AI Berkshire 把投研写成流程

问 AI 一只股票值不值得买，最常见的结果不是答案太短，而是答案太圆。

利好、利空、风险、机会都能说上一遍，看着很完整，真到要不要继续研究、要不要排进观察名单，还是没法动手。AI Berkshire 盯的就是这层空档。它不是再写一套“巴菲特风格提示词”，而是把投资研究拆成技能入口、并行视角和校验工具，逼着分析往结论和纪律上收。

AI Berkshire 当前同时兼容 Claude Code 和 Codex。按官方 README，它把整套框架分成 19 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几组入口；团队型 skill 会再调起多个 agent 并行研究，底下还接了精确计算、交叉验证和报告抽检工具。这个方向和前面写过的 Agent Skills：让 AI 写代码有流程 很像，只是这次换成了投研。

直接问 AI 容易得到两面都能讲通的分析，最后还是停在“很难下结论”

这套设计里最有用的，不是首页摆出的收益数字，而是它把“不能只问一嘴”写成了硬规则。README 直接把问题挑明：普通问法很容易落到“一方面……另一方面……”的平衡分析，所以框架强制给出 通过 / 不通过 / 灰色地带 三种结论，还要带价格区间和分层建议。里面甚至放了“镜子测试”这种很投研味的闸门: 五句话说不完整，默认不买。

再往里看，四位投资人的方法也不是分开摆着好看。巴菲特看护城河和估值，芒格专门往失败场景上压，段永平盯生意本质，李录更在乎十年后的确定性。官方示例里，这几个视角本来就会互相顶牛。一个说便宜，另一个可能直接说不确定；一个觉得是好生意，另一个追问这家公司怎么死。对投资研究来说，这种冲突比“统一口径的漂亮分析”更有价值，因为盲点往往就藏在没人反驳的时候。

它更像让四种研究视角互相挑战，最后再落到通过、灰区或不通过

还有一层很关键，但很多人容易忽略: 它把金融数据的校验也写进了流程。README 和 AGENTS.md 都强调，关键数据需要至少两个独立来源，市值、估值和情景计算要走 tools/financial_rigor.py 这类精确工具，而不是让模型自己心算。对一般技术项目来说，数字写错常常只是尴尬；对投研框架来说，PE、小数点和币种一旦错位，后面的判断会整片歪掉。这个仓库至少在方法上承认了这件事。

按当前资料，它的整体结构也比较清楚。第一层是 19 个 skill 入口，负责把不同任务拆开；第二层是 team lead 加多 agent，对深度研究和财报类任务做并行分析；第三层才是数据验证、精确计算和报告抽检。这种三层拆法的好处是，轻任务不用动整套团队，重任务又不会只剩一句模糊 prompt。想快速筛公司，可以用 /quality-screen 或 /investment-checklist；想把一家公司从商业模式、管理层、估值一路拉通，再上 /investment-research 或 /investment-team。

19 个技能入口、并行 agent 和底层校验工具被拆成了三层，而不是全塞进一个大 prompt

不过这类项目越完整，越不能被误读成“AI 已经会替你做投资决定”。官方自己也写了两条边界。第一条是研究质量规则: 最新数据要先确认日期，关键财务数据要双源验证，低置信度结论必须标出来。第二条更直接: 这个项目只用于学习和研究，不构成投资建议。换句话说，它最适合的是愿意把研究过程收紧、愿意自己复核数字和假设的人；如果只是想把买卖判断整个外包给 AI，这套框架反而会显得太重。

这也是 AI Berkshire 真正值得看的地方。它没有把投研包装成“再问一个更聪明的 prompt”，而是承认投资分析本来就该有冲突、校验、留白和停手机制。对已经在用 Claude Code、Codex 或别的 agent 工具处理知识工作的人来说，这种把判断过程写成流程的思路，比单次输出一份“看起来很懂”的报告更值得借。

它适合当研究流程的放大器，不适合被当成自动投顾或一键买卖按钮

如果最近正好在想，AI 到底能不能碰投研，这个仓库可以提供一个更实在的角度: 先别问它能不能替你赚钱，先看它有没有办法让研究过程少一点打太极，多一点可复查的纪律。这一步要是站不住，后面谈结论都太早了。

项目地址：

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

• AGENTS.md: https://github.com/xbtlin/ai-berkshire/blob/main/AGENTS.md