ai-berkshire

# 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** 是一套基于 [Claude Code](https://claude.ai/code) 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 = 一个投研团队。 --- ## 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% <img src="assets/2024-returns.jpg" width="300" /> ### 2025 年至今收益：+66.38% <img src="assets/2025-returns.jpg" width="300" /> ### 与主要指数对比 | 指标 | 2024 全年 | 2025 至今 | |------|----------|----------| | **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。* --- ## 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： ```bash # 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。 ``` ┌─────────────────────────────────────────────┐ │ Team Lead (你) │ │ 统筹协调 · 汇总研判 │ ├──────┬──────┬──────────┬───────────┤ │ Agent 1 │ Agent 2 │ Agent 3 │ Agent 4 │ │ 商业模式 │ 财务估值 │ 行业竞争 │ 风险管理层 │ │ 段永平视角 │ 巴菲特视角 │ 芒格视角 │ 李录视角 │ └──────┴──────┴──────────┴───────────┘ ↓ 并行研究，实时汇报进度 ↓ 最终综合报告 ``` ### 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"。** --- ## Skills 一览 | Skill | 用途 | 适合场景 | |-------|------|---------| | [`/investment-research`](skills/investment-research.md) | 四大师综合深度分析 | 对一家上市公司进行全方位投资研究 | | [`/investment-team`](skills/investment-team.md) | 多Agent并行投研团队 | 需要更快速、多角度同时分析 | | [`/investment-checklist`](skills/investment-checklist.md) | 巴菲特买入前 Checklist | 快速筛选，决定是否值得深入研究 | | [`/industry-research`](skills/industry-research.md) | 产业链全景扫描 | 研究一个行业/主题的全部投资机会 | | [`/private-company-research`](skills/private-company-research.md) | 未上市公司深度研究 | 研究蚂蚁、SpaceX等未上市公司 | --- ## 快速开始 ### 1. 安装 Claude Code ```bash npm install -g @anthropic-ai/claude-code ``` ### 2. 安装 Skills 将 `skills/` 目录下的 `.md` 文件复制到你的 Claude Code commands 目录： ```bash # 克隆仓库 git clone https://github.com/xbtlin/ai-berkshire.git # 复制 skills 到 Claude Code 全局 commands 目录 cp ai-berkshire/skills/*.md ~/.claude/commands/ ``` ### 3. 使用 在 Claude Code 中直接调用： ``` /investment-research 腾讯 /investment-checklist 茅台, 英伟达, 苹果 /industry-research 核电 /investment-team 美团 /private-company-research SpaceX ``` --- ## 各 Skill 详细介绍 ### 1. `/investment-research` — 四大师综合分析 最全面的单公司深度研究框架。按七个模块顺序执行： ``` 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 ``` **核心特色**： - AI研究偏见自觉机制（A/B/C级信息丰富度评级） - 关键数据多源交叉验证（市值手算校验、至少2个独立来源） - 四位大师的"追问"贯穿全文 - 三情景估值（乐观/中性/悲观）+ 反向DCF **输出示例摘录**： > #### 综合决策备忘录 > > | 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，边际成本趋零 | ★★★★★ | > | 护城河（巴菲特） | 宽阔且在变宽：网络效应+转换成本+规模效应三重叠加 | ★★★★☆ | > | 管理层（段永平+巴菲特） | 优秀：创始人掌舵，资本配置纪律强 | ★★★★☆ | > | 最大风险（芒格） | 监管政策不确定性，新业务亏损拖累整体利润 | ★★★☆☆ | > | 文明趋势（李录） | 顺应数字化消费趋势，但非"文明级范式转移" | ★★★★☆ | > | 估值（巴菲特+段永平） | 当前PE 18x，处于历史中位数偏低，有一定安全边际 | ★★★★☆ | > > **段永平**："这门生意的本质是连接消费者和商家，赚的是效率提升的钱。好生意的标志是：用户越多，商家越多；商家越多，用户越多。飞轮一旦转起来，很难停下。" > > **芒格**："反过来想——如果这家公司明天消失，用户和商家会怎么办？如果答案是'很快找到替代品'，那护城河就不够深。如果答案是'生活会变得非常不方便'，那就值得关注。" --- ### 2. `/investment-team` — 多Agent投研团队 启动4个AI Agent并行研究，模拟真实投研团队协作。每个Agent独立搜索、独立分析、独立给出评分，最后由Team Lead综合研判。 **输出示例摘录**： > #### 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 > > | 维度 | 框架 | 评分 | 核心判断 | > |------|------|------|----------| > | 商业模式 & 护城河 | 段永平 | ★★★★☆ | 双边网络效应强劲，外卖+到店形成飞轮 | > | 财务 & 估值 | 巴菲特 | ★★★★☆ | 核心业务利润率持续改善，估值处于历史低位 | > | 行业 & 竞争 | 芒格 | ★★★☆☆ | 抖音入侵到店业务，竞争格局有恶化风险 | > | 风险 & 管理层 | 李录 | ★★★★☆ | 王兴战略眼光出色，但新业务烧钱需警惕 | > > **综合评分：3.8 / 5** > > #### 投资建议 > > | 策略 | 建议 | 价格区间(港元) | > |------|------|---------------| > | 激进型 | 当前价位可建仓30% | 120-140 | > | 稳健型 | 等回调至100-110建仓 | 100-120 | > | 保守型 | 等待季报验证利润率趋势后再介入 | <100 | --- ### 3. `/investment-checklist` — 巴菲特买入前 Checklist 六关快速筛选，帮你在10分钟内决定一家公司是否值得深入研究： ``` 第一关：能力圈（我能理解吗？） ↓ 通过 第二关：好生意（经济特征如何？） ↓ 通过 第三关：护城河（竞争优势深不深？） ↓ 通过 第四关：管理层（值得信任吗？） ↓ 通过 第五关：安全边际（价格便宜吗？） ↓ 通过 第六关：决策纪律（是理性还是FOMO？） ↓ 通过 ✅ 镜子测试 ``` **支持多公司对比**——一次筛选多个标的： ``` /investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多 ``` **输出示例摘录**： > #### 镜子测试 > > "我以 380港元 买入 腾讯，因为： > 1. 这门生意的本质是**社交网络+数字内容平台**，我理解它； > 2. 它的护城河是**12亿用户的社交关系链**，而且在变宽； > 3. 管理层**Pony Ma低调务实、资本配置优秀**，值得信赖； > 4. 当前价格相当于内在价值的**8折**，有一定安全边际； > 5. 即使我错了，下行风险可控，因为**账上净现金超2000亿、游戏现金流强劲**。" > > ✅ 通过镜子测试 > > **5句话说不完整 = 不买。没有例外。** --- ### 4. `/industry-research` — 产业链全景扫描 从一个投资主题出发，完成产业链全景研究： ``` 投资逻辑链构建 → 产业链全景图 → 全球上市公司扫描 → 各环节头部公司四大师分析 → 投资组合配置建议 ``` **输出示例摘录**： > #### 投资逻辑链：核电 > > 底层趋势：AI数据中心电力需求爆发 + 碳中和目标 > → 导致：稳定清洁基荷电源需求激增 > → 创造：核电重启/新建/SMR的确定性需求 > → 受益：铀矿 → 燃料加工 → 设备制造 → 运营商 > > #### 推荐组合 > > | 层级 | 仓位 | 标的 | 环节 | 核心逻辑 | > |------|------|------|------|---------| > | 核心 | 50% | 中国广核(CGN)、Cameco | 运营+铀矿 | 确定性最高 | > | 卫星 | 30% | 中国核电、东方电气 | 运营+设备 | 国产替代受益 | > | 期权 | 15% | NuScale、Nano Nuclear | SMR | 高风险高弹性 | > | ETF | 替代 | URA、URNM | 全链 | 懒人方案 | --- ### 5. `/private-company-research` — 未上市公司深度研究 专为信息稀缺的未上市公司设计的"侦探式"研究框架： **核心差异化**： - **财务数据拼凑**：从招股书、母公司财报、融资新闻、行业数据多源拼凑 - **置信度标注**：每个数据点标注 🟢高 / 🟡中 / 🔴低 置信度 - **多方法估值交叉**：融资估值法 + 可比公司法 + DCF + 终局倒推法 - **退出路径分析**：IPO/并购/二级转让全路径评估 **输出示例摘录**： > #### 公司画像速览：SpaceX > > | 项目 | 内容 | > |------|------| > | 最新估值 | ~$350B (2025年二级市场) 🟡 | > | 推算收入 | ~$130亿 (2024年) 🟡 | > | Starlink用户 | 400万+ (2024年底) 🟢 | > | 发射次数 | 100+ 次/年 (2024年) 🟢 | > > #### 估值判断 > > | 方法 | 估值区间 | 说明 | > |------|---------|------| > | 最近融资 | $350B | 二级市场报价，有流动性溢价 | > | 可比公司法 | $200-280B | 对标电信+航天+国防 | > | DCF(中性) | $250-350B | 假设Starlink 2027年$300亿收入 | > | 终局倒推 | $400-600B | 假设星链成为全球电信基础设施 | > > **综合合理估值区间：$250B - $400B** --- ## 实战研究报告 > 以下是使用本框架生成的真实投资研究报告，展示 AI 投研的实际输出效果。 | 公司 | 使用 Skill | 核心结论 | 报告链接 | |------|-----------|---------|---------| | 拼多多 (PDD) | `/investment-team` | 综合3.4/5，极度便宜但10年确定性不足，适合中等仓位 | [查看报告](reports/拼多多-20260407/) | | 腾讯控股 (0700.HK) | `/investment-research` | 社交垄断+资本配置卓越，14x前瞻PE合理偏低 | [查看报告](reports/腾讯控股-投资研究报告.md) | | 7家公司对比 | `/investment-checklist` | 茅台、腾讯通过；英伟达、美团、快手有条件通过；拼多多、泡泡玛特灰色 | [查看报告](reports/巴菲特Checklist-多公司对比.md) | | 大师持仓追踪 | 自定义研究 | 巴菲特/李录/段永平最新13F持仓+PDD成本分析 | [查看报告](reports/大师持仓追踪-20260408.md) | > *更多报告将持续添加。欢迎 PR 提交你用本框架生成的研究报告。* --- ## 设计理念 ### 四大师方法论融合 ``` ┌──────────────────┐ │ 段永平 │ │ "对的生意" │ │ 商业模式本质 │ └────────┬─────────┘ │ ┌──────────────────┼──────────────────┐ │ │ │ ▼ ▼ ▼ ┌────────┐ ┌──────────┐ ┌────────┐ │ 巴菲特 │ │ 芒格 │ │ 李录 │ │ 护城河 │ │ 逆向思考 │ │ 文明趋势│ │ 安全边际│ │ 风险清单 │ │ 范式转移│ │ 管理层 │ │ 偏误自查 │ │ 产业价值│ └────────┘ └──────────┘ └────────┘ ``` 四位大师不是简单的分工，而是设计来**互相挑战**的： - 段永平说"好生意"，芒格会问"怎么会死" - 巴菲特说"够便宜"，李录会问"10年后还在吗" - 你得到的不是四份报告的拼接，而是四种思维方式的碰撞 ### 金融严谨性工具 (`tools/financial_rigor.py`) | 功能 | 命令 | 解决的问题 | |------|------|-----------| | **市值验算** | `verify-market-cap` | 股价×总股本 精确计算，检测单位错误 | | **估值验算** | `verify-valuation` | PE/PB/ROE/FCF Yield 精确十进制计算 | | **多源交叉验证** | `cross-validate` | N个来源的同一数据自动比对，超过容差告警 | | **三情景估值** | `three-scenario` | 乐观/中性/悲观精确计算目标价 | | **Benford定律检测** | `benford` | 检测财务数据首位数字分布异常 | | **精确计算器** | `calc` | 任意财务表达式精确计算，替代LLM心算 | **设计原则**：所有计算使用 Python `decimal.Decimal`（精确十进制），非 `float`（浮点近似）。`0.1 + 0.2 = 0.3` 在金融场景中不允许失败。 --- ## 项目路线图 - [x] 四大师综合分析框架 - [x] 多Agent并行投研团队 - [x] 巴菲特买入前 Checklist - [x] 产业链全景扫描 - [x] 未上市公司研究框架 - [x] 金融严谨性工具（精确算术、市值验算、多源交叉验证、Benford定律检测） - [ ] 港股/A股/美股财报自动解读 - [ ] 投资组合跟踪与再平衡 - [ ] 历史回测：AI研报 vs 实际股价表现 - [ ] 宏观经济周期分析框架 - [ ] 基于MCP的实时数据接入（Wind/Bloomberg/Yahoo Finance） --- ## 免责声明 本项目仅供学习和研究目的。所有分析内容由 AI 生成，不构成任何投资建议。投资有风险，决策需谨慎。请始终做好自己的尽职调查（DYOR）。 --- ## Star History 如果这个项目对你有帮助，请给一个 Star 支持！ ## License MIT License --- > "The best investment you can make is in yourself." — Warren Buffett > > AI Berkshire：让每个人都拥有自己的投研团队。