【ai-berkshire】用工程化流程约束 AI，打造你的专属价值投研团队

如果你曾尝试让 AI 直接帮你分析股票，大概率会收到一份“一方面……另一方面……”的平衡报告，最后附上标准免责声明，看似全面却毫无决策价值。AI Berkshire 正是为了解决这一痛点而生的开源投研框架。它将四位价值投资大师的方法论系统化，并通过多智能体协作、防偏见机制与精确计算工具，把 AI 从“生成泛泛分析的聊天机器人”升级为能输出明确结论、目标价格区间与操作建议的决策辅助工具。

核心功能与特性

该项目并非简单的提示词堆砌，而是一套完整的结构化研究管线，主要特性包括：
– 强制输出明确结论：摒弃 AI 常见的模糊话术，直接给出“通过/不通过/灰色地带”的判定，并针对不同风险偏好提供分层建仓建议与具体价格区间。
– 四大师多 Agent 并行对抗：模拟真实机构团队协作，启动 4 个独立智能体分别从商业模式、财务估值、行业竞争、风险管理视角进行深度研究，最终由统筹角色汇总。这种设计刻意保留了视角间的“张力”，有效避免单一模型的盲区。
– 结构化反偏见与风控机制：内置信息丰富度评级、逆向思考检验（强制推演失败场景）、8条红线快速否决清单、反共识检查以及“留白原则”，层层过滤 AI 幻觉与过度自信。
– 金融级数据精确计算：针对大语言模型算术不可靠的缺陷，配套独立 Python 工具链。所有财务运算采用精确十进制，并强制关键数据多源交叉验证，误差超 1% 自动告警。
– 可复现的标准化流程：确保相同输入能产出结构一致、评分维度统一的报告，支持跨公司横向对比或同一标的的历史纵向追踪。
– 16 个场景化 Skill 全覆盖：模块化设计涵盖单公司深度研究、财报精读、产业链漏斗筛选、持仓组合管理、股价异动快速归因及思维模拟，按需调用。

安装与快速上手

项目基于 Claude Code 运行，配置流程轻量且开箱即用。在终端中执行以下步骤即可：

# 1. 全局安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 2. 克隆仓库并将 Skills 注入全局命令目录
git clone https://github.com/xbtlin/ai-berkshire.git
cp ai-berkshire/skills/*.md ~/.claude/commands/

配置完成后，在 Claude Code 环境中即可通过斜杠指令直接调用对应工作流：

# 对单家公司进行四大师综合深度分析
/investment-research 腾讯

# 启动多 Agent 并行投研团队（最全面模式）
/investment-team 美团

# 产业链漏斗式筛选：从全市场层层过滤至 3 家核心标的
/industry-funnel AI算力

# 股价大涨/大跌时 10 分钟快速归因
/news-pulse 腾讯 跌12%

适用场景与目标人群

该框架主要面向个人投资者、独立金融研究员及具备基础财务常识的理财爱好者。它特别契合以下实际需求：
– 缺乏机构资源的散户：需要一套纪律化的分析标准替代情绪化交易，获取清晰的买卖逻辑与安全边际测算。
– 高效初筛与排雷：面对海量标的，利用硬性指标快速剔除劣质企业，或通过产业链全景扫描锁定核心受益环节。
– 财报季独立解读：不依赖二手券商研报，直接基于原始财报数据进行结构化拆解与核心指标交叉验证。
– 持仓跟踪与异动应对：建立买入后的投资论文追踪系统，或在面对股价剧烈波动时快速定位驱动因素，避免盲目恐慌操作。

总结

AI Berkshire 的底层设计非常务实：用标准化的工作流收敛 AI 的发散性，用价值投资的底层纪律对冲市场的噪音。它将抽象的投资哲学转化为可执行、可验证的指令模块，显著拉低了高质量投研的门槛。需要客观指出的是，AI 输出的是研究框架与数据推演，而非市场预测的“水晶球”，历史表现不代表未来收益，任何决策仍需结合个人风险承受能力进行独立验证。如果你希望让 AI 真正融入严肃、理性的投资分析环节，而非仅仅停留在信息摘要层面，这套工具值得深入试用。