 容易糊成一锅粥。拆成不同 skill 之后，每次只解决一个层级的问题，反而更容易得到可用结果。

第二，是它承认投资判断里天然存在冲突。

好公司可能太贵，便宜公司可能有坑，短期确定性可能和长期确定性矛盾，财务漂亮可能管理层不值得信任。一个好的投研系统，不应该抹平这些冲突，而应该把冲突显性化。

第三，是它把买入后的管理也纳入流程。

很多 AI 投研工具只关注“买什么”，但真正难的是买入之后怎么办：什么时候 thesis 被证伪？什么时候只是市场波动？什么时候需要加仓、减仓或承认错误？thesis-tracker 和 portfolio-review 这类 skill，恰好补上了这一块。

使用时要注意什么

我不会把这类工具理解成“自动赚钱机器”。更合理的定位是：它可以提高研究覆盖面、降低遗漏重要问题的概率、逼迫自己用更严谨的格式思考。

但最终仍然有几个限制：

AI 可能引用错误信息，尤其是实时财务数据、公告细节和新闻源。
多 Agent 不等于真理，只是多了几个独立视角。
价值投资框架不一定适合所有资产，尤其是加密资产、周期品和强事件驱动标的。
工具越复杂，越容易让人误以为“流程完整 = 结论正确”。
真正的风险控制仍然来自仓位、时间、现金流和自己的心理承受能力。

所以我觉得最好的用法是：把它当作投研 checklist 和 second brain，而不是交易信号生成器。