当前位置：首页 > news >正文

AI Berkshire：基于Claude Code/Codex构建的价值投资研究框架实战指南

news 2026/7/4 16:12:30

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

1. 先搞清楚 AI Berkshire 到底能帮你做什么，以及它和直接问 AI 的区别

如果你对价值投资感兴趣，或者经常需要分析公司、看财报、筛选行业，但苦于没有时间或专业团队，那 AI Berkshire 这个项目值得你花十分钟了解一下。它不是一个简单的 AI 聊天机器人，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。

简单来说，它把巴菲特、芒格、段永平、李录这四位投资大师的思考方式，变成了一个个可以调用的 AI 技能（Skill）。你不需要成为专家，就能让 AI 以这四位大师的视角，并行地、结构化地帮你分析一家公司、一个行业，甚至管理你的投资组合。

但这里有个关键问题：为什么不能直接问 Claude 或 ChatGPT “帮我分析一下腾讯”？

我实测过很多次，直接问通用 AI，你大概率会得到一篇“一方面……另一方面……”的平衡文章，最后以“投资有风险，请自行判断”收尾。这种分析看起来面面俱到，但无法用于实际决策。因为你不知道它的结论是基于什么标准，也不知道它是否遗漏了关键风险。

AI Berkshire 解决的就是这个问题。它的核心价值不是“让 AI 能分析”，而是强制 AI 按照一套严谨、可复现、且内置了反偏见机制的流程来产出研究结论。这带来了几个根本性的区别：

强制输出明确结论，不打太极：它会直接告诉你“通过”、“不通过”或“灰色地带”，并给出针对不同风险偏好（激进、稳健、保守）的具体价格区间和仓位建议。
多视角对抗，而非单一分析：不是简单地“用巴菲特方法分析一下”，而是让四个独立的 AI Agent 分别扮演四位大师，从商业模式、财务估值、逆向风险、长期确定性四个维度独立研究、互相挑战。这种内部冲突恰恰是避免盲点的关键。
结构化反偏见机制：AI 最危险的不是给错答案，而是给一个“看起来对”的答案。AI Berkshire 内置了信息丰富度评级、芒格式逆向检验（“什么情况下这家公司会死？”）、快速否决清单（如管理层诚信污点一票否决）等机制，来对抗 AI 的“幻觉”和“共识偏好”。
金融数据的精确性：大语言模型（LLM）的心算不可靠，PE 算错小数点、市值单位搞混（港币 vs 人民币）都可能导致灾难性决策。AI Berkshire 通过调用 Python 工具进行精确的十进制计算和多源数据交叉验证，确保数据准确性。
可复现的研究流程：同样的输入，每次都能得到结构一致、深度一致的输出。这意味着你可以横向对比多家公司，或者半年后重新分析同一家公司，结果具有可比性。

所以，AI Berkshire 的本质是“一个人 + Claude Code/Codex = 一个投研团队”。它提供的不是闲聊式的分析，而是一套可以用于辅助决策的、具有纪律性的投研工作流。根据项目资料，其背后的实盘在 2024 和 2025 年分别取得了 +69.29% 和 +66.38% 的收益，大幅跑赢同期主要指数。当然，历史业绩不代表未来，但这至少证明了其方法论在实践中的有效性。

2. 环境准备与安装：选对客户端，理清安装逻辑

在动手之前，你需要明确自己使用哪个 AI 客户端。AI Berkshire 同时支持Claude Code和Codex，这是两个不同的工具，安装方式和使用体验略有差异。

2.1 选择你的 AI 客户端

Claude Code: 由 Anthropic 公司开发，更侧重于代码生成和与开发环境的深度集成。如果你习惯在终端或 IDE 中使用 Claude，或者 Anthropic 的模型在你的地区更易用，可以选择它。
Codex: 这里通常指的是 OpenAI 的 Codex 模型或其相关工具，但在本项目语境下，可能指代一个集成了类似能力的客户端。根据搜索材料，它提供了命令行和桌面版。如果你更依赖 OpenAI 的生态，或者需要桌面图形界面，可以选择它。

我的建议是：先看看你手头哪个客户端的访问更稳定、更顺手。两者的核心技能（Skill）功能是相似的，项目也提供了两套安装脚本。

2.2 安装 AI 客户端（基础环境）

无论选择哪个，你都需要先安装对应的客户端。

对于 Claude Code 用户：通常通过 npm 安装。确保你的系统已安装 Node.js。

npm install -g @anthropic-ai/claude-code

安装后，在终端输入claude --version验证是否成功。

对于 Codex 用户：根据你的操作系统，选择以下一种方式安装：

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

安装后，在终端或命令行输入codex --version验证。

注意：网络环境可能影响安装。如果遇到下载慢或失败，请检查网络连接，或查阅对应客户端的官方文档寻找替代安装源。

2.3 安装 AI Berkshire Skills（核心技能包）

客户端装好只是第一步，接下来要把 AI Berkshire 的“技能包”安装到你的客户端里。

克隆项目仓库：这是必须的一步，因为技能文件都在这个仓库里。
```
git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshire
```
根据你的客户端运行安装脚本：
- Claude Code 用户：
```
./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 对话中直接输入/就能看到诸如/investment-research这样的命令。
- Codex 用户：
```
./scripts/install-codex-skills.sh
```
  这个脚本会在~/.codex/skills目录下生成并安装对应的技能包。
  - 可选步骤：如果你希望获得类似 Claude Code 的/快捷命令体验，可以再运行：
```
./scripts/install-codex-prompts.sh
```
    这会在~/.codex/prompts目录安装一套 Slash Prompts，之后在 Codex 中可以通过/prompts:investment-research这样的方式调用。

安装过程可能遇到的问题：

权限问题：在 Linux/macOS 下，如果脚本没有执行权限，运行chmod +x scripts/*.sh。
目录不存在：脚本可能会尝试创建~/.codex等目录，如果失败，可以手动创建后再运行脚本。
Claude Code 频繁请求授权：这是 Claude Code 的安全机制。因为这些 Skills 会频繁调用网络搜索、计算等工具，每次调用都可能弹窗确认。如果你完全信任本项目且在可信环境中，可以用claude --dangerously-skip-permissions启动来跳过确认，但请谨慎使用此模式。

安装成功后，重启你的 Claude Code 或 Codex 客户端，让它们加载新的技能。

3. 核心技能实战：从单公司分析到行业筛选

技能安装好后，你就可以像调用一个专业投研团队一样工作了。下面我挑几个最常用、最能体现其价值的技能，拆解具体怎么用，以及输出结果到底长什么样。

3.1`/investment-research`：单公司深度研究（四大师视角）

这是最全面的单公司分析框架。你只需要提供一个公司名称或股票代码。

使用方式（Claude Code）：

/investment-research 腾讯控股

或者

/investment-research 0700.HK

它会做什么？它会按顺序执行七个模块的研究：

数据收集：自动搜索最新财报、新闻、行业报告。
生意本质（段永平视角）：这门生意到底赚什么钱？模式好不好？
护城河（巴菲特视角）：竞争优势有多深？是否可持续？
逆向思考（芒格视角）：“反过来想”，最大的风险是什么？什么情况下会失败？
管理层评估（段永平+巴菲特视角）：管理层是否值得信任？资本配置能力如何？
文明趋势（李录视角）：这家公司是否站在一个长期的、大的文明发展趋势上？
估值与安全边际：用多种方法（如三情景估值、反向DCF）计算当前价格是否便宜。

输出亮点：

信息丰富度评级：报告开头会标注“A/B/C”级，告诉你研究依据的信息是否充足。比如研究一家信息很少的小公司，可能会是C级，结论的置信度就需要打折。
关键数据交叉验证：对于市值、PE等关键数据，它会从至少两个独立来源获取并比对，偏差过大时会告警。
明确的决策备忘录：最终会给你一个清晰的表格，综合各维度评分和结论。
大师原话式点评：报告中会穿插“段永平会说……”、“芒格会问……”这样的模拟点评，帮你理解大师的思考角度。

实测建议：第一次用，建议选一家你非常熟悉的公司（比如茅台、苹果）。先看看 AI 的分析和你的认知有多大重合，再判断其分析框架的可靠性。

3.2`/investment-team`：多 Agent 并行研究（效率倍增）

这是/investment-research的“增强版”。它不是顺序执行，而是同时启动 4 个独立的 AI Agent，分别从商业模式、财务估值、行业竞争、风险与管理层四个视角并行研究，最后由一个“Team Lead”Agent 进行综合研判。

使用方式：

/investment-team 美团

为什么用这个？

深度和效率：四个 Agent 同时搜索、分析，相当于把研究时间压缩到原来的 1/4，且信息覆盖更全面。
视角碰撞：输出结果会直接展示四个视角的独立评分（可能互相矛盾），让你更直观地看到一家公司的多维面貌。
投资建议更具体：它会直接给出针对“激进型”、“稳健型”、“保守型”投资者的不同操作建议和价格区间。

输出示例（简化）：

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：抖音入侵到店业务风险) - 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

3.3`/investment-checklist`：巴菲特式快速筛选（10分钟决策）

当你面对一堆公司，想快速判断哪家值得深入分析时，就用这个。它模拟巴菲特买入前的六步检查清单。

使用方式（支持多公司对比）：

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

六关检查：

能力圈：我能理解这门生意吗？
好生意：经济特征如何？（利润率、资本回报率等）
护城河：竞争优势深不深？是否可持续？
管理层：值得信任吗？
安全边际：价格足够便宜吗？
决策纪律：这个决定是理性的，还是因为FOMO（害怕错过）？

核心特色：“镜子测试”这是整个清单的灵魂。它要求你用5句话向“镜子里的自己”说清楚为什么买。如果5句话都说不完整、逻辑不自洽，那就直接放弃。这个设计强制你进行最底层的逻辑梳理，过滤掉所有“感觉不错”但经不起推敲的投资冲动。

3.4`/industry-funnel`：行业漏斗筛选（从全市场到3家精选）

这是我最喜欢的技能之一。当你对一个新兴行业（比如“AI算力”、“核电”）感兴趣，但不知道从何下手时，它能帮你完成从“大海捞针”到“精准聚焦”的全过程。

使用方式：

/industry-funnel AI算力

它的工作流程：

全市场扫描：自动抓取该主题下全球相关的上市公司（约30-60家）。
价值投资硬指标粗筛：用5条核心财务和业务指标（如ROE、毛利率、负债率等）快速过滤，留下≤10家。
精细分析：对剩下的10家公司进行300-500字的初步分析。
终选3家：关键点来了：它不是简单按分数排名选前3，而是按“组合互补性”来选。通常会选一家高确定性（龙头，核心仓位）、一家中等弹性（细分冠军，卫星仓位）、一家高弹性（潜在黑马，期权仓位）。这更符合构建投资组合的现实逻辑。
输出推荐组合：给出具体的仓位配置建议。

实测案例：用其分析“AI行业”，它会并行分析AI算力、AI模型、AI应用、AI基建电力4个子赛道，每个赛道输出3家终选公司。一个有趣的发现是：AI应用层的最大赢家可能不是纯AI初创公司，而是像微软、Adobe这样有深厚渠道、数据和用户工作流的老牌巨头。这个结论与互联网泡沫时期“卖铲子的比淘金的更赚钱”的历史规律相呼应，显示了其分析的历史纵深。

3.5`/news-pulse`：股价异动快速归因（应对市场噪音）

持仓股票突然大涨或大跌，各种消息满天飞，怎么办？用这个技能，10-15分钟给你一个快速归因。

使用方式：

/news-pulse 腾讯

或指定现象：

/news-pulse 拼多多 跌12% 一周内

它做什么？

四维并行侦察：同时扫描（1）公司自身事件（财报、公告）、（2）监管政策、（3）行业竞争对手动态、（4）市场情绪（卖方报告、大V观点、资金流向）。
归因优先：不是罗列所有新闻，而是判断“哪个事件最配得上这次股价波动幅度”。
强制性质判断：将异动归因为“价值事件”（基本面变化）、“情绪波动”（资金面、消息面）、“真因不明”（可能存在未公开信息）或**“混合型”**。其中，“真因不明”这个判断非常有价值，它提示你可能存在内幕交易或市场尚未理解的信息。
明确行动建议：告诉你接下来该“触发深度研究”、“重审投资论文”、“仅观察”还是“无需行动”。

与其他技能的区别：

/investment-research：小时级的深度研究。
/earnings-review：聚焦财报。
/thesis-tracker：长期跟踪投资逻辑。
/news-pulse：专门用于股价异动时的快速（10分钟）情报响应，帮你避免因恐慌或贪婪做出非理性决策。

4. 落地实操：关键配置、常见问题与避坑指南

把技能跑起来只是第一步。要让它真正成为你的“副驾驶”，还需要理解一些关键配置和可能遇到的坑。

4.1 理解技能的组织架构与数据源

AI Berkshire 的技能分为几大类，你需要根据场景选用：

深度研究类(/investment-research,/investment-team等)：用于深度分析单家公司。
财报分析类(/earnings-review,/earnings-team)：专注于解读原始财报，不依赖二手观点。
行业筛选类(/industry-research,/industry-funnel等)：用于扫描和分析整个行业。
持仓管理类(/portfolio-review,/thesis-tracker等)：用于管理已有的投资组合。
思维工具类(/dyp-ask,/financial-data等)：提供一些辅助性的分析工具。

关于数据源：这些技能严重依赖网络搜索来获取最新的财务数据、新闻和行业信息。因此：

网络连接必须稳定：搜索失败会导致分析中断或信息不全。
信息质量取决于搜索：对于A股或港股公司，中文信息源更丰富，分析可能更细致。对于某些海外小公司，信息可能不全，报告置信度会降低（被标记为B级或C级）。
关键数据会交叉验证：项目内置的tools/financial_rigor.py工具会尝试对市值等关键数据进行手算验证和多源比对，这是其可靠性的重要保障。

4.2 处理权限与工具调用确认

这是使用 Claude Code 时最常见的“摩擦点”。由于 Skills 会调用搜索、计算等工具，Claude Code 默认会对每次调用进行确认。

现象：运行一个技能时，对话会频繁暂停，弹出“是否允许执行XXX工具？”的确认。影响：严重打断分析流程，体验很差。

解决方案：

（推荐）信任模式启动：如果你完全信任本项目且运行在安全环境中，可以使用claude --dangerously-skip-permissions启动客户端。但务必谨慎，这等于关闭了安全护栏。
分批确认：没有完美方案。你只能耐心点击确认。复杂的技能如/investment-team可能会触发数十次工具调用。
Codex 用户：根据材料，Codex 的权限管理可能不同，体验可能更流畅，这取决于具体客户端的实现。

4.3 输出结果的理解与二次加工

AI Berkshire 的输出是结构化的报告，但你不能把它当作“圣旨”。

你需要做的是：

关注置信度评级：报告开头的“信息丰富度评级”（A/B/C）非常重要。对于C级报告，结论要高度存疑。
审视“反共识检查”和“芒格逆向清单”：这是报告中最有价值的部分之一。看看AI找出了哪些市场普遍忽略的风险。
验证关键数据：虽然它做了交叉验证，但对于重仓决策，我仍然建议你手动核对一下报告中的核心财务数据（PE、营收、利润等），尤其是单位（是人民币、港币还是美元？是“亿”还是“万”？）。
理解“灰色地带”：如果结论是“灰色地带”，这本身就是一个强烈的信号——意味着在当前信息下无法做出明确判断，“不知道”本身就是一种认知，这比强行给出一个模糊的“建议持有”更有价值。
结合你自己的认知：这套框架是基于公开信息的分析。你是否了解行业的一些非公开“软信息”？你的风险承受能力是否与报告建议的仓位匹配？最终决策必须结合你自己的判断。

4.4 性能、成本与适用边界

耗时：一个完整的/investment-team分析，由于涉及多轮搜索和复杂计算，可能需要5-15 分钟才能完成。这不是即时问答，请保持耐心。
成本：这取决于你使用的 Claude Code 或 Codex 背后的 API 计费策略（如果是付费版）。每次分析都会消耗大量的 Token（用于输入的长上下文和输出的长报告），频繁使用可能产生可观费用。开始深度使用前，请了解你客户端的计费方式。
适用边界：
- 有效市场：对于信息高度透明、分析师覆盖充分的大型上市公司（如腾讯、苹果），分析效果最好。
- 早期公司/未上市公司：对于信息稀缺的标的（可使用/private-company-research），结论的猜测成分会很大，务必谨慎对待。
- 量化与趋势交易：这套框架纯粹是基本面价值投资框架，不涉及任何技术分析、市场情绪或量化因子。它不帮你择时，只帮你判断“标的是否好以及价格是否合适”。
- 决策辅助，而非决策替代：它极大地提升了信息收集、整理和初步分析的效率，但不能替代你最终的独立思考和责任承担。它是一位不知疲倦、知识渊博的研究助理，但拍板的人必须是你自己。

4.5 自定义与扩展的可能性

项目是开源的，这意味着你有很大的自定义空间。

修改评分权重：你可能觉得“管理层”的权重应该比“护城河”更高，可以尝试修改对应 Skill 文件中的提示词（Prompt）。
增加新的分析维度：比如你想加入“ESG（环境、社会、治理）”分析，可以参照现有 Skill 的结构，创建一个新的 Agent。
接入本地数据源：如果你有 Wind、Bloomberg 等专业金融终端的 API，可以修改工具调用部分，让 AI 直接查询更精确、更及时的数据。
回测系统：项目提到了“未来方向”包括历史回测。你可以尝试将 AI 生成的“买入/卖出”建议与历史股价进行比对，检验其有效性（当然，需注意幸存者偏差）。

最后一点建议：不要一开始就试图用这个框架管理你的全部身家。先从模拟盘或极小仓位的实盘开始，用它对几家你熟悉的公司进行分析，观察其结论的合理性和稳定性。同时，用它来辅助你阅读财报和研报，作为一个强大的“提问机器”和“信息整合器”。当你真正理解并信任其工作逻辑后，再逐步加大其在你投资决策中的权重。记住，工具的价值在于赋能思考，而非取代思考。