当前位置：首页 > news >正文

AI Berkshire：开源AI投研框架，多Agent协作实现价值投资自动化

news 2026/7/4 13:19:00

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

如果你问 ChatGPT 或 Claude “拼多多值不值得买”，大概率会得到一篇“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。这种回答看起来面面俱到，但当你真金白银要决策时，会发现它什么也没说。

问题不在于 AI 能不能分析，而在于它如何分析。普通 AI 对话是“单线程、无纪律、无对抗”的——它像一个知识渊博但立场模糊的顾问，擅长罗列信息，却无法帮你下判断。真正的投资决策需要的是“多视角、强纪律、可复现”的研究流程，这正是AI Berkshire这个开源项目试图解决的核心痛点。

AI Berkshire 不是一个简单的提示词合集，而是一个基于 Claude Code 或 Codex 构建的、系统化的价值投资研究框架。它将巴菲特、芒格、段永平、李录四位大师的方法论，结构化为一套可供 AI Agent 执行的“投研操作系统”。简单来说，它让你一个人就能启动一个拥有四位“虚拟分析师”的投研团队，每个分析师负责一个独特的视角，并行工作，互相挑战，最终产出一份带有明确结论、价格区间和行动建议的结构化报告。

这篇文章将为你彻底拆解 AI Berkshire。我会告诉你它解决了什么真实问题、它的核心设计哲学是什么、如何从零开始安装并使用它进行实战分析，以及在使用过程中你可能会遇到哪些“坑”。无论你是对 AI Agent 开发感兴趣的技术人，还是希望借助工具提升研究效率的投资者，这篇文章都将提供一条清晰的实践路径。

1. AI Berkshire 到底解决了什么问题？

在深入代码和命令之前，我们必须先理解 AI Berkshire 要解决的三个核心痛点，这也是它区别于“直接问 AI”的本质所在。

痛点一：AI 的“平衡废话”与决策无能。当你直接问“XX公司怎么样？”时，大语言模型（LLM）的底层训练目标决定了它会给出一个概率分布上最“安全”、最“全面”的答案。它会罗列优点和风险，但避免给出可能导致它“犯错”的单一结论。这对于需要做出“买/卖/持有”二元决策的投资者来说，信息价值极低。AI Berkshire 通过强制性的输出结构（如“通过/不通过/灰色地带”）和“镜子测试”（要求用5句话说清买入理由），逼迫分析走向决策。

痛点二：单一视角的认知盲区。即使你提示 AI “用巴菲特的视角分析”，它也只是在模仿一种思维模式。真正的投研需要多维度对抗。例如，巴菲特看重“护城河”和“安全边际”，芒格则强调“逆向思考”和“失败清单”，李录关注“文明趋势”和“长期确定性”。当这些视角被设计成独立的 AI Agent 并行工作时，它们会产生真实的张力。巴菲特 Agent 可能因为估值便宜给出高分，而李录 Agent 可能因长期不确定性投下反对票。这种对抗性分析，远比单一视角的线性推演更能揭示真实世界的复杂性。

痛点三：金融数据处理的随意性与不可复现性。LLM 不擅长精确计算。让它心算 PE 比率或市值，很可能出现单位混淆（港元 vs 人民币）、小数点错误或数据源冲突。更糟糕的是，每次提问得到的分析框架、深度和格式都可能不同，导致无法进行横向公司对比或纵向时间序列跟踪。AI Berkshire 通过引入独立的financial_rigor.py工具层，将所有关键计算（市值、估值）交给 Python 的decimal.Decimal进行精确处理，并要求关键数据必须有两个独立来源交叉验证，从而将研究流程标准化、可复现化。

所以，AI Berkshire 的定位非常清晰：它不是一个“更聪明的聊天机器人”，而是一个“具有严格纪律的投研流程自动化框架”。它的价值不在于替代你的判断，而在于将顶尖投资者的思维模型和风控纪律，固化为一套可重复执行、可交叉验证的 AI 工作流。

2. 核心架构：三层设计哲学与18个技能

理解了“为什么”之后，我们来看“是什么”。AI Berkshire 的架构清晰分为三层，对应着不同的抽象级别和使用场景。

2.1 技能层：18个明确的入口

这是用户直接交互的层面。项目将复杂的投研工作抽象为18个具体的“技能”，覆盖了从公司深度研究到持仓管理的全流程。你可以像使用命令行工具一样调用它们。

类别	技能	核心用途	一句话场景
深度研究	`/investment-research`	单公司四大师综合深度分析	我想全面、深入地研究一家上市公司。
`/investment-team`	多Agent并行投研团队	我需要最快、最全面的分析，启动4个AI并行研究。
`/management-deep-dive`	管理层纵深研究	这家公司的核心是创始人/管理层，需要重点评估。
`/private-company-research`	未上市公司研究	研究像SpaceX、字节跳动这类非上市公司。
`/deep-company-series`	8篇长文系列拆解	我想产出公众号级别的深度系列文章。
财报分析	`/earnings-review`	财报精读（一手资料）	季报/年报发布了，我只想基于原始财报做分析。
`/earnings-team`	财报精读团队+文章发布	分析财报并直接生成一篇可发布的解读文章。
行业筛选	`/industry-research`	产业链全景扫描	我想了解“核电”或“AI算力”整个产业链的投资机会。
`/industry-funnel`	行业漏斗筛选	从全市场股票中，层层筛选出某个行业最值得投的3家公司。
`/quality-screen`	去劣筛选（7条硬指标）	快速批量排除垃圾公司，支持指数成分股筛选。
`/bottleneck-hunter`	供应链瓶颈猎手	从大趋势（如AI）中，寻找供应链上最卡脖子的环节和公司。
`/investment-checklist`	巴菲特买入前检查清单	10分钟内，用6个问题判断一家公司是否值得深入研究。
持仓管理	`/portfolio-review`	组合管理与优化	管理我的股票组合，检查仓位、集中度，给出再平衡建议。
`/thesis-tracker`	投资论文追踪	买入后，持续跟踪当初的买入理由是否还成立。
`/news-pulse`	股价异动快速归因	股票突然大涨大跌，10分钟内搞清楚到底发生了什么。
思维工具	`/dyp-ask`	段永平式问答	用段永平的思维模型，思考任何商业、投资问题。
`/financial-data`	财务数据规范校验	确保PE、市值等关键数据准确无误。
`/wechat-article`	微信公众号文章协作	作者、编辑、读者三Agent协作，打磨一篇投研文章。

这18个技能构成了一个完整的工具箱。你不需要每次都做全套深度研究，可以根据当前任务灵活选用。

2.2 Agent层：多视角对抗的核心引擎

这是框架的“大脑”。当你调用如/investment-team这样的技能时，背后并不是一个AI在思考，而是启动了四个独立的AI Agent：

段永平视角 Agent：专注于“生意本质”。这门生意模式好不好？是否简单、易懂、有好的现金流？
巴菲特视角 Agent：专注于“护城河与估值”。公司的竞争优势是否持久？当前价格是否提供足够的安全边际？
芒格视角 Agent：专注于“逆向思考与风险”。什么情况下这家公司会失败？市场的主流认知可能错在哪里？
李录视角 Agent：专注于“文明趋势与长期确定性”。这家公司是否站在一个长期的、不可逆的文明发展趋势上？10年后它会变成什么样子？

这四个Agent会并行工作，各自去搜索最新信息、验证数据、进行计算，并形成独立的初步判断。最后，一个“Team Lead” Agent 会综合四方的观点，处理冲突，生成最终报告。这个过程模拟了顶级投资机构内部的多分析师辩论机制，有效避免了单一AI的思维定式和盲点。

2.3 工具层：金融严谨性的基石

这是框架的“安全网”。主要由tools/financial_rigor.py等一系列Python工具构成，确保分析的底层数据是精确和可靠的。

# 示例：使用 financial_rigor.py 进行市值验算 # 假设你拿到一份报告说腾讯市值是4.65万亿港元，你需要验证 python3 tools/financial_rigor.py verify-market-cap \ --price 510 \ # 当前股价 510 HKD --shares 9.11e9 \ # 总股本 91.1亿股 --reported 4.65e12 \ # 报告中的市值 4.65万亿 --currency HKD # 货币单位 # 输出：✅ 验证通过，偏差仅 0.08%

这个工具层解决了LLM的“数学幻觉”问题，所有关键计算都脱离LLM，在确定的、可审计的环境中完成。

3. 环境准备：Claude Code 与 Codex 二选一

AI Berkshire 同时支持 Anthropic 的 Claude Code 和 OpenAI 的 Codex。你需要先安装其中一个客户端。请注意：你需要拥有相应平台的API访问权限。

3.1 安装 Claude Code

Claude Code 是 Anthropic 推出的代码助手客户端。通过 npm 全局安装：

# 确保已安装 Node.js 和 npm npm install -g @anthropic-ai/claude-code # 安装后，运行 claude 命令，按提示登录并配置 API 密钥 claude

3.2 安装 Codex

Codex 是 OpenAI 的代码助手。安装方式多样：

# macOS / Linux 通过 curl 安装 curl -fsSL https://chatgpt.com/codex/install.sh | sh # 或者使用 npm 安装 npm install -g @openai/codex # 或者使用 Homebrew (macOS) brew install --cask codex # Windows 用户使用 PowerShell powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex" # 验证安装 codex --version

安装成功后，同样需要运行codex命令进行登录和API密钥配置。

3.3 关于权限确认的注意事项

AI Berkshire 的 Skills 在执行过程中会频繁调用网络搜索、文件读写等工具。Claude Code 默认会对每次工具调用进行权限确认，这可能会打断工作流。

如果你在可信的开发环境中，并信任该工作流，可以启动跳过权限确认的模式（请谨慎使用）：

claude --dangerously-skip-permissions

警告：此模式会关闭安全提示，仅建议在完全了解命令行为且环境安全的情况下使用。

4. 实战：安装并使用 AI Berkshire Skills

环境准备好后，我们就可以安装 AI Berkshire 的技能包了。

4.1 克隆项目仓库

首先，将项目代码克隆到本地：

git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshire

4.2 为 Claude Code 安装 Skills

如果你使用 Claude Code，运行以下脚本将技能安装为全局命令：

./scripts/install-claude-commands.sh

这个脚本会将skills/目录下的.md文件复制到 Claude Code 的全局命令目录。安装完成后，在 Claude Code 对话窗口中，输入/就能看到所有可用的 AI Berkshire 命令。

4.3 为 Codex 安装 Skills

如果你使用 Codex，运行对应的安装脚本：

# 安装核心 skills 到 ~/.codex/skills 目录 ./scripts/install-codex-skills.sh # （可选）安装 slash prompts，以获得类似 Claude Code 的 /command 体验 ./scripts/install-codex-prompts.sh

安装完成后，需要重启 Codex 客户端。之后，你可以在 Codex 中通过描述性语言使用这些技能，例如：“使用 investment-research 技能研究腾讯”。如果安装了 slash prompts，也可以在输入/后搜索使用。

5. 核心技能深度解析与使用示例

安装完成，让我们通过几个最核心的技能，看看 AI Berkshire 如何在实际中工作。

5.1`/investment-research`: 四大师综合深度分析

这是最全面的单公司分析框架。它会按顺序执行七个模块：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、文明趋势（李录）、估值与安全边际。

使用命令（Claude Code）：

/investment-research 腾讯控股

或者指定更详细的信息：

/investment-research 拼多多 PDD

核心输出物：

综合决策备忘录：一个表格，汇总了四个维度（生意质量、护城河、管理层、风险、趋势、估值）的结论和信心星级。
详细分章节报告：每个大师视角的独立分析，包含引用和数据来源。
估值区间：乐观、中性、悲观三种情景下的估值，以及当前价格所处的位置。
投资建议：针对激进、稳健、保守型投资者的具体操作建议和价格区间。

它的价值在于：你得到的不再是一篇散文式的分析，而是一份结构化的、数据支撑的、带有明确结论的“内部投研报告”。这份报告的标准格式，使得不同公司、不同时间的分析结果可以直接对比。

5.2`/investment-team`: 多Agent并行投研

这是速度最快、视角最全的分析模式。四个Agent同时开工，最后Team Lead汇总。

使用命令：

/investment-team 美团

与/investment-research的区别：

/investment-research：是串行的深度分析，像一个资深分析师花一整天时间写一份详尽的报告。
/investment-team：是并行的团队作战，像四个分析师分头研究，两小时后开会碰撞观点，产出综合结论。后者速度更快，视角碰撞更激烈。

输出示例摘要：

一句话结论：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。 四维评分总表： - 商业模式 & 护城河 (段永平视角): ★★★★☆ - 财务 & 估值 (巴菲特视角): ★★★★☆ - 行业 & 竞争 (芒格视角): ★★☆☆☆ (提示抖音竞争风险) - 风险 & 管理层 (李录视角): ★★★★☆ 综合评分：3.8 / 5 投资建议： - 激进型：当前价位可建仓30%，价格区间120-140港元。 - 稳健型：等回调至100-110港元建仓。 - 保守型：等待季报验证利润率趋势后再介入。

这种格式的输出，决策支持价值远高于一段模糊的文字。

5.3`/investment-checklist`: 10分钟快速筛选

当你面对一堆公司名单，需要快速过滤时，这个技能是利器。它模拟巴菲特买入前的六层过滤网。

使用命令（支持多公司对比）：

/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多

六层过滤流程：

能力圈：我能理解这门生意吗？
好生意：它的经济特征（利润率、现金流、资本回报）优秀吗？
护城河：它的竞争优势足够深、足够持久吗？
管理层：管理层值得信任吗？有资本配置的能力吗？
安全边际：当前价格相对于内在价值有足够折扣吗？
决策纪律：我的买入决定是出于理性分析，还是出于FOMO（错失恐惧）？

最终需要通过“镜子测试”：你能在镜子前，用不超过5句话，清晰、自信地说出买入这家公司的全部理由吗？如果不能，就坚决不买。

5.4`/news-pulse`: 股价异动快速归因

这是为实战设计的“应急响应”技能。当持仓股票突然大涨或大跌时，散户最容易陷入焦虑，被各种“小作文”牵着鼻子走。/news-pulse在10-15分钟内，完成四维侦察：

公司事件：财报、管理层变动、产品发布。
监管政策：行业新规、反垄断调查。
行业对手：竞争对手的重大动作。
市场情绪：卖方报告、大V观点、资金流向。

它的关键不是罗列新闻，而是归因。它会判断哪个（或哪几个）事件最有可能解释这次股价波动，并给出性质判断：是“价值事件”（基本面变了）、“情绪波动”，还是“真因不明”（可能暗示内幕信息）？

使用命令：

/news-pulse 腾讯 /news-pulse 拼多多 跌12% 一周内

6. 高级技巧与自定义工作流

掌握了基本技能后，你可以组合使用它们，构建更复杂的研究流程。

6.1 行业研究的组合拳：从全景到个股

假设你想研究“AI算力”这个赛道，可以按以下步骤：

全景扫描：先用/industry-research AI算力，了解从芯片、设备、制造到软件的完整产业链，以及各环节的头部公司。
漏斗筛选：再用/industry-funnel AI算力，从全市场股票中，用价值投资标准层层筛选，最终聚焦到3家最具代表性的公司。
深度分析：最后，对筛选出的公司（如英伟达、台积电）逐一使用/investment-team进行深度研究。

这个流程从面到点，既避免了盲人摸象，又防止了在低质量公司上浪费时间。

6.2 利用`financial_rigor.py`进行数据自查

AI Berkshire 的强大之处在于其工具层是开放的。你可以直接调用其 Python 工具来验证任何财务数据。

# 示例：使用三情景估值工具 # 假设你对一家公司进行了DCF估值，想计算乐观、中性、悲观情景下的目标价 python3 tools/financial_rigor.py three-scenario \ --base-value 100 \ # 中性情景估值 --optimistic-premium 0.3 \ # 乐观情景溢价30% --pessimistic-discount 0.2 # 悲观情景折价20% # 输出： # 乐观情景目标价: 130.00 # 中性情景目标价: 100.00 # 悲观情景目标价: 80.00

6.3 自定义与扩展

AI Berkshire 的技能本质上是结构化的 Markdown 文件（对于 Claude Code）或特定格式的 Skill 包（对于 Codex）。如果你有自己的分析框架，完全可以基于现有模板进行修改。

Claude Code 技能文件位于skills/*.md。你可以修改其中的提示词（Prompt），加入你自己看重的分析维度。
Codex Skill 包位于codex-skills/*/SKILL.md，由脚本从skills/同步生成。
核心工具位于tools/目录下，用 Python 编写，你可以根据需要添加新的财务分析工具。

7. 常见问题与故障排查

在实际使用中，你可能会遇到以下问题：

问题现象	可能原因	排查方式	解决方案
运行`/command`无反应或报错	1. Skills 未正确安装。 2. Claude Code/Codex 客户端未重启。 3. API 密钥失效或额度不足。	1. 检查安装脚本是否成功运行。 2. 尝试在客户端输入其他命令看是否正常。 3. 查看客户端错误日志。	1. 重新运行安装脚本。 2. 完全退出并重启客户端。 3. 登录对应平台检查API状态。
AI 分析时网络搜索失败	1. 网络连接问题。 2. Claude/Codex 的联网搜索功能未开启或受限。	1. 检查本地网络。 2. 在客户端设置中确认“Web Search”或类似功能已启用。	1. 解决网络问题。 2. 确保账户有联网搜索权限（部分API套餐可能不包含）。
财务计算数据明显错误	1. AI 在报告中引用了错误数据源。 2.`financial_rigor.py`工具未正确调用。	1. 仔细核对报告中的数据来源链接。 2. 检查AI是否在关键计算处调用了验证工具。	1. 对于关键数据（市值、PE），要求AI提供两个独立来源。 2. 可以手动运行工具层进行验算。
分析报告过于泛泛或“打太极”	1. 使用的技能不对（如该用`/investment-team`却用了简单提问）。 2. 分析的标的过于冷门，公开信息太少。	1. 回顾不同技能的区别，选择对抗性更强的（如`/investment-team`）。 2. 查看报告中的“信息丰富度评级”（A/B/C）。	1. 对于重要决策，务必使用多Agent并行的技能。 2. 对于信息评级为C的公司，结论需高度谨慎，或转向`/private-company-research`模式。
Codex 中无法触发 skill	1. Skill 安装路径错误。 2. Codex 的 skill 加载机制有变动。	1. 确认`~/.codex/skills/`目录下存在对应的技能文件夹。 2. 查阅 Codex 官方文档关于 custom skills 的部分。	1. 重新运行`install-codex-skills.sh`。 2. 尝试在 Codex 中用自然语言描述任务，如“请使用 investment-research 技能分析苹果公司”。

8. 最佳实践与重要提醒

为了让你能更安全、有效地使用 AI Berkshire，请务必记住以下几点：

定位是“副驾驶”，不是“自动驾驶”：AI Berkshire 提供的是经过结构化、多视角验证的研究报告和决策支持，但它不能替代你的最终判断。它帮你提高信息处理效率和决策纪律，但无法为你承担投资风险。
数据验证是生命线：永远对AI生成的数据保持怀疑。积极利用框架内置的financial_rigor.py工具进行交叉验证。对于关键的投资决策，手动核对原始数据源（如公司财报、交易所公告）是必不可少的步骤。
从简单技能开始：如果你是新手，建议先从/investment-checklist或/quality-screen开始。这些技能耗时短、输出直观，能帮你快速感受框架的思维方式。熟练后再使用/investment-team等深度技能。
关注“灰色地带”和“否决项”：框架的输出中，“灰色地带”和“快速否决清单”触发往往比“通过”更有价值。它们揭示了认知的边界和潜在的重大风险，这是避免踩坑的关键。
结合自身能力圈：框架再好，也无法帮你理解你完全不懂的行业。始终从“能力圈”原则出发。AI可以拓展你的研究广度，但无法赋予你超越自身经验的理解深度。
环境与安全：谨慎使用--dangerously-skip-permissions模式。确保你运行客户端的环境是安全的，避免技能执行未经你确认的危险操作（如写入系统文件）。
持续迭代：投资方法论和市场都在进化。AI Berkshire 是一个开源项目，其分析框架和提示词也在不断优化。关注项目的 GitHub 更新，思考如何将你自己的投资理念融入其中。

AI Berkshire 代表了一种新的可能性：将顶尖投资者的思维模型，通过 AI Agent 技术，转化为普通人可执行、可重复的标准化流程。它不是在创造“投资圣杯”，而是在解决投资研究中最普遍的问题——情绪干扰、信息过载、分析片面和纪律缺失。

对于开发者而言，这是一个绝佳的 AI Agent 实战案例，展示了如何将复杂的领域知识（价值投资）工程化为一个多智能体协作系统。对于投资者而言，这是一个强大的思维外脑和纪律执行工具。它的终点不是给你一个“代码致富”的答案，而是为你提供一套在信息噪音中保持理性、在决策压力下保持纪律的系统性方法。真正的价值，最终仍在于使用工具的人。