普通投资者如何用 AI Berkshire 做出专业级投研——以分析腾讯为例

仓库: xbtlin/ai-berkshire · 11772★ · MIT · Python
作者公众号: 复利炼丹炉
兼容: Claude Code / Codex（OpenAI）

---

一个真实的问题

你想认真研究一家上市公司，应该怎么做？

专业投资机构的做法是：3-5个分析师花几周时间，读几十份年报和研报，做竞争格局对比，对管理层做尽职调查，用DCF建模，最后出一份80页的深度报告。

普通人没有这些资源。直接问 AI 呢？ChatGPT、Claude 会给你一篇”一方面……另一方面……”的平衡分析，最后以”投资有风险”收尾——看起来不错，但没法拿来做决策。

AI Berkshire 解决的正是这个问题：它不是问答，而是一套迫使 AI 给出可执行结论、使用四大师视角相互对抗、内置反偏见机制的结构化投研框架。

---

真实业绩（不是模拟）

这套框架背后是真金白银验证的投资体系：

指标	2024 全年	2025 全年
AI Berkshire 实盘	+69.29%	+66.38%
标普500	+23.31%	+16.39%
恒生指数	+17.67%	+27.77%
沪深300	+14.68%	+17.66%
纳斯达克	+28.64%	+20.36%

连续两年跑赢所有主要指数，两年累计实盘收益超 146 万元（来自作者富途证券真实账户截图）。

免责声明：历史收益不代表未来表现。框架是工具，决策责任始终在投资者本人。

---

为什么不能直接问 AI？

核心差异有三点：

1. 强制给结论，不打太极

普通 AI 会说：“拼多多既有增长潜力，也面临竞争压力……”

AI Berkshire 强制输出：

策略	建议	价格区间
激进型	当前价位可建仓20%	$95-105
稳健型	等回购政策明确后建仓	$85-95
保守型	不符合10年确定性标准，观望	—

2. 四大师视角真实对抗

以拼多多为例，同一家公司，四个视角：

• 段永平（商业模式）：好生意，C2M模式难以复制 → 评分 3.7/5
• 巴菲特（财务估值）：扣现金PE仅6.3x，印钞机 → 评分 4.4/5
• 芒格（逆向思考）：护城河比想象中浅，抖音3年做到4万亿GMV → 评分 3.5/5
• 李录（长期确定性）：管理层文化有隐患，10年后不确定 → 评分 2.0/5

巴菲特说”真便宜”，李录说”不确定就不买”——这种真实矛盾才是投资决策的核心张力。

3. 内置反偏见机制

AI 最危险的输出不是明显的错误，而是”看起来很对但经不起推敲”。框架内置了：

• 信息丰富度评级（A/B/C）：防止”资料多=确定性高”的幻觉
• 芒格式逆向检验：强制思考”什么情况下这家公司会死？”
• 快速否决清单：8条红线一票否决，不管估值多便宜

---

19个 Skill 一览

按用途分为五类：

深度研究类（最常用）

Skill	适合什么时候用
/investment-research	全面分析一家公司，七个模块顺序执行
/investment-team	4个Agent并行研究，最快最全面，适合重要决策
/management-deep-dive	管理层是核心变量时深挖（如新CEO上任）
/private-company-research	研究蚂蚁、SpaceX等未上市公司
/deep-company-series	12万字8篇系列深度，适合想彻底搞清一家公司

财报分析类

Skill	适合什么时候用
/earnings-review	只读原始财报，不依赖二手研报
/earnings-team	四大师并行解读 + 可发布为公众号文章

行业筛选类

Skill	适合什么时候用
/industry-research	产业链全景，从一个投资主题找所有机会
/industry-funnel	全市场 → 粗筛10家 → 终选3家深度分析
/quality-screen	快速排除非一流公司（7条硬指标）
/investment-checklist	10分钟六关快速判断是否值得深入
/bottleneck-hunter	从超级趋势找产业链瓶颈和套利机会

持仓管理类

Skill	适合什么时候用
/portfolio-review	对整个组合做仓位、集中度、再平衡分析
/thesis-tracker	买入后追踪投资论文是否被证伪
/news-pulse	股价大涨/大跌时10分钟快速归因

思维工具类

Skill	适合什么时候用
/dyp-ask	用段永平的方式思考任何问题
/financial-data	财务数据获取和多源交叉验证
/wechat-article	把投研结果转成可发布的公众号文章

---

快速开始

第一步：安装 Claude Code

npm install -g @anthropic-ai/claude-code

验证安装：claude --version

第二步：克隆并安装 Skills

git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire

# macOS / Linux
./scripts/install-claude-commands.sh

# Windows PowerShell
.\scripts\install-claude-commands.bat

第三步：确认安装

打开 Claude Code，输入 /investment-checklist 看到命令提示说明 Skills 安装成功。

关于权限确认：这些 Skills 会频繁调用工具，Claude Code 默认每次都会弹出授权确认。如果觉得频繁，可以用 claude --dangerously-skip-permissions 启动。只在你信任当前工作目录和命令时使用。

---

实战：用 AI Berkshire 深度分析腾讯

以下是从零到一份完整投研报告的完整流程。

第一步：快速预筛

先用 10 分钟判断腾讯是否值得深入研究：

/investment-checklist 腾讯

输出示例：

第一关：能力圈 ✅（我理解社交+游戏+广告的商业模式）
第二关：好生意 ✅（高毛利、经常性收入、网络效应）
第三关：护城河 ✅（12亿用户社交关系链，极高转换成本）
第四关：管理层 ✅（Pony Ma低调务实，长期资本配置纪律强）
第五关：安全边际 ❓（需要深入估值后判断）
第六关：决策纪律 ⏸（需要确认不是FOMO驱动）

结论：值得深入研究

六关有一关不通过，就停下来。不浪费时间在不值得深入的公司上。

第二步：多Agent并行深度研究

/investment-team 腾讯

这会启动 4 个独立 Agent 同时工作：

• Agent 1（段永平）：分析生意本质和商业模式
• Agent 2（巴菲特）：财务数据、估值、安全边际
• Agent 3（芒格）：逆向思考、竞争风险、失败场景
• Agent 4（李录）：长期趋势、文明确定性、10年后判断

Team Lead 综合四个Agent的结论，产出：

四维评分总表：

| 维度         | 框架   | 评分    | 核心判断                              |
|------------|--------|---------|-------------------------------------|
| 商业模式&护城河 | 段永平 | ★★★★★   | 社交关系链+微信支付，护城河极宽且仍在变宽         |
| 财务&估值    | 巴菲特 | ★★★★☆   | 游戏+广告双引擎，当前PE处历史中低位              |
| 行业&竞争    | 芒格   | ★★★★☆   | 抖音在短视频侵蚀，但微信生态不可替代              |
| 风险&管理层  | 李录   | ★★★★☆   | 监管压力是变量，但Pony Ma长期价值观清晰            |

综合评分：4.6 / 5

投资建议（港元）：
- 激进型：390-420 港元可建仓30%
- 稳健型：360-390 港元建仓
- 保守型：≤350 港元等待更高安全边际

第三步：读财报验证

在做买入决策前，用 /earnings-review 读原始财报，不依赖二手分析：

/earnings-review 腾讯 2025Q4

技术注意事项：

# 框架内置精确计算，避免AI心算偏差
# 市值手算校验示例（来自 tools/financial_rigor.py）
python3 tools/financial_rigor.py verify-market-cap \
  --price 410 --shares 9.11e9 \
  --reported 3.74e12 --currency HKD
# ✅ 验证通过，偏差仅 0.12%

所有关键数据至少2个独立来源交叉验证，避免单位混淆（港币亿 vs 人民币亿）。

第四步：持续跟踪

买入后，用 /thesis-tracker 建立你的投资论文追踪系统：

/thesis-tracker 腾讯

每次有重大新闻（监管变化、财报、管理层变动），运行：

/news-pulse 腾讯

10分钟得到”发生了什么、是否影响原来的投资论文”的结构化归因。

---

更多使用场景

行业扫描

# 从AI算力这个主题，找到整个产业链的投资机会
/industry-funnel AI算力

# 对整个恒生指数做质量筛选，排除非一流公司
/quality-screen 恒生指数成分股

多公司横向对比

# 同一标准一次比较多家
/investment-checklist 茅台, 腾讯, 美团, 拼多多, 美的

七家公司用完全相同的评分标准，横向可比。

供应链瓶颈猎手

# 从一个大趋势出发，找产业链上被忽视的投资机会
/bottleneck-hunter AI基础设施

---

成本说明

深度研究类 Skill（尤其是 /investment-team）会消耗较多 tokens，因为 4 个 Agent 并行工作，每个都做完整研究。

推荐的成本控制策略：

1. 先用 /investment-checklist 预筛：10分钟排除不值得深研的公司，不浪费深度研究的成本
2. 不通过就停：八条否决红线（管理层诚信问题、无法理解的商业模式等）一票否决，不管估值多便宜
3. 只对真正关注的公司用 /investment-team：你愿意投资的公司，花几美元做深度研究是合理的

---

总结

AI Berkshire 的核心价值不是”用AI帮你分析”，而是把四大价值投资大师的决策框架系统化，通过多Agent对抗消除单一视角的盲点，通过内置机制防止AI给出那种”看起来对但没法拿来决策”的平衡分析。

两年实盘验证的业绩说明这套方法论是可行的——当然，执行质量和选时能力同样重要。

给普通投资者的建议：从 /investment-checklist 开始，用它筛选你已经在关注的公司。当一家公司六关全部通过时，再投入 /investment-team 的深度研究。

---

相关链接

• xbtlin/ai-berkshire — 完整仓库（19个 Skills）
• 作者公众号：复利炼丹炉 — 精选深度研究首发
• 快速开始文档

---

⚠️ 投资风险提示：本文仅介绍开源工具的使用方法，不构成任何投资建议。投资决策请基于自身研究和风险承受能力独立判断。历史收益不代表未来表现。

---

© 2026 Author: Mycelium Protocol. 本文采用 CC BY 4.0 授权。

TL;DR: AI Berkshire (11,772★, MIT, Python) is a Claude Code / Codex skill collection that forces investment analysis to produce actionable conclusions rather than balanced non-answers. Its framework systematizes four value investing masters (Buffett on financials/valuation, Munger on adversarial thinking, Duan Yongping on business quality, Li Lu on long-term civilizational trends) as parallel agents that independently research a company then synthesize. The framework’s author published a live account track record: +69.29% (2024), +66.38% (2025) vs S&P 500’s +23%/+16%. 19 skills covering single-stock deep dives, earnings analysis, industry screening, portfolio management, and thesis tracking.

---

Getting Started (5 Minutes)

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

Then in Claude Code: /investment-checklist Tencent

The Core Workflow: Analyzing a Listed Company

Step 1 — Quick pre-screen (10 min):

/investment-checklist 腾讯

Six gates: circle of competence → business quality → moat → management → margin of safety → decision discipline. Any gate fails → stop. Don’t waste deeper research on companies that don’t clear the basics.

Step 2 — Multi-agent deep dive:

/investment-team 腾讯

Four independent agents run parallel research. Each searches the web independently, scores the company from their master’s framework, identifies risks. Team Lead synthesizes into a composite score + tiered buy recommendations (aggressive/conservative/pass).

Step 3 — Primary source earnings read:

/earnings-review 腾讯 2025Q4

Raw annual report only — no sell-side research summaries. Key numbers cross-verified against 2 independent sources. Market cap hand-calculated (price × shares) to catch unit errors (HKD bn vs RMB bn).

Step 4 — Track the thesis post-buy:

/thesis-tracker 腾讯   # establish and monitor the investment thesis
/news-pulse 腾讯       # rapid attribution on any big price move

The Anti-Hallucination Layer

The framework’s most important feature isn’t the analysis — it’s the discipline mechanisms that prevent plausible-but-wrong outputs:

• Information richness rating (A/B/C): flags when data is thin so confidence estimates stay honest
• Munger reverse test: “Under what circumstances does this company fail?” — required for every analysis
• 8-item veto checklist: management integrity issue → automatic reject regardless of valuation
• 5-sentence mirror test: “I’m buying X at $Y because…” If you can’t complete it coherently in 5 sentences, don’t buy

Links: GitHub · [Author’s WeChat: 复利炼丹炉]

---

⚠️ Risk Disclaimer: This article covers open-source tooling only. Nothing here constitutes investment advice. Past performance does not predict future returns.

---

© 2026 Author: Mycelium Protocol. Licensed under CC BY 4.0.