xbtlin/ai-berkshire

[English](README_EN.md) | 中文 # AI Berkshire - AI 时代的价值投资研究框架 **AI Berkshire** 是一套基于 [Claude Code](https://claude.ai/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 ### 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。 ## 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。 ### 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 ### 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 ## 整体架构

**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`](skills/investment-research.md) | 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`](skills/investment-team.md) | 多Agent并行投研团队 | 4个Agent并行研究，最快速、最全面 | | [`/management-deep-dive`](skills/management-deep-dive.md) | 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`](skills/private-company-research.md) | 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`](skills/deep-company-series.md) | 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`](skills/earnings-review.md) | 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`](skills/earnings-team.md) | 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`](skills/industry-research.md) | 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`](skills/industry-funnel.md) | 行业漏斗筛选 | 全市场 → 粗筛 ≤10 家 → 终选 3 家深度分析 | | [`/quality-screen`](skills/quality-screen.md) | 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`](skills/investment-checklist.md) | 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`](skills/portfolio-review.md) | 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`](skills/thesis-tracker.md) | 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`](skills/news-pulse.md) | 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`](skills/dyp-ask.md) | 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`](skills/financial-data.md) | 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 # 行业筛选 /industry-research 核电 /industry-funnel AI算力 /quality-screen 恒生指数成分股 /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？ ## 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**： ### 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**： ### 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**： ### 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**： ### 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）**： | 子赛道 | 终选 3 家 | 核心仓位推荐 | |-------|---------|------------| | AI 算力 | TSMC / NVIDIA / SK Hynix | TSMC ★★★★★ | | AI 模型 | Alphabet / Meta / 阿里巴巴 | Alphabet ★★★★★ | | AI 应用 | 微软 / Adobe / AppLovin | 微软 + Adobe ★★★★ | | AI 基建电力 | Eaton / 特变电工 / Talen Energy | Eaton + 特变电工 ★★★★ | **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](reports/AI算力-funnel-20260509.md) · [AI 模型](reports/AI模型-funnel-20260509.md) · [AI 应用](reports/AI应用-funnel-20260509.md) · [AI 基建电力](reports/AI基建电力-funnel-20260509.md) ### 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**： ### 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**： | 场景 | 用什么 | |------|------| | 完整投研（小时级） | `/investment-team` 或 `/investment-research` | | 财报深读 | `/earnings-review` | | 长期论文跟踪 | `/thesis-tracker` | | **股价异动 10 分钟归因** | **`/news-pulse`** | **输出示例摘录**（腾讯 4/17-5/01 实测，14 天 -10.47%）： 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 | 公司 | 使用 Skill | 核心结论 | 报告链接 | |------|-----------|---------|---------| | 拼多多 (PDD) | `/investment-team` | 综合3.4/5，极度便宜但10年确定性不足，适合中等仓位 | [查看报告](reports/拼多多/) | | 腾讯控股 (0700.HK) | `/investment-research` | 社交垄断+资本配置卓越，14x前瞻PE合理偏低 | [查看报告](reports/腾讯/) | | 7家公司对比 | `/investment-checklist` | 茅台、腾讯通过；英伟达、美团、快手有条件通过；拼多多、泡泡玛特灰色 | [查看报告](reports/多公司对比-checklist-20260408.md) | | 大师持仓追踪 | 自定义研究 | 巴菲特/李录/段永平最新13F持仓+PDD成本分析 | [查看报告](reports/大师持仓追踪-research-20260408.md) | ## 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 │ └────────┬─────────┘ │ ┌──────────────────┼──────────────────┐ │ │ │ ▼ ▼ ▼ ┌────────┐ ┌──────────┐ ┌────────┐ │ 巴菲特 │ │ 芒格 │ │ 李录 │ │ 护城河 │ │ 逆向思考 │ │ 文明趋势│ │ 安全边际│ │ 风险清单 │ │ 范式转移│ │ 管理层 │ │ 偏误自查 │ │ 产业价值│ └────────┘ └──────────┘ └────────┘ 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`) | 功能 | 命令 | 解决的问题 | |------|------|-----------| | **市值验算** | `verify-market-cap` | 股价×总股本 精确计算，检测单位错误 | | **估值验算** | `verify-valuation` | PE/PB/ROE/FCF Yield 精确十进制计算 | | **多源交叉验证** | `cross-validate` | N个来源的同一数据自动比对，超过容差告警 | | **三情景估值** | `three-scenario` | 乐观/中性/悲观精确计算目标价 | | **Benford定律检测** | `benford` | 检测财务数据首位数字分布异常 | | **精确计算器** | `calc` | 任意财务表达式精确计算，替代LLM心算 | **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。 ## 项目路线图 - [x] 四大师综合分析框架（`/investment-research`） - [x] 多Agent并行投研团队（`/investment-team`） - [x] 巴菲特买入前 Checklist（`/investment-checklist`） - [x] 产业链全景扫描（`/industry-research` + `/industry-funnel`） - [x] 未上市公司研究框架（`/private-company-research`） - [x] 金融严谨性工具（精确算术、市值验算、多源交叉验证、Benford定律检测） - [x] 股价异动快速归因（`/news-pulse` 4 维并行侦察） - [x] 财报精读（`/earnings-review` + `/earnings-team` 四大师并行解读） - [x] 投资组合管理（`/portfolio-review` 仓位审视与再平衡） - [x] 投资论文追踪（`/thesis-tracker` 买入后纪律系统） - [x] 管理层纵深研究（`/management-deep-dive`） - [x] 去劣快速筛选（`/quality-screen` 7条硬指标排除） - [x] 段永平思维模拟（`/dyp-ask`） - [x] 深度系列长文（`/deep-company-series` 8篇12万字） - [ ] 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）。 ## Star History 如果这个项目对你有帮助，请给一个 Star 支持！ ## License MIT License [](https://star-history.com/#xbtlin/ai-berkshire&Date)

标签：Claude Code, PyRIT, 价值投资, 多智能体系统, 逆向工具, 量化投研, 金融科技, 防御加固