xbtlin/ai-berkshire 是什么？

ai-berkshire 是一套面向 Claude Code 与 Codex 的价值投资研究 Skill 合集，将巴菲特、芒格、段永平、李录的方法论固化为 20 个可复用入口。本文拆解其多 Agent 对抗机制、数据校验工具与适用边界。

xbtlin/ai-berkshire 可以商用吗？

可以。MIT 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。

xbtlin/ai-berkshire 还在维护吗？

在维护。仓库最近一次提交在 4 天前。

xbtlin/ai-berkshire 是用什么编程语言写的？

主要是 Python（依据 GitHub 的语言统计）。

ai-berkshire 评测：Claude Code 价值投资研究框架的多 Agent 机制与局限

Q: xbtlin/ai-berkshire 还在维护吗？

在维护。仓库最近一次提交在 4 天前。

秒懂

它是什么？: ai-berkshire 是一套面向 Claude Code 与 Codex 的价值投资研究 Skill 合集，将巴菲特、芒格、段永平、李录的方法论固化为 20 个可复用入口。本文拆解其多 Agent 对抗机制、数据校验工具与适用边界。
适合谁用？: 适合已经熟悉价值投资术语、愿意把研究流程标准化的个人投资者，尤其是同时使用 Claude Code 或 Codex 的开发者。不适合把 AI 当黑盒、指望自动生成买卖信号的人，也不适合没有能力独立核验数据的新手。
能商用吗？: 可以。MIT 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
还在维护吗？: 在维护。仓库最近一次提交在 4 天前。
用什么语言写的？: 主要是 Python（依据 GitHub 的语言统计）。

以上回答依据项目的 GitHub 数据（最近同步于 2026年9月14日）和我们的分析，不构成法律意见。

开源项目深度解析

Hysen Labs 编辑部 · 2026年8月8日 · xbtlin/ai-berkshire

它解决的是决策纪律问题，不是分析能力问题

直接问 Claude 一家公司值不值得买，得到的通常是平衡分析加风险提示。ai-berkshire 的出发点正是反对这种输出。README 里写得很直白：这种分析看起来对，但没法拿来做决策。项目把四位投资大师的方法论拆成可执行的步骤，强制输出通过、不通过或灰色地带的结论，附带具体价格区间和分层建议。它面向的是已经具备投资常识、但苦于每次分析格式和深度不一致的个人研究者。一个没有财务基础的人拿到这份报告，依然不知道如何判断数据是否可靠。

四大师视角的对抗，不是四种说法的堆砌

以拼多多为例，README 给出了四个视角的评分差异。段永平看商业模式给 3.7，巴菲特看财务估值给 4.4，芒格看护城河给 3.5，李录看长期确定性只给 2.0。这不是把同一个 prompt 拆成四段，而是四个独立 Agent 各自搜索、独立判断后产生真实矛盾。巴菲特说便宜，李录说不确定就不买，这种张力才是决策的真实状态。单一 prompt 无法制造这种冲突，因为模型倾向于收敛到一个中庸答案。多 Agent 的价值在于把分歧显性化，让研究者直面自己忽略的风险维度。

反偏见机制是框架的核心，不是附属品

README 列出了五层防错结构。信息丰富度评级防止资料多等于确定性高的幻觉，泡泡玛特被评为 B 级时，推算指标必须标注置信度。芒格式逆向检验强制列出公司可能失败的场景和概率。快速否决清单有八条红线，管理层诚信污点直接一票否决。反共识检查要求回答聪明人为什么在做空。留白原则允许在数据不足时标注灰色地带，不用推测伪装确定性。这套机制的价值在于它把反事实思考变成了流程的一部分，而不是依赖分析师当时的灵感。

数据校验用 exact decimal，不用 float

LLM 心算不可靠，单位混用是真实事故源。README 给出一个案例：分析腾讯时，市值数据存在港币亿和人民币亿两种单位。项目提供 tools/financial_rigor.py 做手算校验，命令格式明确：python3 tools/financial_rigor.py verify-market-cap --price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD。所有计算使用 Python 的 decimal.Decimal，关键数据要求至少两个独立来源交叉验证。这是项目里少数可以直接验证的部分，也是它区别于普通 prompt 工程的地方。但注意，工具只校验算术一致性，不校验数据本身是否来自可靠信源。

20 个 Skill 的划分逻辑与使用场景

Skill 按四类组织。深度研究类包括 /investment-research、/investment-team、/management-deep-dive，其中 /investment-team 启动四个独立 Agent 并行研究，Team Lead 再综合。财报分析类只读原始财报，不依赖二手研报。行业筛选类提供 /quality-screen 用七条硬指标批量排除，/industry-funnel 做全市场到三家公司的漏斗。持仓管理类包含 /thesis-tracker 跟踪买入后论文是否被证伪，/thesis-drift 对比两份报告区分事实变化与措辞变化。思维工具类有 /dyp-ask 以段永平方式思考问题。这种划分意味着用户需要先知道自己处在研究流程的哪一步，再选择对应入口。

成本与模型选择是隐藏的准入门槛

README 在快速开始部分明确提示：深度投研类 Skill 默认进行多轮研究、交叉验证和多 Agent 综合判断，token 消耗较高。这是换取结论可靠性的代价，但 README 没有给出具体数字。对于个人用户，一次 /investment-team 调用可能消耗数万 token，按当前主流 API 定价，单次研究成本可能在几美元到几十美元之间。轻量 skill 如 /investment-checklist 则设计为快进快出，适合先用它做 10 分钟初筛，再决定是否投入重资源跑深度研究。这个分层设计是合理的，但用户需要自己建立成本意识，README 没有提供预算控制机制。

实盘业绩的呈现方式需要谨慎对待

README 公布了 2024 年收益 69.29%、2025 年收益 66.38%，并附上免责声明说历史收益不代表未来表现。这些数字无法从仓库内容验证，截图来源也未公开可查证路径。作为技术编辑，我只能说这些是作者自述，不是可复现的基准测试结果。更值得注意的问题是：如果这套框架真的持续跑赢指数，为什么没有提供回测脚本或模拟盘数据？仓库里只有方法论和报告模板，没有可验证的历史决策记录。读者应当把业绩声明当作营销材料看待，而不是框架有效性的证据。

与 Claude Code 内置 deep-research 的边界

README 明确区分了本项目与 Claude Code 自带的 /deep-research。后者是客户端内置的编排器，流程是把问题拆成五个检索角度并行搜索，每条论断由三个独立 Agent 对抗验证，三票中两票证伪才剔除。ai-berkshire 的建议是：在运行个股或行业 skill 之前，先用 deep-research 对一个关键事实判断做独立核查。这实际上承认了外部工具在事实核查上的优势，也划清了边界。ai-berkshire 擅长的是把投资方法论固化为流程，deep-research 擅长的是对具体事实做对抗验证。两者互补，但用户需要自己决定哪个环节用哪个工具。

编辑结论

适合已经熟悉价值投资术语、愿意把研究流程标准化的个人投资者，尤其是同时使用 Claude Code 或 Codex 的开发者。不适合把 AI 当黑盒、指望自动生成买卖信号的人，也不适合没有能力独立核验数据的新手。采用前先做三件事：检查 skills/ 目录下各 markdown 文件是否与你的 Claude Code 版本兼容，确认 financial_rigor.py 的依赖能正常安装，以及用小市值公司跑一次 /investment-checklist 验证输出格式是否符合预期。这套框架的价值在于流程纪律，不在于预测能力，把它当研究辅助而非决策替代。

官方来源

社区笔记