30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度如果你问过 Claude 或 ChatGPT “拼多多值不值得买”大概率会得到一篇“一方面……另一方面……”的平衡分析最后以“投资有风险请自行判断”收尾。这种回答看起来面面俱到但当你真金白银要下决策时会发现它什么也没告诉你——它没有结论没有价格区间没有仓位建议更没有告诉你“如果错了会错在哪里”。这恰恰是当前 AI 在投资研究领域最尴尬的现状它能生成海量信息却无法生成真正的“决策”。信息不等于洞察分析不等于判断。而投资恰恰是关于判断的艺术。最近在 GitHub 上发现一个名为AI Berkshire的项目它试图用一套完全不同的思路来解决这个问题。它不是一个简单的提示词合集而是一个将巴菲特、芒格、段永平、李录四位价值投资大师的方法论系统化、结构化并通过多 AI Agent 并行协作来执行的“投研框架”。简单来说它想做的不是让 AI 帮你“分析”而是让 AI 模拟一个完整的、有纪律、有对抗性的“投研团队”最终输出一份可以直接用于决策的“投研报告”。这个项目背后有连续两年大幅跑赢全球主要指数的实盘记录作为支撑这让我产生了浓厚的兴趣。它到底是如何工作的是噱头还是真的能提升投研的“决策质量”更重要的是作为一个开发者或投资者我们该如何理解并运用这套框架而不是仅仅把它当作另一个“AI玩具”1. 从“信息摘要”到“决策框架”AI Berkshire 到底改变了什么在深入代码和技能之前我们必须先理解 AI Berkshire 试图解决的核心痛点。普通 AI 对话模型在投资研究中的局限并非能力不足而是“工作流”和“决策机制”的缺失。1.1 普通 AI 分析的三大“决策真空”当你直接向 AI 提问时通常会陷入以下困境无强制结论AI 倾向于给出平衡、安全的回答避免承担“错误”的责任。这导致输出充满了“可能”、“或许”、“一方面……另一方面”唯独缺少“买/卖/观望”的明确信号和对应的价格区间。单一视角幻觉即使你要求“用巴菲特的视角分析”AI 输出的也只是一个被标签化的、孤立的分析片段。真实的投资决策需要多种思维模型如巴菲特的护城河、芒格的逆向思维、李录的长期确定性进行碰撞和对抗而单一提示词无法模拟这种复杂的、动态的思维博弈过程。流程不可复现今天分析腾讯AI 可能详细拆解了微信的护城河明天分析美团它可能又花大篇幅讲骑手成本。分析的重点、深度和结构每次都可能不同导致你无法对多家公司进行标准化、可对比的评估。研究失去了“基准线”。1.2 AI Berkshire 的解法结构化、对抗性与工程化AI Berkshire 的应对策略不是让 AI 变得更“聪明”而是为 AI 设计一套更“严谨”的工作流程结构化输出取代散文式分析每个 Skill技能都有预设的、固定的分析模块和输出模板。例如/investment-research会严格按照“数据收集 → 生意本质 → 护城河 → 逆向思考 → 管理层评估 → 文明趋势 → 估值与安全边际”七个模块执行确保每次分析的结构、维度和深度一致。多 Agent 对抗取代单一视角核心技能如/investment-team会启动 4 个独立的 AI Agent分别扮演段永平商业模式、巴菲特财务估值、芒格逆向思考、李录长期确定性的角色。它们并行工作各自独立搜索信息、进行计算、形成判断最后再由一个“Team Lead” Agent 进行综合研判。这模拟了真实投研团队中不同分析师观点碰撞的过程。内置“防骗”机制项目意识到 LLM 存在“幻觉”和“偏见”。因此它在流程中内置了多层校验信息丰富度评级 (A/B/C)强制 AI 对所用信息的完整性和可靠性进行自我评估防止其用“资料多”来伪装“确定性高”。芒格式逆向检验强制思考“这家公司在什么情况下会失败”并列出具体情景和概率。快速否决清单设定 8 条红线如管理层诚信污点触犯即一票否决不受估值诱惑。反共识检查追问“市场上的聪明人为什么在做空”挖掘被忽视的风险。留白原则当数据不足时允许 AI 输出“灰色地带”或“不知道”而不是用推测填补空白。金融数据的工程化精确处理这是非常关键且务实的一环。LLM 不擅长精确计算PE 算错小数点、市值单位混淆港币 vs 人民币都可能导致灾难性误判。AI Berkshire 配套了tools/financial_rigor.py工具集所有关键计算市值验算、估值验算、多源交叉验证都使用 Python 的decimal.Decimal进行精确十进制运算并强制要求至少两个独立数据源进行交叉验证偏差超过 1% 即触发告警。所以AI Berkshire 的真正价值不在于它集成了多少位大师的名言而在于它将主观、模糊的投资艺术部分转化为了可结构化、可流程化、可交叉验证的“工程问题”。它提供的不是答案而是一个产生高质量答案的“可靠流程”。2. 核心技能全景从单点研究到组合管理的工具箱AI Berkshire 提供了 18 个 Skill覆盖了从公司研究、行业筛选到持仓管理的完整投研链条。我们可以将其分为五大类来理解2.1 深度研究类穿透一家公司这是框架的基石用于对单家公司进行全方位“体检”。/investment-research四大师综合深度分析。这是最全面的单公司研究框架严格遵循七步流程输出包含生意质量、护城河、管理层、风险、估值等维度的结构化报告并附带“综合决策备忘录”和明确的投资建议激进/稳健/保守型策略及对应价格区间。/investment-team多 Agent 并行投研团队。这是框架的“旗舰”技能。它同时启动 4 个 Agent 并行研究最后综合输出。其优势在于研究速度和信息覆盖的广度适合快速对一家公司建立立体认知。输出包含“四维评分总表”和分层投资建议。/management-deep-dive管理层纵深研究。当管理层是投资决策的核心变量时如王兴之于美团黄峥之于拼多多此技能会深入挖掘管理层的背景、历史决策、资本配置能力、诚信记录等。/private-company-research未上市公司深度研究。针对 SpaceX、蚂蚁集团等非上市公司信息稀缺。此技能采用“侦探式”研究从母公司财报、融资新闻、行业数据等多源拼凑财务画像并对每个数据点标注置信度高/中/低采用多种估值方法交叉验证。/deep-company-series8 篇长文系列拆解。这更像是一个内容生产框架旨在产出公众号级别的深度系列文章从认知重置到决策闭环总计可达 12 万字。适合希望系统输出投研内容的自媒体或机构。2.2 财报分析类回归一手资料/earnings-review财报精读。强制 AI 只阅读公司发布的原始财报10-K, 10-Q, 年报摒弃二手研报的观点像巴菲特一样直接获取“一手信息”分析财务趋势、管理层论述的细微变化。/earnings-team财报精读团队。在/earnings-review基础上引入多 Agent 协作作者、编辑、读者评审最终产出可直接发布的文章。2.3 行业筛选类从大海捞针到精准定位当没有明确标的需要从行业或主题中挖掘机会时这类技能尤为有用。/industry-research产业链全景扫描。从一个投资主题如“核电”、“AI算力”出发构建投资逻辑链绘制产业链全景图扫描全球上市公司并对各环节头部公司进行四大师分析最终给出投资组合配置建议核心、卫星、期权仓位。/industry-funnel行业漏斗筛选。从一个行业方向出发通过多轮筛选全市场扫描 → 价值投资硬指标粗筛 → 精细分析 → 终选从全市场公司中逐层精选出至多 3 家最具投资价值的公司。其核心特色是“按组合互补性”而非单纯按分数排名进行终选并强制列出“未来 IPO 候选”以避免遗漏。/quality-screen去劣筛选。通过 7 条硬性指标如 ROE 15%负债率 60%自由现金流为正等快速批量排除不符合“好生意”基本标准的公司支持对个股、行业、指数或主题进行筛选。/bottleneck-hunter供应链瓶颈猎手。从“超级趋势”如 AI、新能源出发寻找产业链中因物理限制、技术壁垒或政策原因形成的“瓶颈”环节这些环节的公司往往具备定价权和超额利润。/investment-checklist巴菲特买入前清单。这是一个极简但高效的快速筛查工具通过“能力圈 → 好生意 → 护城河 → 管理层 → 安全边际 → 决策纪律”六关在 10 分钟内判断一家公司是否值得深入调研。它最终要求通过“镜子测试”用 5 句话向自己解释清楚买入理由否则就放弃。2.4 持仓管理类从“研究”到“持有”的跨越投资不仅是买入前的分析更是买入后的管理。/portfolio-review组合管理与优化。输入你的持仓比例如“腾讯30%美团20%茅台20%现金30%”AI 会分析组合的整体估值、行业集中度、风险暴露并给出再平衡建议。/thesis-tracker投资论文追踪。买入一家公司时你必然基于某些“投资论文”如“美团外卖网络效应将持续增强”。此技能用于定期如每季度检视这些核心假设是否被财报、新闻或行业数据所证实或证伪帮助执行“买入后的纪律”。/news-pulse股价异动快速归因。当持仓股票突然大涨或大跌时此技能能在 10-15 分钟内从“公司事件、监管政策、行业对手、市场情绪”四个维度进行快速侦察和归因判断是“价值事件”、“情绪波动”还是“真因不明”并给出明确的后续行动建议如“触发深度研究”、“仅观察”避免因恐慌或贪婪做出非理性决策。2.5 思维工具类内化大师的思考方式/dyp-ask段永平问答。以段永平的思维方式聚焦生意本质、企业文化、不为不懂的东西付费来思考任何商业、投资甚至人生问题。/financial-data财务数据获取与交叉验证规范。一套确保数据严谨性的工作流和工具调用规范。/wechat-article微信公众号文章。一个多 Agent 协作的内容生产框架模拟作者、编辑、读者评审的角色产出可发布的投研类文章。3. 实战部署如何将 AI Berkshire 集成到你的工作流中理解了框架的价值和技能矩阵后下一步就是将其落地。AI Berkshire 同时支持 Claude Code 和 Codex 两种主流 AI 代码客户端。3.1 环境准备与客户端选择首先你需要安装一个 AI 代码客户端作为“运行时环境”。Claude Code 用户npm install -g anthropic-ai/claude-codeCodex 用户# macOS / Linux curl -fsSL https://chatgpt.com/codex/install.sh | sh # 或使用 npm npm install -g openai/codex # 或使用 Homebrew brew install --cask codex # 验证安装 codex --versionWindows 用户可使用 PowerShell 安装。选择建议Claude Code 对技能的调用方式更直观直接使用/命令社区生态活跃。Codex 集成度可能更高但需注意其技能调用方式略有不同。根据你熟悉的客户端和模型偏好选择即可。3.2 安装 AI Berkshire Skills克隆仓库git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshire安装 SkillsClaude Code 用户./scripts/install-claude-commands.sh此脚本会将skills/目录下的.md文件复制到 Claude Code 的全局 commands 目录。Codex 用户./scripts/install-codex-skills.sh此脚本会从skills/生成 Codex 兼容的 skill 包并安装到~/.codex/skills目录。 可选安装 Codex slash prompts 以获得类似 Claude Code 的/命令体验./scripts/install-codex-prompts.sh权限处理Claude CodeSkills 会频繁调用网络搜索、文件读写等工具Claude Code 默认会每次请求授权。如果你在可信环境中运行可以使用claude --dangerously-skip-permissions启动以跳过确认但请务必理解安全风险。3.3 核心使用模式与示例安装完成后重启你的 AI 客户端。在 Claude Code 中直接在对话中输入/即可看到所有已安装的技能例如/investment-research 腾讯 /investment-team 美团 /industry-funnel AI算力 /news-pulse 拼多多 跌12% 一周内在 Codex 中安装 skills 后通常需要在描述任务时明确提及技能名例如使用 investment-research 研究腾讯 使用 earnings-review 分析 PDD 2025年报如果安装了 slash prompts也可以使用/prompts:investment-research 腾讯的格式。3.4 关键配置与调优点API 密钥与模型确保你的 AI 客户端已正确配置 Anthropic Claude 或 OpenAI 的 API 密钥。对于深度研究类任务建议使用能力最强的模型如 Claude 3.5 Sonnet 或 GPT-4以获得最佳的分析深度和逻辑性。网络搜索权限大部分技能依赖实时网络搜索获取最新财务数据、新闻和行业信息。务必在客户端设置中开启并配置好搜索功能。工作目录与数据持久化AI Berkshire 的一些技能如生成报告可能会在本地reports/、logs/目录下保存输出。确保你有适当的写入权限并定期清理或归档这些文件。理解技能边界每个技能都有其设计目的和最佳使用场景。例如快速筛查用/investment-checklist深度研究用/investment-research或/investment-team股价异动用/news-pulse。混用可能导致低效或输出不匹配预期。4. 超越工具AI Berkshire 带来的投研范式转变与风险提示将 AI Berkshire 仅仅视为一个“好用的工具”是低估了它的潜力。它实质上在推动一种投研范式的转变同时也伴随着我们必须清醒认识的风险。4.1 范式转变从“分析师驱动”到“流程驱动”传统投研高度依赖分析师个人的经验、直觉和勤奋。AI Berkshire 引入了一种“流程驱动”的投研模式标准化无论谁使用对同一家公司的分析框架和输出结构是标准化的这极大提升了研究结果的可比性和可复现性。可扩展一个人借助多 Agent 并行理论上可以同时处理多个研究任务模拟一个小型团队的工作量。对抗性内置的多视角对抗和反偏见机制强制进行“批判性思考”有助于减少确认偏误和过度自信。纪律性“镜子测试”、“快速否决清单”等设计将投资纪律固化到了流程中减少了情绪化决策的空间。4.2 核心风险与局限性AI 不是“圣杯”尽管框架设计精良但我们必须警惕其内在风险GIGO垃圾进垃圾出AI 的分析质量极度依赖输入信息的质量。如果网络搜索到的信息本身是错误、片面或充满噪音的那么经过再严谨的流程输出的也只能是精致的错误。框架内的“多源交叉验证”是重要的防线但并非万能。模型幻觉与逻辑谬误即使是最先进的 LLM依然会产生“幻觉”编造事实或犯下逻辑错误。框架的“防骗”机制能减少但无法根除这一问题。使用者的金融和商业常识仍然是最后的“校验器”。历史数据的局限框架的实盘业绩基于过去两年。过去有效不代表未来有效尤其是在市场风格发生剧烈变化时。无法量化“黑天鹅”AI 基于历史数据和现有信息进行模式识别和推理对于从未发生过的、系统性的“黑天鹅”事件其预测能力几乎为零。过度自动化依赖最危险的状态是使用者完全放弃自己的独立判断将决策权“外包”给这个 AI 框架。它应该是一个强大的“辅助决策系统”而非“自动决策系统”。4.3 给使用者的行动建议基于以上分析如果你想将 AI Berkshire 融入自己的投资研究我建议遵循以下路径从验证开始而非从决策开始不要一上来就让它决定你的买卖。先用它分析你非常熟悉、已有深入研究结论的公司看它的分析报告与你的认知有哪些重合和差异评估其分析深度和逻辑的严谨性。聚焦“信息增量”和“视角碰撞”不要期待它给你一个“正确答案”。更多地利用它来查漏补缺看看有没有你忽略的财务细节、行业新闻或风险点。视角碰撞利用四大师的对抗性分析挑战你自己原有的投资假设。效率提升快速完成初步的数据整理、财报摘要和行业扫描把节省下来的时间用于更深度的思考。将其作为“纪律执行者”用它来严格执行你的投资清单Checklist、定期进行持仓回顾Portfolio Review和投资论文追踪Thesis Tracker。人是容易懈怠和自我合理化的让 AI 来充当那个冷酷的纪律官。保持“主驾驶”位置最终的投资决策必须基于你自己的理解、风险承受能力和投资哲学。AI Berkshire 的输出应该作为一份极其详尽的“专家顾问团意见书”来参考而不是一份“操作指令”。AI Berkshire 的出现标志着 AI 在专业领域的应用正从“生成内容”走向“构建工作流”。它不再满足于做一个聊天机器人而是试图成为一个具有特定领域知识、遵循严格方法论、并能进行多线程协作的“数字分析师”。它的价值不在于替代人类投资者而在于将人类从信息过载和重复性劳动中解放出来让我们能更专注于最核心的判断理解生意的本质评估管理层的品格以及面对市场波动时保持内心的平静。真正的投资智慧永远源于对商业世界的深刻理解和对人性的洞察这是任何 AI 在可预见的未来都无法完全复制的。但一个善于利用工具的投资者无疑将拥有更宽的护城河。AI Berkshire 这样的框架或许正是为我们挖掘这条护城河提供了一把更锋利的铁锹。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度如果你问过 Claude 或 ChatGPT “拼多多值不值得买”大概率会得到一篇“一方面……另一方面……”的平衡分析最后以“投资有风险请自行判断”收尾。这种回答看起来面面俱到但当你真金白银要下决策时会发现它什么也没告诉你——它没有结论没有价格区间没有仓位建议更没有告诉你“如果错了会错在哪里”。这恰恰是当前 AI 在投资研究领域最尴尬的现状它能生成海量信息却无法生成真正的“决策”。信息不等于洞察分析不等于判断。而投资恰恰是关于判断的艺术。最近在 GitHub 上发现一个名为AI Berkshire的项目它试图用一套完全不同的思路来解决这个问题。它不是一个简单的提示词合集而是一个将巴菲特、芒格、段永平、李录四位价值投资大师的方法论系统化、结构化并通过多 AI Agent 并行协作来执行的“投研框架”。简单来说它想做的不是让 AI 帮你“分析”而是让 AI 模拟一个完整的、有纪律、有对抗性的“投研团队”最终输出一份可以直接用于决策的“投研报告”。这个项目背后有连续两年大幅跑赢全球主要指数的实盘记录作为支撑这让我产生了浓厚的兴趣。它到底是如何工作的是噱头还是真的能提升投研的“决策质量”更重要的是作为一个开发者或投资者我们该如何理解并运用这套框架而不是仅仅把它当作另一个“AI玩具”1. 从“信息摘要”到“决策框架”AI Berkshire 到底改变了什么在深入代码和技能之前我们必须先理解 AI Berkshire 试图解决的核心痛点。普通 AI 对话模型在投资研究中的局限并非能力不足而是“工作流”和“决策机制”的缺失。1.1 普通 AI 分析的三大“决策真空”当你直接向 AI 提问时通常会陷入以下困境无强制结论AI 倾向于给出平衡、安全的回答避免承担“错误”的责任。这导致输出充满了“可能”、“或许”、“一方面……另一方面”唯独缺少“买/卖/观望”的明确信号和对应的价格区间。单一视角幻觉即使你要求“用巴菲特的视角分析”AI 输出的也只是一个被标签化的、孤立的分析片段。真实的投资决策需要多种思维模型如巴菲特的护城河、芒格的逆向思维、李录的长期确定性进行碰撞和对抗而单一提示词无法模拟这种复杂的、动态的思维博弈过程。流程不可复现今天分析腾讯AI 可能详细拆解了微信的护城河明天分析美团它可能又花大篇幅讲骑手成本。分析的重点、深度和结构每次都可能不同导致你无法对多家公司进行标准化、可对比的评估。研究失去了“基准线”。1.2 AI Berkshire 的解法结构化、对抗性与工程化AI Berkshire 的应对策略不是让 AI 变得更“聪明”而是为 AI 设计一套更“严谨”的工作流程结构化输出取代散文式分析每个 Skill技能都有预设的、固定的分析模块和输出模板。例如/investment-research会严格按照“数据收集 → 生意本质 → 护城河 → 逆向思考 → 管理层评估 → 文明趋势 → 估值与安全边际”七个模块执行确保每次分析的结构、维度和深度一致。多 Agent 对抗取代单一视角核心技能如/investment-team会启动 4 个独立的 AI Agent分别扮演段永平商业模式、巴菲特财务估值、芒格逆向思考、李录长期确定性的角色。它们并行工作各自独立搜索信息、进行计算、形成判断最后再由一个“Team Lead” Agent 进行综合研判。这模拟了真实投研团队中不同分析师观点碰撞的过程。内置“防骗”机制项目意识到 LLM 存在“幻觉”和“偏见”。因此它在流程中内置了多层校验信息丰富度评级 (A/B/C)强制 AI 对所用信息的完整性和可靠性进行自我评估防止其用“资料多”来伪装“确定性高”。芒格式逆向检验强制思考“这家公司在什么情况下会失败”并列出具体情景和概率。快速否决清单设定 8 条红线如管理层诚信污点触犯即一票否决不受估值诱惑。反共识检查追问“市场上的聪明人为什么在做空”挖掘被忽视的风险。留白原则当数据不足时允许 AI 输出“灰色地带”或“不知道”而不是用推测填补空白。金融数据的工程化精确处理这是非常关键且务实的一环。LLM 不擅长精确计算PE 算错小数点、市值单位混淆港币 vs 人民币都可能导致灾难性误判。AI Berkshire 配套了tools/financial_rigor.py工具集所有关键计算市值验算、估值验算、多源交叉验证都使用 Python 的decimal.Decimal进行精确十进制运算并强制要求至少两个独立数据源进行交叉验证偏差超过 1% 即触发告警。所以AI Berkshire 的真正价值不在于它集成了多少位大师的名言而在于它将主观、模糊的投资艺术部分转化为了可结构化、可流程化、可交叉验证的“工程问题”。它提供的不是答案而是一个产生高质量答案的“可靠流程”。2. 核心技能全景从单点研究到组合管理的工具箱AI Berkshire 提供了 18 个 Skill覆盖了从公司研究、行业筛选到持仓管理的完整投研链条。我们可以将其分为五大类来理解2.1 深度研究类穿透一家公司这是框架的基石用于对单家公司进行全方位“体检”。/investment-research四大师综合深度分析。这是最全面的单公司研究框架严格遵循七步流程输出包含生意质量、护城河、管理层、风险、估值等维度的结构化报告并附带“综合决策备忘录”和明确的投资建议激进/稳健/保守型策略及对应价格区间。/investment-team多 Agent 并行投研团队。这是框架的“旗舰”技能。它同时启动 4 个 Agent 并行研究最后综合输出。其优势在于研究速度和信息覆盖的广度适合快速对一家公司建立立体认知。输出包含“四维评分总表”和分层投资建议。/management-deep-dive管理层纵深研究。当管理层是投资决策的核心变量时如王兴之于美团黄峥之于拼多多此技能会深入挖掘管理层的背景、历史决策、资本配置能力、诚信记录等。/private-company-research未上市公司深度研究。针对 SpaceX、蚂蚁集团等非上市公司信息稀缺。此技能采用“侦探式”研究从母公司财报、融资新闻、行业数据等多源拼凑财务画像并对每个数据点标注置信度高/中/低采用多种估值方法交叉验证。/deep-company-series8 篇长文系列拆解。这更像是一个内容生产框架旨在产出公众号级别的深度系列文章从认知重置到决策闭环总计可达 12 万字。适合希望系统输出投研内容的自媒体或机构。2.2 财报分析类回归一手资料/earnings-review财报精读。强制 AI 只阅读公司发布的原始财报10-K, 10-Q, 年报摒弃二手研报的观点像巴菲特一样直接获取“一手信息”分析财务趋势、管理层论述的细微变化。/earnings-team财报精读团队。在/earnings-review基础上引入多 Agent 协作作者、编辑、读者评审最终产出可直接发布的文章。2.3 行业筛选类从大海捞针到精准定位当没有明确标的需要从行业或主题中挖掘机会时这类技能尤为有用。/industry-research产业链全景扫描。从一个投资主题如“核电”、“AI算力”出发构建投资逻辑链绘制产业链全景图扫描全球上市公司并对各环节头部公司进行四大师分析最终给出投资组合配置建议核心、卫星、期权仓位。/industry-funnel行业漏斗筛选。从一个行业方向出发通过多轮筛选全市场扫描 → 价值投资硬指标粗筛 → 精细分析 → 终选从全市场公司中逐层精选出至多 3 家最具投资价值的公司。其核心特色是“按组合互补性”而非单纯按分数排名进行终选并强制列出“未来 IPO 候选”以避免遗漏。/quality-screen去劣筛选。通过 7 条硬性指标如 ROE 15%负债率 60%自由现金流为正等快速批量排除不符合“好生意”基本标准的公司支持对个股、行业、指数或主题进行筛选。/bottleneck-hunter供应链瓶颈猎手。从“超级趋势”如 AI、新能源出发寻找产业链中因物理限制、技术壁垒或政策原因形成的“瓶颈”环节这些环节的公司往往具备定价权和超额利润。/investment-checklist巴菲特买入前清单。这是一个极简但高效的快速筛查工具通过“能力圈 → 好生意 → 护城河 → 管理层 → 安全边际 → 决策纪律”六关在 10 分钟内判断一家公司是否值得深入调研。它最终要求通过“镜子测试”用 5 句话向自己解释清楚买入理由否则就放弃。2.4 持仓管理类从“研究”到“持有”的跨越投资不仅是买入前的分析更是买入后的管理。/portfolio-review组合管理与优化。输入你的持仓比例如“腾讯30%美团20%茅台20%现金30%”AI 会分析组合的整体估值、行业集中度、风险暴露并给出再平衡建议。/thesis-tracker投资论文追踪。买入一家公司时你必然基于某些“投资论文”如“美团外卖网络效应将持续增强”。此技能用于定期如每季度检视这些核心假设是否被财报、新闻或行业数据所证实或证伪帮助执行“买入后的纪律”。/news-pulse股价异动快速归因。当持仓股票突然大涨或大跌时此技能能在 10-15 分钟内从“公司事件、监管政策、行业对手、市场情绪”四个维度进行快速侦察和归因判断是“价值事件”、“情绪波动”还是“真因不明”并给出明确的后续行动建议如“触发深度研究”、“仅观察”避免因恐慌或贪婪做出非理性决策。2.5 思维工具类内化大师的思考方式/dyp-ask段永平问答。以段永平的思维方式聚焦生意本质、企业文化、不为不懂的东西付费来思考任何商业、投资甚至人生问题。/financial-data财务数据获取与交叉验证规范。一套确保数据严谨性的工作流和工具调用规范。/wechat-article微信公众号文章。一个多 Agent 协作的内容生产框架模拟作者、编辑、读者评审的角色产出可发布的投研类文章。3. 实战部署如何将 AI Berkshire 集成到你的工作流中理解了框架的价值和技能矩阵后下一步就是将其落地。AI Berkshire 同时支持 Claude Code 和 Codex 两种主流 AI 代码客户端。3.1 环境准备与客户端选择首先你需要安装一个 AI 代码客户端作为“运行时环境”。Claude Code 用户npm install -g anthropic-ai/claude-codeCodex 用户# macOS / Linux curl -fsSL https://chatgpt.com/codex/install.sh | sh # 或使用 npm npm install -g openai/codex # 或使用 Homebrew brew install --cask codex # 验证安装 codex --versionWindows 用户可使用 PowerShell 安装。选择建议Claude Code 对技能的调用方式更直观直接使用/命令社区生态活跃。Codex 集成度可能更高但需注意其技能调用方式略有不同。根据你熟悉的客户端和模型偏好选择即可。3.2 安装 AI Berkshire Skills克隆仓库git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshire安装 SkillsClaude Code 用户./scripts/install-claude-commands.sh此脚本会将skills/目录下的.md文件复制到 Claude Code 的全局 commands 目录。Codex 用户./scripts/install-codex-skills.sh此脚本会从skills/生成 Codex 兼容的 skill 包并安装到~/.codex/skills目录。 可选安装 Codex slash prompts 以获得类似 Claude Code 的/命令体验./scripts/install-codex-prompts.sh权限处理Claude CodeSkills 会频繁调用网络搜索、文件读写等工具Claude Code 默认会每次请求授权。如果你在可信环境中运行可以使用claude --dangerously-skip-permissions启动以跳过确认但请务必理解安全风险。3.3 核心使用模式与示例安装完成后重启你的 AI 客户端。在 Claude Code 中直接在对话中输入/即可看到所有已安装的技能例如/investment-research 腾讯 /investment-team 美团 /industry-funnel AI算力 /news-pulse 拼多多 跌12% 一周内在 Codex 中安装 skills 后通常需要在描述任务时明确提及技能名例如使用 investment-research 研究腾讯 使用 earnings-review 分析 PDD 2025年报如果安装了 slash prompts也可以使用/prompts:investment-research 腾讯的格式。3.4 关键配置与调优点API 密钥与模型确保你的 AI 客户端已正确配置 Anthropic Claude 或 OpenAI 的 API 密钥。对于深度研究类任务建议使用能力最强的模型如 Claude 3.5 Sonnet 或 GPT-4以获得最佳的分析深度和逻辑性。网络搜索权限大部分技能依赖实时网络搜索获取最新财务数据、新闻和行业信息。务必在客户端设置中开启并配置好搜索功能。工作目录与数据持久化AI Berkshire 的一些技能如生成报告可能会在本地reports/、logs/目录下保存输出。确保你有适当的写入权限并定期清理或归档这些文件。理解技能边界每个技能都有其设计目的和最佳使用场景。例如快速筛查用/investment-checklist深度研究用/investment-research或/investment-team股价异动用/news-pulse。混用可能导致低效或输出不匹配预期。4. 超越工具AI Berkshire 带来的投研范式转变与风险提示将 AI Berkshire 仅仅视为一个“好用的工具”是低估了它的潜力。它实质上在推动一种投研范式的转变同时也伴随着我们必须清醒认识的风险。4.1 范式转变从“分析师驱动”到“流程驱动”传统投研高度依赖分析师个人的经验、直觉和勤奋。AI Berkshire 引入了一种“流程驱动”的投研模式标准化无论谁使用对同一家公司的分析框架和输出结构是标准化的这极大提升了研究结果的可比性和可复现性。可扩展一个人借助多 Agent 并行理论上可以同时处理多个研究任务模拟一个小型团队的工作量。对抗性内置的多视角对抗和反偏见机制强制进行“批判性思考”有助于减少确认偏误和过度自信。纪律性“镜子测试”、“快速否决清单”等设计将投资纪律固化到了流程中减少了情绪化决策的空间。4.2 核心风险与局限性AI 不是“圣杯”尽管框架设计精良但我们必须警惕其内在风险GIGO垃圾进垃圾出AI 的分析质量极度依赖输入信息的质量。如果网络搜索到的信息本身是错误、片面或充满噪音的那么经过再严谨的流程输出的也只能是精致的错误。框架内的“多源交叉验证”是重要的防线但并非万能。模型幻觉与逻辑谬误即使是最先进的 LLM依然会产生“幻觉”编造事实或犯下逻辑错误。框架的“防骗”机制能减少但无法根除这一问题。使用者的金融和商业常识仍然是最后的“校验器”。历史数据的局限框架的实盘业绩基于过去两年。过去有效不代表未来有效尤其是在市场风格发生剧烈变化时。无法量化“黑天鹅”AI 基于历史数据和现有信息进行模式识别和推理对于从未发生过的、系统性的“黑天鹅”事件其预测能力几乎为零。过度自动化依赖最危险的状态是使用者完全放弃自己的独立判断将决策权“外包”给这个 AI 框架。它应该是一个强大的“辅助决策系统”而非“自动决策系统”。4.3 给使用者的行动建议基于以上分析如果你想将 AI Berkshire 融入自己的投资研究我建议遵循以下路径从验证开始而非从决策开始不要一上来就让它决定你的买卖。先用它分析你非常熟悉、已有深入研究结论的公司看它的分析报告与你的认知有哪些重合和差异评估其分析深度和逻辑的严谨性。聚焦“信息增量”和“视角碰撞”不要期待它给你一个“正确答案”。更多地利用它来查漏补缺看看有没有你忽略的财务细节、行业新闻或风险点。视角碰撞利用四大师的对抗性分析挑战你自己原有的投资假设。效率提升快速完成初步的数据整理、财报摘要和行业扫描把节省下来的时间用于更深度的思考。将其作为“纪律执行者”用它来严格执行你的投资清单Checklist、定期进行持仓回顾Portfolio Review和投资论文追踪Thesis Tracker。人是容易懈怠和自我合理化的让 AI 来充当那个冷酷的纪律官。保持“主驾驶”位置最终的投资决策必须基于你自己的理解、风险承受能力和投资哲学。AI Berkshire 的输出应该作为一份极其详尽的“专家顾问团意见书”来参考而不是一份“操作指令”。AI Berkshire 的出现标志着 AI 在专业领域的应用正从“生成内容”走向“构建工作流”。它不再满足于做一个聊天机器人而是试图成为一个具有特定领域知识、遵循严格方法论、并能进行多线程协作的“数字分析师”。它的价值不在于替代人类投资者而在于将人类从信息过载和重复性劳动中解放出来让我们能更专注于最核心的判断理解生意的本质评估管理层的品格以及面对市场波动时保持内心的平静。真正的投资智慧永远源于对商业世界的深刻理解和对人性的洞察这是任何 AI 在可预见的未来都无法完全复制的。但一个善于利用工具的投资者无疑将拥有更宽的护城河。AI Berkshire 这样的框架或许正是为我们挖掘这条护城河提供了一把更锋利的铁锹。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
