AI Berkshire：用 Claude Code 打造你的私人投研团队

今天在 GitHub Trending 上看到一个非常有价值的项目：AI Berkshire，一套将巴菲特、芒格、段永平、李录四位价值投资大师方法论系统化的 AI 投研框架，作者用实盘两年 180%+ 的收益验证了这套方法的有效性。

一、项目概述

项目是什么

AI Berkshire 是一套基于 Claude Code 的投资研究 Skill 合集，核心价值在于：把"问 AI 得到的是看起来对的分析"升级为"可以拿来做决策的投研报告"。

解决的问题

直接问 AI 投资问题，你会得到：

• “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
• 看起来对，但没法拿来做决策

AI Berkshire 的解决方案：

• 强制给结论：通过/不通过/灰色地带，带具体价格区间和分层建议
• 四大师视角对抗：不是单一分析，而是真实的矛盾和张力
• 结构化反偏见机制：信息丰富度评级、逆向检验、快速否决清单
• 金融数据精确性：Python decimal.Decimal 精确计算，多源交叉验证

核心特性

• 16 个专业投研 Skill：深度研究、财报分析、行业筛选、持仓管理、思维工具
• 四大师方法论融合：段永平（商业模式）、巴菲特（护城河+估值）、芒格（逆向思考）、李录（文明趋势）
• 多 Agent 并行研究：4 个 AI Agent 同时研究一家公司，4 倍搜索量和独立视角
• 实盘验证：2024 年 +69.29%，2025 年至今 +66.38%，连续两年大幅跑赢全球主要指数

二、技术原理

架构设计

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

三层设计哲学：

• Skill 层：把"你要做什么"抽象成 16 个明确入口
• Agent 层：每个 skill 内部是 4 个 Agent 并行，独立搜索、独立判断、互相挑战
• 工具层：精确计算、实时检索、报告抽检

核心技术栈

• Claude Code：Anthropic 官方 AI 编程工具，支持自定义 Skill
• Python decimal.Decimal：精确十进制计算，避免浮点误差
• Markdown：研究报告输出格式，可读性强、可版本管理

关键设计模式

1. 信息丰富度评级（A/B/C）

解决"资料多=确定性高"的幻觉：

| 公司 | 信息评级 | 说明 |
|------|---------|------|
| 腾讯 | A | 数据充足，多个独立来源 |
| 泡泡玛特 | B | 数据有限，推算指标标注置信度 |
| SpaceX | C | 未上市公司，信息拼凑 |

2. 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？**
> 1. 监管政策重大变化（概率：中）
> 2. 抖音电商彻底碾压（概率：中低）
> 3. 供应链质量失控（概率：低）
> 4. 管理层重大决策失误（概率：低）
> 5. 宏观消费持续萎缩（概率：中）

3. 镜子测试

买入前必须能用 5 句话说完整：

> "我以 380港元 买入 腾讯，因为：
> 1. 这门生意的本质是**社交网络+数字内容平台**，我理解它；
> 2. 它的护城河是**12亿用户的社交关系链**，而且在变宽；
> 3. 管理层**Pony Ma低调务实、资本配置优秀**，值得信赖；
> 4. 当前价格相当于内在价值的**8折**，有一定安全边际；
> 5. 即使我错了，下行风险可控，因为**账上净现金超2000亿、游戏现金流强劲**。"
>
> ✅ 通过镜子测试
> **5句话说不完整 = 不买。没有例外。**

金融严谨性工具

# 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%

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。

三、安装与快速开始

环境要求

• Node.js 18+
• npm 或 yarn
• Claude Code CLI

安装步骤

# 1. 安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 2. 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git

# 3. 复制 skills 到 Claude Code 全局 commands 目录
cp ai-berkshire/skills/*.md ~/.claude/commands/

最简运行示例

# 深度研究一家公司
/investment-research 腾讯

# 多 Agent 并行研究
/investment-team 美团

# 巴菲特买入前 Checklist
/investment-checklist 茅台, 英伟达, 苹果

四、使用方法与实战

深度研究类

财报分析类

# 财报精读（一手资料）
/earnings-review 腾讯 2025Q4

# 财报精读团队 + 公众号发布
/earnings-team PDD 2025年报

行业筛选类

# 产业链全景扫描
/industry-research 核电

# 行业漏斗筛选：全市场 → 10 家 → 3 家
/industry-funnel AI算力

# 去劣筛选（7 条硬指标）
/quality-screen 恒生指数成分股

# 巴菲特买入前 Checklist
/investment-checklist 茅台, 英伟达, 苹果

持仓管理类

# 组合管理与优化
/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30%

# 投资论文追踪
/thesis-tracker 拼多多

# 股价异动快速归因
/news-pulse 腾讯

实战案例：拼多多投研

四维评分：

投资建议：

五、常见问题与解决方案

Q1: 为什么不能直接问 AI 投资问题？

直接问 AI 会得到"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 解决的是分析质量和决策纪律的问题：

• 强制给结论，不打太极
• 四大师视角对抗，而非单一分析
• 结构化反偏见机制

Q2: 四大师方法论如何融合？

四位大师不是简单分工，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。

Q3: 如何确保金融数据精确性？

• 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
• 市值手算校验：股价 × 总股本，与报告数据对比

Q4: 适合什么类型的投资者？

• 价值投资者：认同巴菲特、芒格、段永平、李录的投资理念
• 长期持有者：关注企业内在价值和长期竞争力
• 自我驱动者：愿意深入学习投资方法论
• 有一定编程基础：能使用 Claude Code 和 Python 工具

Q5: 实盘收益如何验证？

作者提供了富途证券真实账户截图：

• 2024 全年收益：+69.29%
• 2025 年至今收益：+66.38%
• 两年累计实盘收益超 146 万元

免责声明：历史收益不代表未来表现。

六、总结

AI Berkshire 是一套将价值投资大师方法论系统化的 AI 投研框架，核心价值在于：

1. 方法论系统化：把巴菲特、芒格、段永平、李录的投资哲学转化为可执行的 Skill
2. 分析质量提升：从"看起来对的分析"升级为"可以拿来做决策的投研报告”
3. 决策纪律强化：镜子测试、快速否决清单、逆向检验等机制防止认知偏误
4. 实盘验证有效：两年 180%+ 收益，大幅跑赢全球主要指数

适合人群：价值投资者、长期持有者、愿意深入学习投资方法论的人。

一句话评价：让每个人都拥有自己的投研团队。