中文 | English | 日本語
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。
📮 仓库是全量框架，公众号是精选。 真正值得深研的公司，加上报告之外我自己的判断与取舍，都在微信公众号「复利炼丹炉」——扫码关注 ↓
📖 想读报告，用 阅读站：成品报告按公司、专题、时间整理，电脑和手机都好读，可搜索、记住阅读进度。
📊 全部 2282 份报告（含底稿）· 114 家公司 · 29 个专题，GitHub 上的完整目录见 研究报告索引，更新至 2026-11-12。
📖 阅读站 · 实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 研究索引 · 设计理念 · 公众号
Real Track Record
不是纸上谈兵。这套框架背后是真金白银验证的投资体系。
2024 全年收益：+69.29%
2025 全年收益：+66.38%
与主要指数对比
| 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。
精选研究首发于公众号
仓库里是完整的框架和全量报告，公众号里是精选——真正值得深研的公司，加上报告之外我自己的判断与取舍：
复利炼丹炉 —— 用 AI 炼投研这颗丹。
⚠️ 官方渠道只有三个：本仓库、阅读站、公众号「复利炼丹炉」。不收费、不荐股、不带单、不建投资群，也不以任何形式收款。ai-berkshire.com、aiberkshire.com 等域名由他人注册，与本项目无关；凡以 AI Berkshire 名义拉群、收费、推荐个股的都不是本人。
已发表文章按公司归档在 投资炼丹/，每篇附对应的研究原稿。
为什么不能直接问 AI？
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：
1. 强制给结论，不打太极
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。
2. 四大师视角对抗，而非单一分析
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。
3. 结构化反偏见机制
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 |
4. 金融数据的精确性
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。
5. 可复现的研究流程
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 |
6. 多Agent并行 = 研究深度的倍增
/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。
一句话总结
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"。
整体架构
三层设计哲学：
- Skill 层：把"你要做什么"抽象成 22 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
Skills 一览（22个）
🔬 深度研究类
📊 财报分析类
This is the beginning of the README. Read the rest at the original. Read the full README ↗
