AI Berkshire：基于多Agent协作的价值投资研究框架实战指南

在投资研究领域你是否曾有过这样的困惑面对海量的财报、研报和新闻感觉无从下手或者直接询问AI助手“XX股票值得买吗”得到的却是一篇面面俱到、但毫无决策价值的“平衡分析”传统的投研方法耗时耗力而普通AI问答又缺乏深度和纪律性难以支撑真正的投资决策。今天要介绍的AI Berkshire项目正是为了解决这一痛点而生。它不是一个简单的问答工具而是一套基于Claude Code和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、李录四位投资大师的方法论结构化通过多AI Agent并行协作的机制让你一个人就能拥有一个专业投研团队的分析能力。无论是想快速筛选行业、深度分析个股还是管理现有持仓、追踪投资逻辑AI Berkshire 都提供了对应的“技能”Skill来高效完成。本文将为你带来 AI Berkshire 的完整实战指南。我们将从核心概念讲起手把手教你完成环境搭建、技能安装与配置并通过多个真实案例演示其强大功能。最后还会深入剖析其设计理念、常见问题及最佳实践帮助你将这套“AI投研团队”无缝集成到自己的投资工作流中。1. AI Berkshire 核心概念与价值在深入实操之前我们有必要理解 AI Berkshire 究竟解决了什么问题以及它与普通AI聊天在投资分析上的本质区别。1.1 什么是 AI BerkshireAI Berkshire 是一个开源的价值投资研究框架其核心是将复杂的投资分析过程拆解为一系列可被 AI 执行的标准化任务即 Skills。它深度整合了四位顶级投资大师的核心思想段永平聚焦“商业模式”的本质判断是否为“对的生意”。巴菲特强调“护城河”、“安全边际”和“管理层”评估。芒格运用“逆向思维”和“多元思维模型”系统性排查风险。李录关注“文明趋势”和长期确定性寻找范式转移中的机会。这个框架并非简单地将大师语录喂给 AI而是构建了一套让不同视角的 AI Agent 互相挑战、对抗偏见的协作流程。其最终产出不是一篇模棱两可的“分析文章”而是一份结构清晰、结论明确、带有具体操作建议如价格区间、仓位建议的投资决策备忘录。1.2 为什么不能直接问 AI直接向 Claude 或 ChatGPT 提问“分析一下腾讯”通常会得到一个四平八稳的答案既讲优势用户基数大、生态完善也讲风险竞争加剧、监管压力最后以“投资有风险请自行决策”结尾。这种回答“看起来都对”但无法用于实际决策因为它缺乏明确的结论通过、不通过还是观望量化的标准便宜与否的标准是什么对抗性思考只呈现了主流观点缺乏对反面论据的深入挖掘。数据严谨性AI 可能算错财务数据或混淆计量单位。可复现性每次提问的分析框架和深度可能不一致。AI Berkshire 通过以下设计从根本上解决了这些问题强制输出决策要求 AI 必须给出“通过/不通过/灰色地带”的明确结论并附带针对不同风险偏好投资者的具体操作建议和价格区间。多 Agent 对抗同时启动多个 AI Agent分别从四位大师的视角独立研究并互相挑战避免单一视角的盲区。结构化反偏见内置了信息丰富度评级、芒格式逆向检验思考公司如何失败、快速否决清单如管理层诚信问题一票否决等机制。金融数据精确性通过独立的 Python 工具进行精确计算和交叉验证替代 LLM 不可靠的“心算”。标准化流程确保同一家公司多次分析或不同公司横向对比时输出格式和评估标准完全一致。1.3 核心架构三层设计哲学AI Berkshire 的架构清晰分为三层确保了其强大且灵活的能力Skill 层做什么提供了 18 个明确的入口命令覆盖了投资研究的全生命周期。例如/investment-research对单家公司进行四大师综合深度分析。/industry-funnel从一个行业主题出发漏斗式筛选出最具潜力的3家公司。/portfolio-review管理和优化你的投资组合。/news-pulse快速归因股价异动10分钟内搞清楚发生了什么。Agent 层怎么做每个 Skill 内部并非一个 AI 在思考而是由多个扮演不同角色的 AI Agent 并行工作。例如在执行/investment-team时会同时启动四个 AgentAgent 1 (段永平视角)专攻商业模式分析。Agent 2 (巴菲特视角)专攻财务估值与护城河。Agent 3 (芒格视角)专攻逆向思考与风险排查。Agent 4 (李录视角)专攻长期趋势与管理层文化。 它们各自搜索信息、独立分析最后由一个“Team Lead” Agent 进行综合研判模拟真实的投研团队协作。工具层保障质量提供了一系列底层工具如financial_rigor.py确保数据分析的严谨性包括市值验算、多源数据交叉验证、精确十进制计算等杜绝了因数据错误导致的决策失误。2. 环境准备与安装指南AI Berkshire 支持两种主流的 AI 编码客户端Claude Code(Anthropic) 和Codex(OpenAI)。你需要先安装其中一种客户端然后再安装 AI Berkshire 的技能包。2.1 安装 AI 客户端方案一Claude Code 用户安装Claude Code 是 Anthropic 推出的命令行 AI 编程助手。通过 npm 全局安装npm install -g anthropic-ai/claude-code安装完成后可以通过claude --version验证。方案二Codex 用户安装Codex 是 OpenAI 的 AI 编码工具。根据你的操作系统选择安装方式# macOS / Linux (通过 curl) curl -fsSL https://chatgpt.com/codex/install.sh | sh # 或使用 npm (跨平台) npm install -g openai/codex # 或使用 Homebrew (macOS) brew install --cask codex # Windows (PowerShell) # 以管理员身份打开 PowerShell执行 powershell -ExecutionPolicy ByPass -c irm https://chatgpt.com/codex/install.ps1 | iex安装后运行codex --version检查是否成功。2.2 获取 AI Berkshire 项目代码无论使用哪个客户端都需要先克隆项目仓库到本地git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshire2.3 安装 AI Berkshire Skills针对 Claude Code 用户项目提供了脚本将 Skills 安装为 Claude Code 的全局命令Commands。# 在 ai-berkshire 项目根目录下执行 ./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。安装后在 Claude Code 会话中直接输入/即可看到如/investment-research、/industry-funnel等命令。权限确认提示处理由于 Skills 会调用网络搜索、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。如果你在可信环境中运行且信任该工作流可以启动时跳过确认以提升流畅度claude --dangerously-skip-permissions请注意此模式会关闭安全确认请确保你了解正在运行的命令。针对 Codex 用户Codex 使用 Skills 机制。运行安装脚本# 在 ai-berkshire 项目根目录下执行 ./scripts/install-codex-skills.sh此脚本会在~/.codex/skills目录下生成并安装对应的 Skill 包。安装后需要重启 Codex 客户端才能使新 Skills 生效。可选安装 Slash Prompts如果你习惯 Claude Code 那种以/开头的命令方式可以额外安装兼容层./scripts/install-codex-prompts.sh安装后重启 Codex你就可以通过输入/prompts:investment-research 腾讯这样的方式来调用或者在 Codex 的/菜单中搜索这些 prompt。2.4 验证安装安装完成后可以通过一个简单命令测试是否成功。Claude Code打开新的 Claude Code 会话输入/查看命令列表中是否出现了investment-research等命令。Codex重启 Codex 后在对话框中尝试描述一个任务例如“使用 investment-research 技能分析一下苹果公司”。如果 Codex 能识别并开始调用相关技能流程即表示安装成功。3. 核心 Skills 详解与实战演示AI Berkshire 提供了18个Skills覆盖深度研究、财报分析、行业筛选、持仓管理和思维工具五大类。下面我们挑选几个最核心、最常用的 Skills 进行详细拆解和实战演示。3.1/investment-research四大师综合深度分析这是最全面的单公司分析工具。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。实战调用Claude Code/investment-research 腾讯控股或指定更详细的信息/investment-research 腾讯控股 (0700.HK)实战调用Codex使用 investment-research 分析腾讯控股或如果安装了 slash prompts/prompts:investment-research 腾讯控股核心流程与输出解读AI 会开始工作依次执行以下步骤并在过程中实时汇报数据收集自动搜索腾讯的最新股价、市值、财报摘要、业务构成等基本信息并进行多源交叉验证。段永平视角生意本质分析腾讯的商业模式是什么社交内容金融科技是不是一门“好生意”其飞轮效应如何运转。巴菲特视角护城河与财务评估腾讯的护城河网络效应、品牌、转换成本分析其财务指标ROE、毛利率、自由现金流并进行估值PE、PB、DCF等。芒格视角逆向思考强制思考“腾讯可能会因为什么原因失败”列出主要风险点如监管、新业务亏损、竞争等并评估概率。管理层与文明趋势评估以马化腾为核心的管理团队并判断腾讯的业务是否符合李录所说的“现代化文明”趋势。综合决策备忘录最终输出一份结构化的报告。以下是一个简化的输出示例综合决策备忘录 (示例摘要)维度结论信心度生意质量段永平极佳社交数字内容双轮驱动边际成本低网络效应强。★★★★★护城河巴菲特宽阔且仍在拓宽微信/QQ生态构成强大护城河。★★★★☆管理层段巴优秀创始人主导资本配置历史记录良好。★★★★☆最大风险芒格政策监管不确定性视频号商业化不及预期。★★★☆☆文明趋势李录深度融入数字化生活但非颠覆性范式转移。★★★★☆估值与安全边际当前前瞻PE约14-16倍处于历史中枢偏低位置有一定安全边际。★★★★☆投资建议激进型当前价位可开始分批建仓目标仓位20%。稳健型等待回调至XXX-XXX港元区间再介入。保守型需看到视频号利润释放更明确的信号。镜子测试要求你用5句话清晰陈述买入理由。如果说不清则不应买入。3.2/investment-team多Agent并行投研团队这个技能会同时启动4个独立的AI Agent从四个视角并行研究速度更快视角碰撞更激烈。实战调用/investment-team 美团输出特点你会看到四个分析任务同时开始进行。最终报告会汇总四个视角的独立评分和核心判断并给出一个综合评分和分层投资建议。其输出表格比/investment-research更侧重对比四维评分总表 (示例摘要)维度框架评分核心判断商业模式 护城河段永平★★★★☆本地生活网络效应显著但到店业务面临抖音冲击。财务 估值巴菲特★★★★☆核心外卖业务盈利稳健估值处于历史低位。行业 竞争芒格★★★☆☆竞争格局存在恶化风险抖音入侵势头凶猛。风险 管理层李录★★★★☆王兴战略能力强但新业务持续烧钱消耗现金流。综合评分3.8 / 5这种并行模式能有效避免单一分析路径的“隧道视野”在争论中更接近真相。3.3/industry-funnel行业漏斗筛选当你关注某个热门赛道如“AI算力”、“新能源车”但不知道具体该投哪家公司时这个技能堪称神器。它从一个主题出发像漏斗一样层层筛选最终为你精选出3家最具代表性的公司。实战调用/industry-funnel AI算力核心筛选流程全市场扫描自动搜索与“AI算力”相关的全球上市公司形成初选池约30-60家。价值投资硬指标粗筛应用5条核心财务和业务指标如连续盈利、低负债、高ROIC等进行第一轮过滤留下≤10家公司。精细分析对剩下的公司进行300-500字的初步分析。终选3家关键点来了它不是简单按评分排名取前三而是按“组合互补性”选择一家高确定性龙头业务稳定如台积电TSMC。一家中等弹性细分领域冠军成长性较好。一家高弹性潜在黑马风险收益比高。输出推荐组合为这3家公司给出具体的仓位配置建议核心仓、卫星仓、期权仓。实战输出示例AI算力赛道终选3家TSMC (台积电), NVIDIA (英伟达), SK Hynix (海力士)核心仓位推荐TSMC ★★★★★ (确定性最高制造壁垒极深)组合建议核心仓50%配TSMC卫星仓30%配NVIDIA期权仓15%配SK Hynix。3.4/news-pulse股价异动快速归因持仓股票突然大涨或大跌市场上消息纷飞焦虑感瞬间飙升。/news-pulse能在10-15分钟内帮你快速厘清异动的可能原因区分是“价值事件”还是“情绪波动”。实战调用/news-pulse 腾讯或针对特定波动/news-pulse 拼多多 跌12% 一周内工作逻辑它会从四个维度并行侦察公司事件财报、高管变动、产品发布、诉讼等。监管政策行业新规、反垄断调查等。行业对手竞争对手的重大动作。市场情绪卖方报告观点、知名投资者动向、资金流向如南向资金。输出示例腾讯股价短期下跌归因一句话归因本次下跌主要受资金面回购静默期结束、南向资金流出和板块情绪拖累基本面未发现显著利空。异动归因表候选解释估算贡献置信度回购静默期结束-3% ~ -4%高南向资金净卖出-2% ~ -3%高板块整体调整-2% ~ -3%高AI叙事热度转移-1% ~ -2%中基本面恶化~0%极低排除性质判断混合型70%资金/情绪面 30%叙事面。行动建议仅观察无需触发深度研究重审。可关注下一季财报验证。这个技能能帮你避免因情绪化操作而“割在地板上”或“追在高点上”。4. 高级技巧与自定义配置4.1 使用金融严谨性工具AI Berkshire 内置了tools/financial_rigor.py工具集用于确保财务计算的精确性。你可以在本地直接调用这些工具来复核数据。例如手动验证一家公司的市值# 进入项目tools目录 cd ai-berkshire/tools # 使用 verify-market-cap 命令 # 假设腾讯股价 510 HKD总股本 9.11e9报告市值 4.65e12 HKD python3 financial_rigor.py verify-market-cap \ --price 510 \ --shares 9.11e9 \ --reported 4.65e12 \ --currency HKD如果计算偏差超过1%工具会发出警告。这能有效防止因数据源单位错误如将港元误作人民币导致的决策失误。4.2 批量分析与对比你可以利用 Skills 的标准化输出进行批量公司分析方便横向对比。方法一使用/investment-checklist/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多, 京东这个命令会快速对列表中的每家公司进行六关筛选并输出一个对比表格直观显示哪些公司通过了“镜子测试”。方法二生成报告后人工对比分别对多家公司运行/investment-research由于输出结构完全一致你可以轻松地将它们的“综合决策备忘录”并排比较特别是在“护城河”、“风险”、“估值”等维度上进行量化对比。4.3 自定义与扩展AI Berkshire 的技能本质上是精心编写的 Markdown 文件对于 Claude Code或结构化配置对于 Codex。高级用户可以根据自己的投资理念进行修改。修改评估权重在相应的 Skill 文件如skills/investment-research.md中你可以调整不同大师视角的提问深度或评分权重。添加新的否决规则在“快速否决清单”中加入你自己绝对无法接受的投资红线例如某个特定行业的公司不投、负债率超过某个阈值不投。集成自有数据源通过修改工具层或利用 Claude Code/Codex 的 MCPModel Context Protocol服务器功能接入你自己的财经数据库、研报平台让分析基于更私密、更及时的数据。注意修改源文件前建议先 fork 原仓库并在自己的分支上进行实验。5. 常见问题与排查思路在安装和使用 AI Berkshire 过程中你可能会遇到以下问题问题现象可能原因解决思路Claude Code 中找不到/命令Skills 未正确安装到全局命令目录。1. 确认在ai-berkshire目录下执行了./scripts/install-claude-commands.sh。2. 检查 Claude Code 的全局命令路径。可以尝试在 Claude Code 中运行!echo $HOME查看用户目录Skills 通常安装在~/.config/claude-code/commands/下。Codex 不识别 skill1. Skill 安装后未重启 Codex。2. Skill 安装路径不正确。1. 完全退出并重启 Codex 客户端。2. 确认~/.codex/skills/目录下存在以ai-berkshire-开头的技能文件夹。运行 Skill 时权限确认频繁这是 Claude Code 的安全机制。如果信任工作流可使用claude --dangerously-skip-permissions启动。生产环境或处理敏感信息时不建议。AI 分析时数据明显错误LLM 的“幻觉”或使用了过时/错误的数据源。1. 关注报告中的“信息丰富度评级”A/B/C。评级低时结论置信度也低。2. 使用tools/financial_rigor.py对关键数据进行手动验证。3. 在提问时提供更精确的指令如“请使用截至2023年Q4的财报数据”。网络搜索失败或超时网络环境问题或 Claude/Codex 的搜索功能暂时受限。1. 检查本地网络连接。2. 稍后重试。3. 考虑在 Skill 指令中预先提供一些关键数据如最新股价、营收减少 AI 对实时搜索的依赖。输出格式混乱可能是客户端渲染问题。1. 尝试在纯文本终端中查看输出。2. 输出内容本质是 Markdown可以将其复制到支持 Markdown 的编辑器中查看。6. 最佳实践与工程建议要将 AI Berkshire 真正融入你的投资体系而不仅仅作为一个玩具请遵循以下建议明确定位AI 是分析师你是基金经理AI Berkshire 提供的是强大的研究支持和决策框架但最终的下单决策必须由你本人做出。它帮你高效地“把事情做对”效率但“做对的事情”方向取决于你的投资哲学。从简单到复杂如果你是新手建议从/investment-checklist开始快速感受其筛选逻辑。然后尝试/investment-research分析你熟悉的公司验证其分析是否与你认知相符。最后再使用/industry-funnel探索新领域。交叉验证不盲信单一结果对于重要决策可以用不同的 Skill 分析同一家公司如先用/investment-team再用/investment-research看结论是否一致。隔几天再对同一家公司运行一次分析观察结论的稳定性。永远用tools/financial_rigor.py手动校验核心财务数据。建立自己的“知识库”将 AI Berkshire 生成的重要报告保存下来。你可以建立一个简单的笔记系统如 Obsidian、Notion按公司、行业分类存放。半年或一年后回头再看既能检验 AI 的分析质量也能复盘自己的决策。关注流程而非单次输出AI Berkshire 最大的价值在于其结构化的、可复现的决策流程。学习并内化这个流程——如何定义好生意如何评估护城河如何进行逆向思考——这比任何一份具体的分析报告都更有价值。安全与隐私提醒勿传密料不要在对话中上传包含个人持仓、账户信息、内幕消息等敏感文件。本地处理对于高度敏感的分析可以考虑在完全离线的环境下基于本地部署的大模型和本项目思路构建私有化流程。免责声明本项目所有输出仅供参考不构成投资建议。金融市场风险巨大请独立决策自负盈亏。AI Berkshire 代表了一种新的可能性将顶级投资者的思维模型工程化、自动化。它不能保证你永远盈利但能极大提升你研究的广度、深度和纪律性避免那些常见的认知偏误和情绪化决策。通过本篇教程你已经掌握了从安装部署到实战应用的全流程。接下来最好的学习方式就是立即行动——选一家你关注的公司运行一次/investment-research亲自体验一下拥有一个“AI 投研团队”是如何改变你的研究过程的。