AI Berkshire 深度分析
📋 项目概览
AI Berkshire 是一套兼容 Claude Code 和 Codex 的投资研究 Skill 合集，由开发者 xbtlin 于 2026 年 4 月创建。它将巴菲特、芒格、段永平、李录四位大师的价值投资方法论系统化，通过多Agent并行架构实现专业级投资研究。
核心理念：一人 + Claude Code/Codex = 一个投研团队。
截至目前，GitHub 上有 8 个开放 Issues，主要讨论话题包括：架构设计优化、Token消耗管理、A股适用性、与大师思维的过拟合风险等。
📈 实盘业绩验证
项目宣称的实盘数据（来自富途证券真实账户）：
| 指标 | 2024 全年 | 2025 全年 |
|---|---|---|
| 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% |
这些业绩更多体现的是该框架所封装的投资方法论本身的"投资能力"，以及将这种能力系统化、可复现的"框架能力"。项目2026年4月才创建，2024-2025年的数据是这套投资体系在框架开源前的实际操作表现。项目本身定位为"白箱研究助理系统"而非"黑箱交易系统"——这是关键区别。
🧠 四大师：方法论驱动
不是四个独立分析报告拼在一起，而是四个思维系统相互碰撞，产生真实的矛盾与张力。
💡 你提到的"狼哥" = 芒格(Munger)的语音同音字。芒(máng)→狼(láng)是很常见的语音识别误差。
🏗️ 架构设计：三层 + 多Agent并行
巴菲特
芒格
段永平
李录
每个 Skill 内部都是 4 个 Agent 同时独立工作——各自搜索、各自判断、各自给出结论，最后由 Team Lead 综合。等于 4 倍搜索量、4 倍信息源、4 个独立视角。
🛡️ 结构化反偏见机制
项目最核心的差异化能力——在流程中内置多层"防骗"机制，解决AI最容易出的问题（看起来很对但经不起推敲）。
⚡ 强制结论，不打太极
强制输出 Pass / Fail / Gray Zone，带具体价格区间和分层建议（激进/稳健/保守），不做两面讨好的"一方面...另一方面..."。
🔍 信息丰度评级 (A/B/C)
数据有限时标注置信度，防止"资料多=确定性高"的幻觉——推算指标明确标注为估算值。
💰 金融级精度
所有计算使用 Python decimal.Decimal（精确十进制），不用 float。市值手算：股价×总股本，多源交叉验证偏差<0.1%。
🔴 8条快速否决红线
任何一条触发即一票否决——管理层诚信污点、核心业务萎缩、过度杠杆等，不管估值多便宜。
🔄 芒格式逆向检验
"什么情况下这家公司会死？"——列出5大失败情景及概率，强制思考失败的路径。
💭 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。
📊 可复现结构
同一评分标准横向对比7家公司；同一家公司半年后重分析可直接对比变化。
🔄 反共识检查
"聪明人为什么在做空？"——主动搜索被忽视的风险信号，避免和市场想得一样。
🎯 18 Skills 一览
📝 实战输出示例
7家公司用同一 CheckList 筛选：
| 公司 | 结论 | 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 |
🤖 多AI验证：新加坡 Gemini 分析
通过 SSH 调用新加坡服务器 root@47.82.162.85 上的 Gemini API（带 Google Search 工具），对 AI Berkshire 进行独立验证。
✅ 技术实现
可行且创新。不是简单拆prompt，而是真正的多Agent并行架构，4个独立Agent各自搜索、各自判断、互相挑战。
✅ 独立判断能力
四视角确实能产生真实矛盾张力——例：拼多多"巴菲特说便宜，李录说不确定就不买"——这正是投资决策的真实状态。
⚠️ 业绩归因
69%/66%收益率是"这套投资体系+作者投资能力"的综合体现，框架辅助但不全是框架。项目2026年4月才开源。
✅ 与直接问AI的本质提升
强制结论、四视角对抗、反偏见机制、金融级精度、可复现结构——这5项确实构成质的飞跃。
⚠️ 风险与局限
①依赖底层LLM能力（AI幻觉仍有）②市场情绪/宏观事件难量化 ③需要Claude Code/Codex环境 ④Token消耗大（社区有反馈）
✅ K38适用性
高度适合作为投研辅助工具：提升效率、减少偏见、增强决策纪律。但需保持为"研究助理系统"而非"独立决策系统"。
💬 社区声音（GitHub Issues）
🅺 K38 投研整合评估
✓ 推荐场景
- 项目初始调研：对潜在投资标的进行四大师视角的快速全面分析
- 财报解读：使用 earnings-review/earnings-team 精读季报，不依赖二手研报
- 行业扫描：对某个赛道的全部玩家进行横向筛选（industry-funnel）
- 持仓复核：定期 thesis-tracker 追踪持仓逻辑是否仍然成立
- 反向验证：已有判断时用AI Berkshire做独立分析比对
⚠️ 注意事项
- 需要 Claude Code/Codex：目前兼容这两款，不能用 Hermes Agent 直接跑
- Token消耗大：一次完整分析可能消耗数万~数十万tokens
- 不适合短线/投机：框架设计是为价值投资服务的长线决策
- 数据质量依赖：对信息稀缺的早期/非上市公司效果有限
- 决策权在人类：必须作为"研究助手"而非"决策者"
最佳用法：利用其 /investment-team 或 /investment-research 快速获取四视角综合报告；利用反偏见机制对已有假设进行批判性检验；用于学习和培训新人（方法论教学工具）。最适合分析：商业模式清晰、数据充足、处于成熟/稳定增长期的价值股。不适合高度投机、早期创业型、数据稀缺的公司。
📊 综合评分
| 维度 | 评分 | 说明 |
|---|---|---|
| 创新性 | ★★★★★ | 把价值投资方法论变成可执行的AI Agent系统，思路独特 |
| 技术实现 | ★★★★☆ | 多Agent并行、精确计算、MCP集成——架构设计扎实 |
| 实用性 | ★★★★☆ | 对价值投资者极其实用，但需要Claude Code/Codex环境 |
| 业绩可信度 | ★★★☆☆ | 收益率真实(有截图)，但归因到框架多少不确定 |
| 社区活跃度 | ★★★★★ | 3个月9k+ Stars，社区反馈积极，Issues讨论质量高 |
| K38适用性 | ★★★★☆ | 高度匹配价值投资需求，但需解决Claude Code/Codex依赖 |
| 综合 | ★★★★☆ | 强烈推荐的AI投研辅助系统，但需要正确的使用姿势 |