AI Berkshire：把巴菲特、芒格、段永平、李录装进 Claude Code，开源价值投资研究框架

发表于 分类于 ，
一个用 Claude Code 把四位价值投资大师方法论系统化的开源投研框架，用 16 个 Skill 实现"一个人 + Claude = 一个投研团队"，实盘两年跑赢标普 500 接近 50 个百分点。

AI Berkshire：把巴菲特、芒格、段永平、李录装进 Claude Code，开源价值投资研究框架

一个真实的小场景

昨天有朋友发来一段对话截图：他让 Claude “帮我分析一下拼多多值不值得买”，Claude 洋洋洒洒写了 800 字，从增长讲到竞争、从用户讲到监管，最后用” 投资有风险，请自行判断” 收尾。他哭笑不得地问我：” 它分析得对不对我不知道，但我看完之后还是不知道该买还是该卖。”

这其实是所有用过 LLM 做投资研究的人都会撞上的同一面墙：模型天然倾向于” 两边都对” 的措辞，它没有立场，更不会替你做决定。如果投资研究只能产出” 看起来对但不可执行” 的报告，那和没分析没什么两样。

今天 GitHub Trending 上冒出来的一个项目，就是冲着这面墙去的 ——xbtlin/ai-berkshire（中文名”AI 时代的伯克希尔”），GitHub 地址 https://github.com/xbtlin/ai-berkshire。它把巴菲特、芒格、段永平、李录四位价值投资大师的方法论结构化，做成了 16 个 Claude Code Skill，让” 一个人 + Claude = 一个投研团队” 成为可能。更有说服力的是，作者把它跑在实盘上：2024 年 +69.29%，2025 年至今 +66.38%，两年跑赢标普 500 接近 50 个百分点。

项目背景：解决”AI 投资分析不可执行” 的问题

ai-berkshire 的核心判断是：“LLM 能不能分析” 这件事已经不稀奇了，稀缺的是” 分析质量 + 决策纪律”。直接问 Claude 得到的” 两面讨好” 分析，本质上是 prompt 没规定立场、没规定输出结构、也没规定计算精度。

为了把” 软建议” 变成” 硬决策”，作者做了三件事：

  1. 把四位投资大师的方法论变成可执行的 prompt 工作流。每一条投资原则不是写在博客里的鸡汤，而是被映射成 Skill 里的强制步骤、强制输出字段、强制打分维度。
  2. 用 Python decimal.Decimal 取代 float，做金融计算的精确化。0.1 + 0.2 = 0.3 在金融场景里就是事故，所有估值、PE、折现都必须用定点十进制。
  3. 引入” 对抗” 机制。四位大师在很多公司上会得出不同结论，比如拼多多，巴菲特说” 真便宜”，李录说” 不确定就不买”—— 这种冲突才是真实决策的状态，ai-berkshire 故意保留这种张力，让用户看到分歧再做判断。

核心功能：16 个 Skill 组成的投研操作系统

ai-berkshire 的 16 个 Skill 按照” 研究→财报→筛选→持仓→思维工具” 五个层次组织。挑几个最能体现项目思想的讲：

1. /investment-team：四 Agent 并行投研

这是项目的” 门面”Skill。启动后会派出 4 个独立 Agent 并行工作：

1
2
3
4
5
Team Lead（你） — 统筹协调 · 汇总研判
├── Agent 1 商业模式（段永平）
├── Agent 2 财务估值（巴菲特）
├── Agent 3 行业竞争（芒格）
└── Agent 4 风险管理层（李录）

每个 Agent 独立检索、独立打分，最后由你做综合判断。这意味着 4 倍的检索量、4 倍的信息源、4 个独立视角 —— 和单一 prompt 让模型” 既当巴菲特又当芒格” 完全不是一回事。

2. /investment-research：七模块串行深度研究

如果你只有一家公司想深挖，这个 Skill 适合。流程是固定 7 步：

1
2
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

每一步都有强制输出结构，包括五维度评分（★1-5）、信心度、最大风险条目。最终报告不是文字流，而是一张可以直接填进表格的决策卡。

3. /industry-funnel：行业漏斗筛选

当你不是分析某家公司，而是想” 扫一下整个 AI 算力行业有哪些值得看”，这个 Skill 会自动做” 全市场 → 粗筛 ≤10 家 → 终选 3 家” 的漏斗。这种” 自上而下” 的工业级流程，单凭一个 prompt 是不太可能稳定复现的。

4. /portfolio-review、/thesis-tracker、/news-pulse：持仓管理三件套

买入之后怎么办？ai-berkshire 把” 研究” 延伸到” 管理”：

  • /portfolio-review 检查仓位集中度、相关性、再平衡建议
  • /thesis-tracker 跟踪当初买入的逻辑有没有被证伪
  • /news-pulse 股价异动 10 分钟归因

这才是一个完整投资闭环，而不仅仅是” 分析工具”。

5. 5 大反偏见机制

这个我觉得是最值得借鉴的设计思想，也是它和” 普通 AI 投资助手” 拉开差距的地方：

机制 解决的问题 例子
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（资料少）
芒格式逆向检验 强制思考失败场景 “拼多多会怎么死？”→ 5 个具体场景
快速否决清单 8 条红线一票否决 管理层诚信问题直接出局
反共识检查 避免和市场想得一样 “聪明人为什么在做空？”
留白原则 宁可说” 不知道” 数据不足时打” 灰色地带” 标签

注意这几个机制看起来简单，但放在 prompt 里是强制约束，不是可选项 —— 这才是” 工程化” 和” 玩玩” 的区别。

实战示例：用 /investment-team 研究美团

下面用一个最小可运行示例展示怎么把这套框架用起来。前提是你已经装了 Claude Code（官方文档：https://docs.claude.com/en/docs/claude-code）。

Step 1：克隆项目，安装 Skill

1
2
3
4
5
6
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire

# 复制 skills 到 Claude Code 全局 commands 目录
cp ai-berkshire/skills/*.md ~/.claude/commands/

~/.claude/commands/ 下的 .md 文件会被 Claude Code 当成 /slash-command 自动加载。

Step 2：启动 Claude Code，调用多 Agent 投研

1
claude

进入交互界面后直接输入：

1
/investment-team 美团

Step 3：观察输出

四个 Agent 会并行启动，输出结构大致是：

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。

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 ★★★★★
护城河（巴菲特） 网络效应 + 规模效应 + 转换成本 ★★★★☆
最大风险（芒格） 抖音本地生活切入，监管不确定性 ★★★☆☆
文明趋势（李录） 数字化消费迁移 ★★★★☆
估值 当前 PE 处于历史 30% 分位 ★★★★☆

最终建议：有条件通过，建议分批建仓

Step 4：把分析落到” 投资 Checklist”

研究完别急着下单，再用 /investment-checklist 美团 跑一遍巴菲特 6 关快速清单（能力圈、好生意、护城河、管理层、安全边际、价格），把两张表对照看，分歧的地方就是你要重点追问的地方。

这个” 先团队研究 → 再 checklist 复核” 的两步流程，是 ai-berkshire 推荐的” 实操姿势”。

适用场景和限制

它特别适合这些场景

  • 你已经在用 Claude Code，不想再开第二个工具 —— 所有 Skill 都在你已有的环境里跑
  • 你不是想听” 两边都对” 的废话，需要带价格区间的硬建议
  • 你想让” 研究” 和” 持仓管理” 在同一套语言里，而不是研究用一套、实盘用另一套
  • 你认可价值投资方法论，愿意用” 能力圈、护城河、安全边际” 这套语言思考

它有明显的边界

  • 不是量化模型。它做的是基本面研究框架，不做高频、K 线、技术指标
  • 不是市场预测器。作者自己也强调” 历史收益不代表未来表现”
  • 依赖 Claude 模型。如果换 GPT、Gemini，prompt 需要重新调
  • Skill 文件是中文为主。英文版本还在补完，海外公司研究的资料质量可能略差
  • 四位大师方法论本身有局限。比如段永平的” 敢为天下后” 在 AI 这种快速变化行业就要打折扣，框架是工具不是答案

总结

ai-berkshire 的真正价值，不是”AI 又能写投资报告了”—— 这件事 2023 年就能做。它的价值在于把” 投资研究” 从” 自由对话” 工程化为” 可复现的工作流”：固定的 7 步流程、固定的 5 维度打分、固定的 4 大师对抗、固定的 Decimal 精度、固定的 8 条否决红线。

如果你已经在用 Claude Code 写代码、做笔记、做研究，强烈建议把 ai-berkshire 的 Skill 装上试一周。哪怕你最终不用它做投资决策，这套” 把软建议工程化” 的设计思路也值得你抄到自己的领域 —— 分析师写报告、产品经理做 PRD、咨询顾问做尽调，全都可以用同样的” 强制输出结构 + 反偏见机制” 重做一遍。

仓库地址：https://github.com/xbtlin/ai-berkshire

免责声明：本文不构成任何投资建议。文中提到的实盘业绩来自作者公开声明，不代表框架使用者一定能复制。投资有风险，决策请独立。