AI Berkshire: Value-Investing-Recherche mit Claude Code und Codex

ai-berkshire: dokumentierter Zweck

Das Repository beschreibt sich selbst als eine Sammlung von Investment-Research-Fähigkeiten, die sowohl mit Claude Code als auch mit Codex kompatibel sind. Es systematisiert die Methoden von vier Value-Investing-Meistern: Buffett, Munger, Duan Yongping und Li Lu. Das README präsentiert es als eine Möglichkeit für eine Person, die Claude Code oder Codex verwendet, als ein ganzes Investment-Research-Team zu agieren. Laut den Repository-Metadaten ist das Projekt hauptsächlich in Python geschrieben, und die Codebasis enthält Shell-Skripte zur Installation und ein Python-Tool für Finanzberechnungen. Das README behauptet nicht, eine eigenständige Anwendung zu sein; es ist eine Reihe von Fähigkeiten und Skripten, die innerhalb von KI-Coding-Clients ausgeführt werden. Das README berichtet über ein mit echtem Geld finanziertes, geprüftes Portfolio mit Jahresrenditen von +69,29 % im Jahr 2024 und +66,38 % im Jahr 2025. Es vergleicht diese Zahlen mit dem Hang Seng Index, dem S&P 500, dem CSI 300 und dem NASDAQ Composite, die es in beiden Jahren übertroffen haben will. Es gibt auch an, dass die kumulierten Live-Renditen über zwei Jahre 1,46 Millionen CNY übersteigen. Screenshots von einem echten Brokerkonto bei Futu Securities sollen die Behauptungen stützen. Das README enthält einen Haftungsausschluss, dass vergangene Leistungen keine Garantie für zukünftige Ergebnisse sind. Die Quelle bietet keine unabhängige Verifizierung oder einen Prüfpfad, daher sind diese Zahlen Behauptungen des Repository-Betreuers, keine festgestellten Tatsachen. Das README argumentiert, dass die direkte Frage an ein Modell nach einer Anlagemeinung eine ausgewogene, unverbindliche Antwort liefert, die richtig aussieht, aber keine Entscheidungen vorantreiben kann. Um dies zu beheben, erzwingt das Framework ein Urteil über eine Pass-, Fail- oder Gray-Zone-Ausgabe mit spezifischen Preisspannen und abgestuften Empfehlungen. Es fügt eine Vier-Meister-Dialektik hinzu, sodass die Perspektiven von Duan Yongping, Buffett, Munger und Li Lu gegeneinander laufen und Konflikte erzeugen, anstatt eine einzige geglättete Sicht. Das README beschreibt auch strukturierte Anti-Bias-Mechanismen: eine Informationsreichhaltigkeitsbewertung (A/B/C), einen Inversionstest im Munger-Stil, eine Schnelltötungs-Checkliste mit acht roten Linien, einen Konträr-Check und eine intellektuelle Ehrlichkeitsregel, die "Ich weiß es nicht" der Spekulation vorzieht. Es behauptet, dass diese Mechanismen in den Fähigkeiten existieren, aber das README bietet keine formale Bewertung ihrer Wirksamkeit. Die Architektur wird als aus drei Ebenen bestehend beschrieben. Die Fähigkeitsebene abstrahiert Aufgaben in zwanzig Einstiegspunkte, die Deep Research, Gewinnanalyse, Branchenscreening, Portfoliomanagement und Denkwerkzeuge abdecken. Die Agentenebene führt vier Master-Perspektiven-Agenten parallel unter einem Teamleiter für Fähigkeiten wie /investment-team und /earnings-team aus, während leichtere Fähigkeiten Werkzeuge direkt aufrufen. Die Werkzeugebene umfasst präzise Berechnungen, Echtzeit-Websuche und Berichtsprüfung. Das README listet zwanzig Fähigkeiten mit Namen und Zwecken auf, darunter /investment-research, /industry-funnel, /quality-screen, /news-pulse und /wechat-article. Jede Fähigkeit hat eine Markdown-Datei im Verzeichnis skills. Das README dokumentiert nicht den vollständigen Inhalt jeder Fähigkeit über die Übersichtstabelle hinaus. Das README bietet separate Installationsschritte für Claude Code und Codex. Für Claude Code unter macOS oder Linux klonen Sie das Repository und führen ./scripts/install-claude-commands.sh aus. Windows-Benutzer führen die entsprechende .bat-Datei aus. Für Codex gibt es ./scripts/install-codex-skills.sh und optional ./scripts/install-codex-prompts.sh für Slash-Prompts. Windows-Versionen verwenden .bat-Dateien. Das Repository pflegt drei Einstiegspunkte: skills/*.md als Claude-Code-Befehlsquellen, codex-skills/*/SKILL.md, die von scripts/sync-codex-skills.py aus skills/*.md generiert werden, und codex-prompts/*.md als optionale Kompatibilitätsschicht. Das README zeigt auch, wie Fähigkeiten in Claude Code mit Slash-Befehlen wie /investment-research Tencent aufgerufen werden, und für Codex durch Verweis auf Fähigkeitsnamen oder /prompts:investment-research. Es spezifiziert keine Mindestversionen des Clients oder Systemanforderungen außer der Installation des Clients. Die Designphilosophie konzentriert sich auf die Synthese der Methoden der vier Meister, wobei die vier Perspektiven sich gegenseitig herausfordern, anstatt nur Arbeit zu teilen. Ein Finanz-Genauigkeitswerkzeug, tools/financial_rigor.py, bietet Befehle für Marktkapitalisierungsprüfung, Bewertungsprüfung, Multi-Quellen-Kreuzvalidierung, Drei-Szenarien-Bewertung, Benford's Law-Erkennung und einen Präzisionsrechner. Das README stellt fest, dass alle Berechnungen Pythons decimal.Decimal verwenden, um Gleitkommafehler zu vermeiden. Der Abschnitt "Zukünftige Richtungen" listet historisches Backtesting von Forschungsberichten gegen tatsächliche Kursentwicklungen, ein makroökonomisches Zyklus-Analyseframework und Echtzeit-Datenfeeds über MCP für Wind, Bloomberg oder Yahoo Finance auf. Das README sagt nicht, ob diese in aktiver Entwicklung sind. Das Projekt ist MIT-lizenziert, was die Erlaubnis zur Nutzung, Vervielfältigung, Änderung, Zusammenführung, Veröffentlichung, Verteilung, Unterlizenzierung und zum Verkauf von Kopien unter den Bedingungen der Lizenz gewährt. Der Lizenztext bietet keinerlei Gewährleistung, und der Haftungsausschluss des README besagt, dass das Projekt nur für Bildungs- und Forschungszwecke dient und keine Anlageberatung darstellt. Die deutsche Einordnung bleibt bei dem, was die Projektunterlagen tatsächlich beschreiben. ai-berkshire nimmt die dort genannten Eingaben auf und erzeugt die dort genannten Ausgaben. Das ist eine brauchbare Arbeitsdefinition, aber keine Zusage für Eigenschaften, die README oder Material nicht nennen. Entscheidend ist daher die konkrete Schnittstelle des Projekts und die Umgebung, in der sie betrieben wird.

Ein Beispiel im Repository zeigt einen möglichen Einstieg. Es ersetzt keine vollständige Aussage über Plattformen, Datenmengen oder Fehlerfälle. Wo die Dokumentation schweigt, bleibt die Frage offen.

Die Bausteine hinter ai-berkshire

ai-berkshire lässt sich anhand der genannten Dateien, Bibliotheken, Modelle oder Befehle lesen. Diese Bestandteile bilden den technischen Pfad vom Eingang bis zum Ergebnis. Abhängigkeiten und Laufzeitbedingungen gehören dazu, weil ein funktionierendes Beispiel sonst leicht mit allgemeiner Kompatibilität verwechselt wird. Die Quellen unterscheiden sich zudem darin, ob sie eine Kernfunktion oder eine optionale Erweiterung zeigen.

Bei einem Modell sind Checkpoint und Hardware relevant; bei einer Android-Bibliothek sind Canvas, Gradle und Geräteverhalten relevant; bei einem Agenten zählen TUI, Repository und Berechtigungen. Diese Unterschiede bestimmen die Prüfung von ai-berkshire.

Ein konkreter Einstieg in ai-berkshire

Starte den im AI-Berkshire-README genannten Rechercheablauf mit einer einzelnen Aktie und prüfe Prompts, Agentenberichte, Quellenbelege und die finale Gegenprüfung. Halte dabei die konkrete Version, die Eingabe, die Terminalausgabe und die erzeugten Dateien oder sichtbaren Zustände fest. So lässt sich genau sagen, welcher Pfad funktioniert. Ein erfolgreicher Start beweist nur diesen dokumentierten Ablauf. Bei Änderungen an Konfiguration oder Abhängigkeiten muss die Beobachtung erneut dem jeweiligen Projektpfad zugeordnet werden.

Besonders aussagekräftig sind kleine Eingaben: ein Diagramm, eine Grammatik, eine Rust-Funktion, ein lokaler Knoten oder ein einzelner Recherchefall. Sie begrenzen die Fehlersuche und machen die behauptete Ausgabe sichtbar.

Grenzen der Quellen zu ai-berkshire

Die vorliegenden Unterlagen belegen die ausdrücklich genannten Funktionen von ai-berkshire. Sie belegen nicht automatisch Sicherheit, Skalierung, Geschwindigkeit, Datenschutz, Fehlertoleranz oder langfristige Pflege. Auch Repository-Sterne und Selbstbeschreibungen sind Kontext, aber kein Leistungstest. Eine fehlende Angabe darf weder als Fehler noch als Garantie gelesen werden.

Für den Einsatz muss deshalb zwischen dokumentierter Fähigkeit und eigener Annahme getrennt werden. Das gilt besonders für große Modelle, Empfehlungslogik und selbstverändernde Agentensysteme, bei denen Ressourcen, Datenherkunft und Kontrollgrenzen die Entscheidung stark beeinflussen.

Lizenz und Betrieb von ai-berkshire

Die Metadaten nennen für ai-berkshire die Lizenz MIT. Ihre konkreten Pflichten müssen zum geplanten Verteilungsmodell passen, etwa bei Änderungen, Binärpaketen, Modellen oder eingebundenen Abhängigkeiten. Diese Lizenzfrage ist von der technischen Qualität getrennt und sollte vor einer Veröffentlichung dokumentiert werden.

Das betreibende Team bleibt für Zugangsdaten, Netzwerkrechte, lokale Dateien, Updates und die Auswahl der Eingabedaten verantwortlich, sofern die Quellen nichts anderes festlegen. Bei einem lokalen Tool ist der Datenabfluss zu prüfen; bei Bibliotheken und Knoten stehen Build, Laufzeit und Zustandsdateien im Vordergrund.

Für wen ai-berkshire passt

ai-berkshire passt zu Teams, deren Aufgabe den dokumentierten Eingaben und Ausgaben entspricht und die die genannten Voraussetzungen kontrollieren können. Weniger passend ist das Projekt, wenn nicht belegte Garantien verlangt werden oder der Betrieb keine reproduzierbare Umgebung zulässt. Der erste Befund sollte aus dem projektspezifischen Befehl, der konkreten Datei oder dem sichtbaren Ablauf stammen.

Nach dem Test sind Ergebnis, Fehlermeldung und Nebenwirkungen gemeinsam zu bewerten. Für ai-berkshire zählt dabei genau der zuvor beschriebene Prüfpunkt: nicht ein allgemeines Versprechen, sondern die beobachtbare Reaktion auf die kleine, kontrollierte Eingabe.

Redaktionelles Fazit

ai-berkshire passt zu Teams, die den dokumentierten Ablauf und seine Voraussetzungen kontrollieren können. Es passt nicht als Zusage für unbelegte Eigenschaften. Prüfe zuerst Starte den im AI-Berkshire-README genannten Rechercheablauf mit einer einzelnen Aktie und prüfe Prompts, Agentenberichte, Quellenbelege und die finale Gegenprüfung. und bewerte danach die konkrete Ausgabe, die relevanten Dateien und die Lizenz MIT.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes