看懵了!我以为 AI 投资就是问问股票,结果 9170 Star AI Berkshire 直接把 Claude Code/Codex 干成投研团队

嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！

这个项目最值得看的，不是“AI 能不能帮你分析股票”，而是 能不能把投研流程做成可复现的工程系统。
AI Berkshire 把 Claude Code / Codex、Skill、多 Agent、价值投资方法论和金融计算工具揉到了一起。
这篇不做投资建议，只用 3 分钟讲清：为什么一个投研框架能冲到 9170 Star，以及它对程序员有什么启发。

这张 README 图基本把项目原图里的核心结构讲清楚了：上层是 Skill 入口，中间是多 Agent 对抗，底层是数据和工具校验。

AI Berkshire 是一套面向 Claude Code 与 Codex 的价值投资研究 Skill 合集。

它不是一个简单的“股票问答 Prompt”，而是把投研任务拆成一组可调用的工作流：公司研究、财报分析、行业筛选、持仓复盘、股价异动归因、公众号文章生成等。

README 里一句话很有代表性：

一个人 + Claude Code / Codex = 一个投研团队。

你想做的事	AI Berkshire 的入口	通俗理解
深度研究一家公司	`/investment-research`	四大师视角综合分析
快速组建投研团队	`/investment-team`	4 个 Agent 并行研究
财报精读	`/earnings-review`	只读一手资料，减少二手噪声
行业筛选	`/industry-funnel`	从全市场漏斗筛到重点标的
股价异动归因	`/news-pulse`	10 分钟判断发生了什么
写投研文章	`/wechat-article`	作者、编辑、读者多角色协作

重点是：它把“问 AI”变成了“调用一套投研制度”。

为什么它有点东西

很多人用 AI 做投资研究，容易卡在一个问题上：

看起来写得很完整，但最后都是“有机会，也有风险，请自行判断”。

这种回答不一定错，但很难用来做决策。

AI Berkshire 的设计更像一个反偏见系统。它会把同一家公司拆给不同视角去看：

●商业模式：这是不是一门好生意？
●财务估值：价格和价值之间有没有安全边际？
●行业竞争：护城河会不会被反过来打穿？
●风险管理层：治理、文化、长期确定性有没有硬伤？

这些视角不是为了排队夸公司，而是为了制造必要的冲突。

比如一个视角觉得“估值很便宜”，另一个视角可能会追问“10 年后还在不在”。这才像真实投研，而不是单线程写小作文。

程序员该看什么

如果你是程序员，我建议别只看它的投资内容，而是看它背后的产品化思路。

它至少有三个值得借鉴的点：

第一，把复杂任务拆成 Skill。不是让用户写一大段 Prompt，而是提供 /investment-research、/industry-funnel、/news-pulse 这种明确入口。用户一看就知道该选哪个工作流。

第二，用多 Agent 做对抗，而不是堆字数。多 Agent 的价值不是“看起来更高级”，而是让不同角色独立查资料、独立判断、互相挑战。

第三，用工具兜住 LLM 的短板。项目里提到 tools/financial_rigor.py，用 Python decimal.Decimal 做市值、估值、三情景等精确计算，避免 LLM 心算和单位混乱。

它解决的不是“会不会买”

这点很重要。

AI Berkshire 不是一个“告诉你买哪只股票”的神器。它真正解决的是：

如何让投资研究更结构化、更可复现、更能暴露盲点。

普通问 AI，结果经常取决于你这一句 Prompt 写得好不好。

而一个研究框架，会强制你走流程：先选任务，再搜资料，再交叉验证，再算清楚，再过红线清单，最后才形成报告。

这对很多非金融项目也有启发：凡是高风险、高信息密度、需要判断纪律的任务，都可以考虑做成类似的 Skill 系统。

适合谁收藏

人群	收藏理由
AI Agent 开发者	可以学习如何把复杂决策拆成多角色工作流
Claude Code / Codex 用户	可以参考它的 Skill / Prompt 组织方式
做金融科技的人	可以看它如何处理数据校验、估值计算和报告复现
内容创作者	可以学习“研究底稿 → 公众号文章”的流程设计
价值投资学习者	可以看到一套方法论如何被结构化成工具

这篇我更愿意把它当成 AI 工作流工程化案例 来看，而不是投资项目推荐。

边界必须说清楚

项目 README 里也有免责声明：它仅供学习和研究，不构成投资建议。

我再补一句：历史收益不代表未来表现，AI 生成的投研报告也不能替代你自己的尽调。

另外，财务数据、股价、市值、汇率、公告口径都可能变化。就算有多源校验和精确计算，也只能降低错误概率，不能保证结论一定正确。

所以更合理的用法是：把它当作研究框架和思考辅助，而不是自动交易按钮。

我的判断

AI Berkshire 真正值得程序员关注的地方，是它展示了一个方向：

未来很多专业领域的 AI 产品，不会只是聊天框，而会变成一套可调用、可复现、可审计的 Skill 系统。

投资只是其中一个场景。

法律、医疗、审计、咨询、行业研究、企业战略，都可能出现类似结构：多角色、强流程、工具校验、报告输出。

这篇先作为开源项目速览。后面如果大家感兴趣，我可以继续拆它的 Skill 结构、Codex 适配方式、多 Agent 设计，以及怎么把这种方法迁移到自己的业务研究系统里。

项目地址

https://github.com/xbtlin/ai-berkshire