xbtlin/ai-berkshire 是中文圈当下最系统的开源价值投资研究框架,3 个月累计 12,400+ stars。它把全球公认的四位价值投资大师的方法论系统化、结构化,通过 Claude Code / Codex 的 Skill 机制落地为 19 个可执行的研究工作流,「investment-team」这一个 Skill 就能并行调度 4 个独立 Agent 同时研究一家公司,等于「一个人 + Claude Code = 一个投研团队」。
最值得关注的是实盘验证。维护者在 README 里公开了过去两年的真实账户业绩:2024 全年 +69.29%,2025 全年 +66.38%,两年累计跑赢恒生指数超 90 个百分点、跑赢标普 500 近 100 个百分点。这意味着这不是又一个「理论上很美」的 AI 投研框架,而是经过真金白银验证的投资体系。
对中文用户来说,它的另一价值是「深度本地化」——大量分析案例来自 A 股、港股、中概股(腾讯、英伟达、美团、快手、拼多多、泡泡玛特、茅台),对国内投资人更友好。仓库已经支持中英日三语 README,Skill 文档也都有中文版。
一、项目简介
ai-berkshire 由 xbtlin 个人开发者维护,定位是「AI 时代的价值投资研究框架」。
几个核心数据:
- GitHub stars:12,433,过去 30 天新增约 4,000 stars
- 立项时间:2026 年 4 月 7 日,3 个月做到 12K stars
- 许可证:MIT
- 语言:Python 100%
- 维护状态:高活跃,Skill 体系持续迭代,作者公众号「复利炼丹炉」同步更新实战报告
- 兼容 Agent:Claude Code + Codex(双 canonical workflow)
它针对的是一个非常具体的痛点——传统 AI 投研的输出都是「看起来对」但「拿不了决策」,因为缺乏强制结论、多视角对抗、反偏见机制、金融数据精度保障。AI Berkshire 通过 Skill 机制把这四个问题彻底工程化:每个 Skill 都是独立可调用的工作流,从单一公司深度研究、多公司横向对比、组合管理、个股财报精读、行业筛选、个股尽调等场景一站式覆盖。
它跟「直接问 AI 选股」的根本区别在于:把价值投资大师们的思考方式变成了可重复执行的工作流,而非一个 prompt 模板。这种工程化能力让任何会跑 Claude Code 的人,都能获得接近专业投研团队水准的分析输出。
二、核心功能
2.1 19 个 Skill 一览
仓库按场景提供 19 个明确入口,分五大类:
🔬 深度研究类(5 个):
/investment-research:四大师综合深度分析/investment-team:4 Agent 并行投研团队/management-deep-dive:管理层纵深研究/private-company-research:未上市公司研究(蚂蚁、SpaceX 等)/deep-company-series:8 篇长文系列拆一家公司
📊 财报分析类(2 个):
/earnings-review:财报精读/earnings-team:4 Agent 并行解读财报
🏭 行业筛选类(5 个):
/industry-research:产业链全景/industry-funnel:行业漏斗/quality-screen:7 条硬指标去劣/bottleneck-hunter:供应链瓶颈猎手/investment-checklist:买入前 Checklist
📈 持仓管理类(4 个):
/portfolio-review:组合管理/thesis-tracker:投资论文追踪/thesis-drift:论文漂移检测/news-pulse:股价异动归因
🧠 思维工具类(3 个):
/dyp-ask:以 DYP 方式思考任何问题/financial-data:财务数据获取与交叉验证/wechat-article:公众号文章协作
2.2 4 Agent 并行研究
/investment-team Skill 启动 4 个独立 Agent 同时研究一家公司,各自搜索网络、交叉验证数据、独立给出结论,Team Lead 再综合。这不是把一个 prompt 拆成四段,而是 4 个「分析师」各自做完完整研究。
2.3 强制给结论
普通 AI 给的是「一方面…另一方面…」的平衡分析,AI Berkshire 强制输出:通过 / 不通过 / 灰色地带,带具体价格区间和分层建议。配合「镜子测试」:5 句话说不完整 = 不买。
2.4 多视角对抗
每个公司同时被 4 个不同方法论的 Agent 分析,会产生真实矛盾与张力。例:
- 段永平视角:商业模式打分 3.7
- 巴菲特视角:财务估值打分 4.4
- 芒格视角:逆向思考打分 3.5
- 李录视角:长期确定性打分 2.0
这种张力才是真实决策状态,避免盲点。
2.5 反偏见机制
内置多层防骗机制: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)、反共识检查、留白原则。
2.6 金融数据精确性
所有计算用 Python decimal.Decimal,不用 float。关键数据至少 2 个独立来源交叉验证,误差 >1% 自动告警。提供 tools/financial_rigor.py 用于市值、估值、增速等敏感数据的精确计算。
2.7 实盘业绩验证
维护者公开了过去两年实盘业绩:2024 +69.29% / 2025 +66.38%,跑赢所有全球主要指数。
2.8 中文投资标的覆盖
大量案例基于 A 股、港股、中概股:腾讯、英伟达、美团、快手、拼多多、泡泡玛特、茅台、SpaceX、蚂蚁等。
2.9 双 Agent 客户端兼容
同一套 canonical workflow,同时支持 Claude Code 和 Codex。用户根据自己订阅选择,无需切换工具链。
2.10 公众号文章生产
/wechat-article Skill 把投研结果直接生产成公众号可发布的文章。作者 Agent + 编辑 Agent + 读者评审 Agent 协作,产出可发布级别的内容。
三、使用场景
3.1 个人投资者深度研究
散户想买一家公司,但不知道从哪入手。用 /investment-research 一次性获得 4 个视角的深度分析报告,直接用于投资决策。
3.2 机构内部投研升级
中小投顾、私募、券商研究部、FA 团队,可以用这套框架当作「AI 投研助手」,把分析师从重复劳动里解放出来。
3.3 财报精读自动化
季报年报出来时,用 /earnings-review 精读一手财报,不依赖二手研报,理解公司真实经营情况。
3.4 行业扫描与标的筛选
想进入某个新行业(比如具身智能、低空经济),用 /industry-research 做产业链全景扫描,找到上下游关键公司。
3.5 组合管理
持仓较多时,用 /portfolio-review 检查仓位集中度、行业分散度,生成再平衡建议。
3.6 投资论文跟踪
买入某只股票后,用 /thesis-tracker 持续跟踪投资逻辑是否被证伪,做到买入前深度尽调、买入后纪律跟踪。
3.7 股价异动归因
盘中某只股票突然跌 5%,用 /news-pulse 10 分钟搞清发生了什么,是基本面变化还是情绪波动。
3.8 投资学习
想系统学习价值投资,但没时间读四本书。用 /dyp-ask 以四位大师的思维框架问任何问题,潜移默化学会价值投资。
3.9 内容生产
公众号主理人、财经博主,把 AI Berkshire 的研报直接生产成可发布文章,效率提升 5-10 倍。
3.10 公司尽调
要做一级市场投资、并购尽调、二级市场深度买入,都可以用这套框架做尽调底稿。
四、安装与使用
4.1 安装 Agent 客户端
Claude Code 用户:
Codex 用户:
curl -fsSL https://chatgpt.com/codex/install.sh | sh
# 或
npm install -g @openai/codex
4.2 安装 AI Berkshire
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
# 在 Claude Code 中加载 skills
# Codex
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
# 在 Codex 中加载 skills
4.3 启动深度研究
在 Claude Code 里输入:
会触发 4 Agent 并行研究,输出标准化的「四大师综合分析报告」。
4.4 4 Agent 并行团队
启动 4 个独立 Agent 同时研究,Team Lead 综合。
4.5 财报精读
只读原始财报,不依赖二手研报。
4.6 组合检查
把当前持仓列出来,框架会做组合诊断。
4.7 模型选择策略
深度投研 Skill 适合最强模型(Opus 4.6 / GPT-5.4),轻量 Skill(/quality-screen、/news-pulse)可用轻量模型。
4.8 成本控制
先用 /quality-screen 做粗筛,只有通过的公司再跑 /investment-team。避免在明显不通过的公司上消耗深度研究资源。
五、技术亮点
5.1 Skill 工程化
把价值投资方法论抽象成 19 个明确入口,每个 Skill 都是可单独调用、独立文档化的工作流。这种工程化让任何会跑 Agent 的人都能用上专业投研能力。
5.2 多 Agent 并行调度
/investment-team 启动 4 个独立 Agent 并行研究,4 倍搜索量、4 倍信息源、4 个独立视角。这种「调度员 + 多 Agent」的范式是 AI 投研的当下最优解。
5.3 反偏见多层防护
信息丰富度评级、芒格式逆向检验、快速否决清单、反共识检查、留白原则——多重机制叠加,避免 AI 给出「看起来对但经不起推敲」的答案。
5.4 金融数据精度
decimal.Decimal 强制精确十进制、关键数据 2 源交叉验证、tools/financial_rigor.py 工具化校验。这套精度保障是 AI 投研能否用于真实投资决策的关键。
5.5 实盘验证
不是纸上谈兵,维护者公开了 2024 / 2025 两年实盘账户截图,跑赢全球主要指数。这种实盘验证是其他 AI 投研框架不具备的。
5.6 中文本地化
大量案例覆盖 A 股、港股、中概股,中文 Skill 文档,微信公众号协同。对国内投资人完全零门槛。
5.7 双 Agent 客户端
同一套 workflow 同时支持 Claude Code 和 Codex,用户根据自己订阅选择。这种「不锁定 Agent」的开放性对长期使用很重要。
5.8 三层架构
Skill 层(19 个入口) + Agent 层(Team Lead 调度 4 Agent) + 工具层(精确计算、实时检索)。这种分层让能力可以独立升级维护。
5.9 19 个 Skill 协同
Skill 之间不是孤立工具,而是有协同关系:/quality-screen 先粗筛 → /investment-team 深度研究 → /portfolio-review 组合管理 → /thesis-tracker 持续跟踪。一个完整的投资生命周期全覆盖。
六、同类项目对比
| 仓库/工具 | 定位 | 实盘验证 | 中文覆盖 |
|---|---|---|---|
| xbtlin/ai-berkshire | 价值投资研究框架 | ✅ 公开两年业绩 | ✅ 中英日 |
| ValueCell(社区) | AI 投研社区 | ❌ | 部分 |
| OpenBB | 金融数据开源平台 | ❌ | ✅ |
| 各类券商 AI 助手 | 商业产品 | ❌ | ✅ |
| 直接问 Claude/GPT | 通用 AI | ❌ | ✅ |
AI Berkshire 的独特性:把方法论(非数据)工程化 + 多 Agent 并行(非单一 prompt) + 反偏见机制(非靠用户自我警惕)+ 实盘验证(非纯理论)。这种组合在开源 AI 投研赛道里当下独一无二。
七、常见问题
AI Berkshire 是免费的吗?
是的,MIT 许可证,代码完全开源,可以商用、可修改。运行成本取决于 LLM 调用,深度研究 Skill 适合 Opus 4.6 / GPT-5.4 这类强模型,单次跑下来 token 消耗较高,需要按订阅预算评估。轻量 Skill 成本可控。
实盘业绩是真的吗?
README 明确说明:历史收益不代表未来表现,截图来自富途证券真实账户。这种透明披露比「假设性回测」可信度更高,但读者仍需自己判断。
跟直接问 GPT/Claude 选股有什么不一样?
直接问 GPT 得到的是「看起来对」的分析——两面讨好、缺乏结论、没有数据交叉验证。AI Berkshire 通过 Skill 机制强制给结论、四视角对抗、2 源数据校验、反偏见机制,产出的是「可以拿来决策」的报告。质量差异显著。
个人投资者能用吗?
能用,但要做好成本评估。一次 /investment-team 跑 4 个 Agent,token 消耗较大。建议先用 /quality-screen 做粗筛,只对通过的公司跑深度研究。普通用户每月 1-2 次深度研究即可控制成本。
跟券商 AI 助手比怎么样?
券商 AI 助手是商业 SaaS,通常只能查自家数据、做基础分析。AI Berkshire 是开源方法论框架,不绑定任何数据源,可以接入任意数据源、覆盖任意市场。深度研究的质量上限也更高,因为有反偏见机制和 4 Agent 对抗。
覆盖中国股市吗?
覆盖。大量案例基于 A 股、港股、中概股(腾讯、美团、快手、拼多多、泡泡玛特、茅台),也支持美股(英伟达、SpaceX)。中文用户能直接用于国内投资决策。
公众号「复利炼丹炉」是维护者的吗?
是。仓库是完整框架,公众号是精选研究——真正值得深研的公司,加上报告之外维护者自己的判断与取舍。两者协同,公众号提供「观点」,仓库提供「方法」。
我要评论