AI-Berkshire：基于 Claude Code 的多智能体价值投资研究框架

这是什么

AI Berkshire 是一个基于 Claude Code 构建的开源投资研究 Skill 合集，由开发者 xbtlin 发布在 GitHub（xbtlin/ai-berkshire）。该项目旨在将巴菲特、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 实现专业级的投资研究。

其核心理念是“一个人 + Claude = 一个投研团队”。项目不仅提供分析框架，更强调决策纪律和实证数据。据项目方披露，该框架在 2024 年和 2025 年的实盘操作中，分别跑赢标普 500 指数 46 和 50 个百分点，两年累计实盘收益超 146 万元。

解决的问题

传统用户直接询问大语言模型（LLM）进行投资分析时，通常面临以下痛点：

1. 分析缺乏决策力：普通 AI 回答往往呈现“一方面...另一方面...”的平衡观点，缺乏明确的“通过/不通过”结论，无法直接辅助交易决策。
2. 视角单一，存在盲点：单一 Prompt 难以模拟多视角的思维冲突。例如，同一只股票可能在商业模式上优秀，但在长期确定性上存在隐患，单一视角容易忽略这种张力。
3. 数据严谨性不足：LLM 在金融计算（如 PE 估值、市值换算）上容易出现精度错误（如混淆港币与人民币单位），导致错误的投资判断。
4. 输出格式不稳定：不同时间、不同公司的分析深度和结构不一致，难以进行横向对比或长期跟踪。

AI Berkshire 通过引入多层防骗机制、多 Agent 并行对抗以及标准化的输出流程，解决上述问题，提供可验证、可执行的投资研究支持。

核心功能

项目提供了 16 个明确的 Skill 入口，覆盖从选股到持仓管理的全流程：

• 深度研究框架：
  • /investment-research：最全面的单公司深度研究，包含数据收集、生意本质、护城河、逆向思考、管理层评估、文明趋势及估值安全边际七大模块。
  • /investment-team：启动 4 个独立 Agent（分别对应段永平、巴菲特、芒格、李录视角）并行研究，模拟真实投研团队协作，最后由 Team Lead 综合研判。
• 快速筛选与决策：
  • /investment-checklist：六关快速筛选（能力圈、好生意、护城河、管理层、安全边际、决策纪律），强制输出“通过/不通过”结论及具体价格区间。
  • /quality-screen：基于 7 条硬指标的去劣快速筛选。
• 行业与产业链分析：
  • /industry-research：产业链全景扫描，从投资逻辑链构建到全球上市公司扫描。
  • /industry-funnel：全市场逐层精选漏斗，从 30-60 家公司粗筛至 3 家终选，强调组合互补性而非单纯高分排序。
• 特殊场景研究：
  • /private-company-research：针对未上市公司（如 SpaceX、米哈游）的“侦探式”研究，通过多源拼凑财务数据并标注置信度。
  • /news-pulse：股价异动快速归因，区分价值事件、情绪波动或流动性影响，避免盲目止损。
• 财务与持仓管理：
  • /earnings-review & /earnings-team：财报精读，四大师并行解读。
  • /portfolio-review：仓位审视与再平衡。
  • /thesis-tracker：买入后纪律系统，追踪投资论点是否依然成立。

亮点 / 与同类相比

1. 多 Agent 并行对抗机制： 不同于简单的 Prompt 拆分，AI Berkshire 在 /investment-team 等场景中，让 4 个 Agent 各自独立搜索、独立判断、互相挑战。例如，当巴菲特视角认为“真便宜”时，李录视角可能指出“10 年后不确定”，这种思维碰撞能有效避免盲点。

2. 金融级数据严谨性：

   • 精确计算：所有计算强制使用 Python decimal.Decimal，杜绝 float 浮点误差。
   • 交叉验证：关键数据（如市值）需至少 2 个独立来源验证，并内置手算校验工具（如 verify-market-cap）。
   • Benford 定律检测：用于检测数据造假嫌疑。

3. 强制性的决策纪律： 引入“镜子测试”原则：如果无法用 5 句话完整解释一家公司，则视为“不买”。这种硬性约束迫使 AI 输出明确的行动建议，而非模棱两可的分析。

4. 结构化与可对比性： 确保相同输入产生结构一致、深度一致的输出，支持 7 家公司横向对比或同一家公司半年后的纵向对比。

5. 实证导向： 项目不仅提供工具，还展示了基于该框架生成的真实研究报告（如腾讯、拼多多、AI 算力产业链等），并公开了部分回测数据，增强了框架的可信度。

适合谁用 / 上手

适合人群：

• 个人投资者：希望借助 AI 提升研究深度，建立系统化投资框架。
• 价值投资者：认同巴菲特、芒格、段永平、李录投资理念，需要工具辅助执行。
• 金融从业者：需要快速生成结构化行业报告或公司初筛报告的研究员。

上手指南：

1. 环境准备： 安装 Claude Code：

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

2. 部署 Skill： 克隆仓库并将 Skills 复制到 Claude Code 的全局命令目录：

   git clone https://github.com/xbtlin/ai-berkshire.git
   cp ai-berkshire/skills/*.md ~/.claude/commands/
   

3. 调用示例： 在 Claude Code 终端中直接输入命令即可调用对应功能：

   • 深度研究腾讯：/investment-research 腾讯
   • 多 Agent 团队研究美团：/investment-team 美团
   • 快速筛选茅台、英伟达、苹果：/investment-checklist 茅台, 英伟达, 苹果
   • 股价异动归因：/news-pulse 腾讯

注意：项目声明仅供学习和研究，不构成投资建议。历史收益不代表未来表现，用户需自行做好尽职调查（DYOR）。