xbtlin/ai-berkshire

AI 时代的伯克希尔：基于 Claude Code 的价值投资研究框架。巴菲特·芒格·段永平·李录四大师方法论 + 多Agent并行研究。| AI-era Berkshire: a value investing research framework built on Claude Code. 4 masters' methodologies + multi-agent adversarial analysis.

這是什麼

AI Berkshire 是一套把價值投資流程做成 Claude Code / Codex Skill 合集的投研框架。它不是單純丟一句 prompt 請 AI「分析某家公司」，而是把巴菲特、芒格、段永平、李錄四種方法論拆成可執行的研究入口，讓 Agent 依照固定流程完成資料收集、商業模式判斷、護城河檢查、逆向思考、管理層評估、估值與安全邊際等工作。README 把它概括成「一個人 + Claude Code / Codex = 一個投研團隊」：核心架構分為 Skill 層、Agent 層、工具層，前者定義研究場景，中間讓多個 Agent 並行、互相挑戰，底層則用精確計算與交叉驗證降低財務資料錯誤。

為什麼上榜

這個專案今天累積 4,089 stars，單日新增 685 stars，會爆紅不只因為「AI + 投資」題材，而是它抓到一般 LLM 投研最被詬病的痛點：答案看起來完整，卻常常沒有決策紀律。README 強調 AI Berkshire 會要求輸出「通過／不通過／灰色地帶」、價格區間與分層建議，而不是用「一方面、另一方面」收尾。另一個亮點是 四大師視角對抗：同一家公司可能在巴菲特視角顯得便宜，卻在李錄視角被質疑十年確定性；這種刻意製造矛盾的設計，比單一角色 prompt 更接近真實投委會討論。不過 README 中列出的實盤收益仍屬歷史表現，文件本身也明確提醒不代表未來。

適合誰，可以拿來做什麼

它最適合已經使用 Claude Code 或 Codex、並希望把投資研究變成 可重複流程的人：例如想固定比較多家公司、半年後重跑同一套標準、或把財報精讀、產業掃描、持倉檢視拆成明確工作流的個人投資者與研究者。README 列出 18 個 skills，涵蓋單公司深度研究、多 Agent 投研團隊、財報分析、行業漏斗、供應鏈瓶頸、買入前 checklist、投資論文追蹤與股價異動歸因等。上手門檻不在 Python 本身，而在你要先接受這套框架的前提：它追求的是 紀律化投研輸出，不是保證報酬，也不是替你免除判斷。

上手

README 提供 Claude Code 與 Codex 兩種安裝路徑。以 Claude Code 為例，先安裝客戶端，再複製 commands：

npm install -g @anthropic-ai/claude-code
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
./scripts/install-claude-commands.sh

Codex 使用者則可安裝 Codex 後，透過專案腳本把 canonical workflow 轉成 Codex skills：

git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
./scripts/install-codex-skills.sh
./scripts/install-codex-prompts.sh

安裝後可在 Claude Code 直接呼叫 /investment-research 腾讯、/investment-team 美团、/earnings-review 腾讯 2025Q4 等指令；Codex 則以自然語言要求使用對應 skill。

README 重點摘要

• 專案把投研分成 Skill / Agent / 工具三層：場景入口、多 Agent 並行判斷、精確計算與抽檢互相配合。
• README 強調反偏見機制，包括資訊豐富度評級、芒格式逆向檢驗、快速否決清單、反共識檢查與「不知道就留白」。
• 財務嚴謹性是核心賣點之一：關鍵數據要求至少 2 個獨立來源交叉驗證，計算使用 decimal.Decimal 避免浮點誤差。
• 內建 18 個 skills，從公司研究、財報精讀、行業篩選到持倉管理都有對應入口。
• README 展示多份實戰報告與歷史收益截圖，但文件也附上免責聲明：歷史收益不代表未來表現。