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 Berkshire？

AI 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：

1. 明确的结论 ：通过、不通过还是观望？
2. 量化的标准 ：便宜与否的标准是什么？
3. 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。
4. 数据严谨性 ：AI 可能算错财务数据或混淆计量单位。
5. 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：

1. 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。

2. 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 Agent：

   • Agent 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。

3. 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-berkshire

2.3 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：

1. 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。
2. 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。
3. 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）。
4. 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。
5. 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。
6. 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：

1. 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）。
2. 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。
3. 精细分析 ：对剩下的公司进行300-500字的初步分析。
4. 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）。
5. 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：

1. 公司事件 ：财报、高管变动、产品发布、诉讼等。
2. 监管政策 ：行业新规、反垄断调查等。
3. 行业对手 ：竞争对手的重大动作。
4. 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 MCP（Model 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 skill	1. 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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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。