AI Berkshire：基于 Claude Code / Codex 的价值投资多 Agent 研究框架
英文标题：🔥 xbtlin/ai-berkshire
AI Berkshire 是一套同时兼容 Claude Code 与 Codex 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，通过多 Agent 并行研究实现专业级投研。该框架背后有经两年实盘验证的投资体系，2024 年收益 +69.29%，2025 年收益 +66.38%，连续大幅跑赢恒生指数、标普500 等全球主要指数。仓库提供 19 个 Skill，覆盖深度公司研究、财报分析、行业漏斗筛选、持仓管理和思维工具，并内置信息丰富度评级、多源交叉验证、芒格式逆向检验等防错机制。对开发者和投资者而言，它展示了如何将复杂投资思维拆解为可自动化的 Agent 工作流，为 AI 辅助投研工具的建设提供了开箱即用的参考实现。
5.1 KB
259.1 KB
227.3 KB
中文
AI Berkshire - AI 时代的价值投资研究框架
"价格是你付出的，价值是你得到的。" —— 沃伦·巴菲特
用 AI 重新定义投资研究的深度与效率。
AI Berkshire 是一套同时兼容 Claude Code 与 Codex 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 Code / Codex = 一个投研团队。
实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 设计理念 · 公众号
不是纸上谈兵。这套框架背后是真金白银验证的投资体系。
| 指标 | 2024 全年 | 2025 全年 |
|---|---|---|
| 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。
仓库里是完整的框架和全量报告，公众号里是精选 ——真正值得下注的公司深度研究，加上报告之外我自己的判断与取舍：
投资丹师 —— 用 AI 炼投研这颗丹。
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：
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。
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。
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 |
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。
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
/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。
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"。
三层设计哲学 ：
- Skill 层 ：把"你要做什么"抽象成 19 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 ：团队型 skill（如
/investment-team、/earnings-team）由 Team Lead 并行调度 4 个大师视角 Agent——各自独立搜索、独立判断、互相挑战，最后综合研判；轻量 skill 不经过这一层，直连工具快进快出 - 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
深度投研类 Skill 默认会进行多轮研究、交叉验证和多 Agent 综合判断，因此 token 消耗较高，这是为了换取更完整的商业、财务、行业和风险分析。
如果是真实投资决策中高风险、高重要性的判断，维护者的观点是：最强模型通常更可能带来更好的分析 ROI，不建议只为节省模型成本而牺牲关键判断质量。轻量模型更适合做初筛、摘要或低风险问题；涉及护城河、估值、管理层和风险交叉判断时，应预期分析质量会更依赖模型能力。
想控制成本时，优先调整 workflow，而不是期待完整深度研究变得便宜：快速排除公司可先用 /quality-screen，股价异动归因可用 /news-pulse。只有当结果值得继续深入时，再运行 /investment-research 或 /investment-team。
本仓库保留同一套 canonical workflow，并分别提供 Claude Code commands 与 Codex skills。按你使用的客户端安装即可。
Claude Code 用户：
npm install -g @anthropic-ai/claude-code
Codex 用户：
# macOS / Linux
curl -fsSL https://chatgpt.com/codex/install.sh | sh
# 或使用 npm
npm install -g @openai/codex
# 或使用 Homebrew
brew install --cask codex
# 验证安装
codex --version
Windows 用户可使用官方 PowerShell 安装命令：powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"。
如果 codex --version 能正常输出版本号，就可以继续安装本项目的 Codex skills。
这些 skills 会频繁调用工具，Claude Code 默认会逐次请求授权确认。这个行为来自 Claude Code 客户端权限机制，不是本仓库可以修改的默认设置。
如果你信任当前 workflow，并且在可信环境中运行，可以用 Claude Code 的跳过权限确认模式启动：
claude --dangerously-skip-permissions
注意：该模式会关闭 Claude Code 的工具审批保护，只应在你信任仓库、命令和工作目录的情况下使用。
Claude Code 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 复制 skills 到 Claude Code 全局 commands 目录
cd ai-berkshire
./scripts/install-claude-commands.sh
Claude Code 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-claude-commands.bat
Codex 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 生成并安装 Codex skills 到 ~/.codex/skills
cd ai-berkshire
./scripts/install-codex-skills.sh
# 可选：安装 Codex slash prompts 到 ~/.codex/prompts
# 用于获得接近 Claude Code 的 /investment-research 体验
./scripts/install-codex-prompts.sh
Codex 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-codex-skills.bat
REM 可选：安装 Codex slash prompts
.\scripts\install-codex-prompts.bat
仓库同时维护三套入口：skills/*.md 是 Claude Code command 源文件；codex-skills/*/SKILL.md 是 Codex skill 包，由 scripts/sync-codex-skills.py 从 skills/*.md 生成；codex-prompts/*.md 是可选的 Codex slash prompt 兼容层。
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
/bottleneck-hunter AI基础设施
/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
/thesis-drift 拼多多 reports/拼多多-thesis-2025Q4.md reports/拼多多-thesis-2026Q1.md
/news-pulse 腾讯
# 思维工具
/dyp-ask 拼多多的护城河到底在哪里？
/wechat-article 美团
在 Codex 中安装后重启 Codex，然后直接按 skill 名称描述任务，例如：
使用 investment-research 研究腾讯
使用 earnings-review 分析 PDD 2025年报
使用 industry-funnel 筛选 AI算力
使用 bottleneck-hunter 扫描 AI基础设施瓶颈
使用 thesis-drift 对比拼多多两份投资论文
使用 wechat-article 写美团投研文章
如果安装了 Codex slash prompts，重启 Codex 后也可以在 / 菜单里搜索这些 prompt。Codex 官方的 custom prompt 入口通常显示为 prompts:<name>，例如：
/prompts:investment-research 腾讯
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 ：
维度 结论 信心度 生意质量（段永平） 极佳：平台型生意，双边网络效应，边际成本趋零 ★★★★★ 护城河（巴菲特） 宽阔且在变宽：网络效应+转换成本+规模效应三重叠加 ★★★★☆ 管理层（段永平+巴菲特） 优秀：创始人掌舵，资本配置纪律强 ★★★★☆ 最大风险（芒格） 监管政策不确定性，新业务亏损拖累整体利润 ★★★☆☆ 文明趋势（李录） 顺应数字化消费趋势，但非"文明级范式转移" ★★★★☆ 估值（巴菲特+段永平） 当前PE 18x，处于历史中位数偏低，有一定安全边际 ★★★★☆ 段永平 ："这门生意的本质是连接消费者和商家，赚的是效率提升的钱。好生意的标志是：用户越多，商家越多；商家越多，用户越多。飞轮一旦转起来，很难停下。"
芒格 ："反过来想——如果这家公司明天消失，用户和商家会怎么办？如果答案是'很快找到替代品'，那护城河就不够深。如果答案是'生活会变得非常不方便'，那就值得关注。"
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 ：
美团是中国本地生活服务的绝对龙头，拥有多重网络效应护城河，当前估值处于历史较低水平，长期投资价值显著，建议逢低建仓。
维度 框架 评分 核心判断 商业模式 & 护城河 段永平 ★★★★☆ 双边网络效应强劲，外卖+到店形成飞轮 财务 & 估值 巴菲特 ★★★★☆ 核心业务利润率持续改善，估值处于历史低位 行业 & 竞争 芒格 ★★★☆☆ 抖音入侵到店业务，竞争格局有恶化风险 风险 & 管理层 李录 ★★★★☆ 王兴战略眼光出色，但新业务烧钱需警惕 综合评分：3.8 / 5
策略 建议 价格区间(港元) 激进型 当前价位可建仓30% 120-140 稳健型 等回调至100-110建仓 100-120 保守型 等待季报验证利润率趋势后再介入 <100
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 ：
"我以 380港元 买入 腾讯，因为：
- 这门生意的本质是社交网络+数字内容平台 ，我理解它；
- 它的护城河是12亿用户的社交关系链 ，而且在变宽；
- 管理层Pony Ma低调务实、资本配置优秀 ，值得信赖；
- 当前价格相当于内在价值的8折 ，有一定安全边际；
- 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。
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 ：
底层趋势：AI数据中心电力需求爆发 + 碳中和目标 → 导致：稳定清洁基荷电源需求激增 → 创造：核电重启/新建/SMR的确定性需求 → 受益：铀矿 → 燃料加工 → 设备制造 → 运营商
层级 仓位 标的 环节 核心逻辑 核心 50% 中国广核(CGN)、Cameco 运营+铀矿 确定性最高 卫星 30% 中国核电、东方电气 运营+设备 国产替代受益 期权 15% NuScale、Nano Nuclear SMR 高风险高弹性 ETF 替代 URA、URNM 全链 懒人方案
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 · AI 模型 · AI 应用 · AI 基建电力
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 ：
项目 内容 最新估值 ~$350B (2025年二级市场) 🟡 推算收入 ~$130亿 (2024年) 🟡 Starlink用户 400万+ (2024年底) 🟢 发射次数 100+ 次/年 (2024年) 🟢 方法 估值区间 --- --- 最近融资 $350B 可比公司法 $200-280B DCF(中性) $250-350B 终局倒推 $400-600B 综合合理估值区间：$250B - $400B
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%）：
这次 -10.47% 跌幅约 70-80% 由资金面+情绪面驱动（回购静默期 + 南向减仓 + 板块 beta + AI 叙事被夺），20-30% 由 AI 投入翻倍的递延消化承担——基本面无利空 ，卖方维持买入共识，性质上属于"流动性+情绪型回调"，不是价值事件。
候选解释 估算贡献 置信度 回购静默期消失（结构性，5/13 财报前） -3% ~ -4% 高 南向资金转向净卖腾讯 -2% ~ -3% 高 AI 叙事被竞品夺走（DeepSeek V4/Qwen3.6/月暗 1T） -1% ~ -2% 中 板块/宏观 beta（油价+地缘+Fed Warsh 鹰派） -2% ~ -3% 中
English / 原文
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 是一套同时兼容 Claude Code 与 Codex 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 Code / Codex = 一个投研团队。
实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 设计理念 · 公众号
不是纸上谈兵。这套框架背后是真金白银验证的投资体系。
| 指标 | 2024 全年 | 2025 全年 |
|---|---|---|
| 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。
仓库里是完整的框架和全量报告，公众号里是精选 ——真正值得下注的公司深度研究，加上报告之外我自己的判断与取舍：
投资丹师 —— 用 AI 炼投研这颗丹。
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：
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。
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。
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 |
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。
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
/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。
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"。
三层设计哲学 ：
- Skill 层 ：把"你要做什么"抽象成 19 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 ：团队型 skill（如
/investment-team、/earnings-team）由 Team Lead 并行调度 4 个大师视角 Agent——各自独立搜索、独立判断、互相挑战，最后综合研判；轻量 skill 不经过这一层，直连工具快进快出 - 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
深度投研类 Skill 默认会进行多轮研究、交叉验证和多 Agent 综合判断，因此 token 消耗较高，这是为了换取更完整的商业、财务、行业和风险分析。
如果是真实投资决策中高风险、高重要性的判断，维护者的观点是：最强模型通常更可能带来更好的分析 ROI，不建议只为节省模型成本而牺牲关键判断质量。轻量模型更适合做初筛、摘要或低风险问题；涉及护城河、估值、管理层和风险交叉判断时，应预期分析质量会更依赖模型能力。
想控制成本时，优先调整 workflow，而不是期待完整深度研究变得便宜：快速排除公司可先用 /quality-screen，股价异动归因可用 /news-pulse。只有当结果值得继续深入时，再运行 /investment-research 或 /investment-team。
本仓库保留同一套 canonical workflow，并分别提供 Claude Code commands 与 Codex skills。按你使用的客户端安装即可。
Claude Code 用户：
npm install -g @anthropic-ai/claude-code
Codex 用户：
# macOS / Linux
curl -fsSL https://chatgpt.com/codex/install.sh | sh
# 或使用 npm
npm install -g @openai/codex
# 或使用 Homebrew
brew install --cask codex
# 验证安装
codex --version
Windows 用户可使用官方 PowerShell 安装命令：powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"。
如果 codex --version 能正常输出版本号，就可以继续安装本项目的 Codex skills。
这些 skills 会频繁调用工具，Claude Code 默认会逐次请求授权确认。这个行为来自 Claude Code 客户端权限机制，不是本仓库可以修改的默认设置。
如果你信任当前 workflow，并且在可信环境中运行，可以用 Claude Code 的跳过权限确认模式启动：
claude --dangerously-skip-permissions
注意：该模式会关闭 Claude Code 的工具审批保护，只应在你信任仓库、命令和工作目录的情况下使用。
Claude Code 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 复制 skills 到 Claude Code 全局 commands 目录
cd ai-berkshire
./scripts/install-claude-commands.sh
Claude Code 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-claude-commands.bat
Codex 用户安装（macOS / Linux）：
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
# 生成并安装 Codex skills 到 ~/.codex/skills
cd ai-berkshire
./scripts/install-codex-skills.sh
# 可选：安装 Codex slash prompts 到 ~/.codex/prompts
# 用于获得接近 Claude Code 的 /investment-research 体验
./scripts/install-codex-prompts.sh
Codex 用户安装（Windows PowerShell / Command Prompt）：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
.\scripts\install-codex-skills.bat
REM 可选：安装 Codex slash prompts
.\scripts\install-codex-prompts.bat
仓库同时维护三套入口：skills/*.md 是 Claude Code command 源文件；codex-skills/*/SKILL.md 是 Codex skill 包，由 scripts/sync-codex-skills.py 从 skills/*.md 生成；codex-prompts/*.md 是可选的 Codex slash prompt 兼容层。
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
/bottleneck-hunter AI基础设施
/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
/thesis-drift 拼多多 reports/拼多多-thesis-2025Q4.md reports/拼多多-thesis-2026Q1.md
/news-pulse 腾讯
# 思维工具
/dyp-ask 拼多多的护城河到底在哪里？
/wechat-article 美团
在 Codex 中安装后重启 Codex，然后直接按 skill 名称描述任务，例如：
使用 investment-research 研究腾讯
使用 earnings-review 分析 PDD 2025年报
使用 industry-funnel 筛选 AI算力
使用 bottleneck-hunter 扫描 AI基础设施瓶颈
使用 thesis-drift 对比拼多多两份投资论文
使用 wechat-article 写美团投研文章
如果安装了 Codex slash prompts，重启 Codex 后也可以在 / 菜单里搜索这些 prompt。Codex 官方的 custom prompt 入口通常显示为 prompts:<name>，例如：
/prompts:investment-research 腾讯
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 ：
维度 结论 信心度 生意质量（段永平） 极佳：平台型生意，双边网络效应，边际成本趋零 ★★★★★ 护城河（巴菲特） 宽阔且在变宽：网络效应+转换成本+规模效应三重叠加 ★★★★☆ 管理层（段永平+巴菲特） 优秀：创始人掌舵，资本配置纪律强 ★★★★☆ 最大风险（芒格） 监管政策不确定性，新业务亏损拖累整体利润 ★★★☆☆ 文明趋势（李录） 顺应数字化消费趋势，但非"文明级范式转移" ★★★★☆ 估值（巴菲特+段永平） 当前PE 18x，处于历史中位数偏低，有一定安全边际 ★★★★☆ 段永平 ："这门生意的本质是连接消费者和商家，赚的是效率提升的钱。好生意的标志是：用户越多，商家越多；商家越多，用户越多。飞轮一旦转起来，很难停下。"
芒格 ："反过来想——如果这家公司明天消失，用户和商家会怎么办？如果答案是'很快找到替代品'，那护城河就不够深。如果答案是'生活会变得非常不方便'，那就值得关注。"
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 ：
美团是中国本地生活服务的绝对龙头，拥有多重网络效应护城河，当前估值处于历史较低水平，长期投资价值显著，建议逢低建仓。
维度 框架 评分 核心判断 商业模式 & 护城河 段永平 ★★★★☆ 双边网络效应强劲，外卖+到店形成飞轮 财务 & 估值 巴菲特 ★★★★☆ 核心业务利润率持续改善，估值处于历史低位 行业 & 竞争 芒格 ★★★☆☆ 抖音入侵到店业务，竞争格局有恶化风险 风险 & 管理层 李录 ★★★★☆ 王兴战略眼光出色，但新业务烧钱需警惕 综合评分：3.8 / 5
策略 建议 价格区间(港元) 激进型 当前价位可建仓30% 120-140 稳健型 等回调至100-110建仓 100-120 保守型 等待季报验证利润率趋势后再介入 <100
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 ：
"我以 380港元 买入 腾讯，因为：
- 这门生意的本质是社交网络+数字内容平台 ，我理解它；
- 它的护城河是12亿用户的社交关系链 ，而且在变宽；
- 管理层Pony Ma低调务实、资本配置优秀 ，值得信赖；
- 当前价格相当于内在价值的8折 ，有一定安全边际；
- 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。
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 ：
底层趋势：AI数据中心电力需求爆发 + 碳中和目标 → 导致：稳定清洁基荷电源需求激增 → 创造：核电重启/新建/SMR的确定性需求 → 受益：铀矿 → 燃料加工 → 设备制造 → 运营商
层级 仓位 标的 环节 核心逻辑 核心 50% 中国广核(CGN)、Cameco 运营+铀矿 确定性最高 卫星 30% 中国核电、东方电气 运营+设备 国产替代受益 期权 15% NuScale、Nano Nuclear SMR 高风险高弹性 ETF 替代 URA、URNM 全链 懒人方案
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 · AI 模型 · AI 应用 · AI 基建电力
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 ：
项目 内容 最新估值 ~$350B (2025年二级市场) 🟡 推算收入 ~$130亿 (2024年) 🟡 Starlink用户 400万+ (2024年底) 🟢 发射次数 100+ 次/年 (2024年) 🟢 方法 估值区间 --- --- 最近融资 $350B 可比公司法 $200-280B DCF(中性) $250-350B 终局倒推 $400-600B 综合合理估值区间：$250B - $400B
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%）：
这次 -10.47% 跌幅约 70-80% 由资金面+情绪面驱动（回购静默期 + 南向减仓 + 板块 beta + AI 叙事被夺），20-30% 由 AI 投入翻倍的递延消化承担——基本面无利空 ，卖方维持买入共识，性质上属于"流动性+情绪型回调"，不是价值事件。
候选解释 估算贡献 置信度 回购静默期消失（结构性，5/13 财报前） -3% ~ -4% 高 南向资金转向净卖腾讯 -2% ~ -3% 高 AI 叙事被竞品夺走（DeepSeek V4/Qwen3.6/月暗 1T） -1% ~ -2% 中 板块/宏观 beta（油价+地缘+Fed Warsh 鹰派） -2% ~ -3% 高 一季报前避险 -1% ~ -2% 中 基本面恶化 0% 极高（排除） 70% 资金面/情绪面 + 20% AI 长期叙事担忧 + 10% 一季报前不确定性
关键反证 ：段永平 4/8 卖腾讯 put（看多）；卖方 24 家共识 Strong Buy；网易 4/30 逆市涨 2%（排除游戏行业问题）；腾讯跑输恒科 7 个百分点（恒科月度反而涨 4%）。
调用方式：
/news-pulse 腾讯
/news-pulse 拼多多 跌12% 一周内
/news-pulse 米哈游
以下是使用本框架生成的真实投资研究报告，展示 AI 投研的实际输出效果。
| 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 |
| 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 |
| 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 |
| 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 |
更多报告将持续添加。欢迎 PR 提交你用本框架生成的研究报告。
段永平 · "对的生意" ——商业模式本质，是其余三个视角的共同起点：
| 巴菲特 | 芒格 | 李录 |
|---|---|---|
| 护城河 | ||
| 安全边际 | ||
| 管理层 | 逆向思考 | |
| 风险清单 | ||
| 偏误自查 | 文明趋势 | |
| 范式转移 | ||
| 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。
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）。
MIT License
"The best investment you can make is in yourself." — Warren Buffett
AI Berkshire：让每个人都拥有自己的投研团队。
如果这个项目对你有帮助，请给一个 Star 支持！精选公司研究与个人判断首发于微信公众号「投资丹师 」（二维码见文首）。