如果你想买一只股票，打开 ChatGPT 问”帮我分析一下拼多多值不值得买”，你会得到一篇标准的”一方面…另一方面…”式分析。最后大概率以”投资有风险，请自行判断”收尾。

看起来什么都说了，但什么决策也做不了。

GitHub 上一个叫 ai-berkshire 的项目这周火了（+1270 星），它做的事情就是解决这个问题：让 AI 给出真正能用来做决策的投资研究，而不是两面讨好的废话。

核心卖点很直接——一个人 + Claude Code = 一个投研团队。

不是纸上谈兵

作者声称这套框架已经实盘验证了两年：

指标 2024 全年 2025 至今
本框架实盘 +69.29% +66.38%
标普500 +23.31% +16.39%

2024 年实盘收益

2024 年超额收益：跑赢标普 46 个百分点。2025 年至今跑赢标普 50 个百分点。

当然，历史收益不代表未来表现。但这个数据确实让人想看看它到底是怎么做的。

四大师方法论 + 多 Agent 对抗

AI Berkshire 的核心设计是把巴菲特、芒格、段永平、李录四位价值投资大师的方法论分别变成独立的 AI Agent。

以分析拼多多为例，四个视角会给出完全不同的判断：

  • 段永平视角（商业模式）：C2M 模式难以复制 → 评分 3.7/5
  • 巴菲特视角（财务估值）：扣现金 PE 仅 6.3x → 评分 4.4/5
  • 芒格视角（逆向思考）：护城河比想象中浅 → 评分 3.5/5
  • 李录视角（长期确定性）：管理层文化有隐患 → 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。

最终输出不是”一方面…另一方面…”，而是强制给出明确的买卖建议和价格区间。

多 Agent 架构

AI Berkshire 架构图

四个 Agent 各自独立：

  • Agent 1：商业模式（段永平视角）
  • Agent 2：财务估值（巴菲特视角）
  • Agent 3：行业竞争（芒格视角）
  • Agent 4：风险与管理层（李录视角）

每个 Agent 独立搜索网络、交叉验证数据、独立给出结论，最后由 Team Lead 综合。

和直接问 AI 有什么不同？

强制决策纪律。镜子测试——5 句话说不完整 = 不买，没有例外。

防”看起来很对”机制。内置多层验证：信息丰富度评级（A/B/C）、芒格式逆向检验、快速否决清单（8 条红线一票否决）、反共识检查。

精确计算。所有财务计算用 Python decimal.Decimal，不用 float。关键数据至少 2 个独立来源交叉验证。

16 个 Skill

整个框架包含 16 个 Skill，覆盖深度研究、财报分析、行业筛选、持仓管理四大类。

这种”把专家方法论编码成 AI 可执行的技能”的思路，不只适用于投资——任何需要专业判断的领域都能套用。

怎么用？

支持 Claude Code 和 Codex 两个平台：

1
2
3
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
./scripts/install-claude-commands.sh

装完后在 Claude Code 里直接调：

1
2
3
/investment-research 腾讯
/investment-checklist 茅台, 英伟达, 苹果
/industry-funnel AI算力

参考链接

  1. AI Berkshire 项目主页
    https://github.com/xbtlin/ai-berkshire

  2. InvestSkill（类似项目）
    https://github.com/yennanliu/InvestSkill