xbtlin/ai-berkshire

📖 README 摘要

# 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：

### 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：

| 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 |

### 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。

┌─────────────────────────────────────────────┐
│              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

### 1. 安装 Claude Code

npm install -g @anthropic-ai/claude-code

### 2. 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/

### 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