{"slug": "ai-berkshire", "title": "AI Berkshire", "summary": "AI Berkshire, a set of investment research skills compatible with Claude Code and Codex, systematizes the methodologies of value investors Warren Buffett, Charlie Munger, Duan Yongping, and Li Lu. The framework achieved a 69.29% return in 2024 and 66.38% in 2025, significantly outperforming major indices, with cumulative real account gains exceeding 1.46 million yuan over two years.", "body_md": "中文 | [English](/xbtlin/ai-berkshire/blob/main/README_EN.md)\n\n\"Price is what you pay, value is what you get.\" — Warren Buffett\n\n用 AI 重新定义投资研究的深度与效率。\n\n**AI Berkshire** 是一套同时兼容 Claude Code 与 Codex 的投资研究 Skill 合集，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，通过 AI Agent 实现专业级投资研究。\n\n一个人 + Claude Code / Codex = 一个投研团队。\n\n不是纸上谈兵。这套框架背后是真金白银验证的投资体系。\n\n| 指标 | 2024 全年 | 2025 至今 |\n|---|---|---|\n本框架实盘 |\n+69.29% |\n+66.38% |\n| 恒生指数 | +17.67% | +27.77% |\n| 标普500 | +23.31% | +16.39% |\n| 沪深300 | +14.68% | +17.66% |\n| 纳斯达克 | +28.64% | +20.36% |\n\n**2024 年超额收益**：跑赢标普500 **46个百分点**，跑赢恒生指数 **52个百分点**\n\n**2025 年超额收益**：跑赢标普500 **50个百分点**，跑赢恒生指数 **39个百分点**\n\n**两年累计实盘收益超 146万元**，连续两年大幅跑赢全球主要指数。\n\n免责声明：历史收益不代表未来表现。截图来自富途证券真实账户。\n\n你当然可以直接问 Claude：\"帮我分析拼多多值不值得买\"。你会得到一篇\"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。\n\n**这种分析看起来对，但没法拿来做决策。**\n\nAI Berkshire 解决的不是\"能不能分析\"的问题，而是**分析质量和决策纪律**的问题。以下是核心差异：\n\n直接问AI，你得到的是两面讨好的\"分析\"。AI Berkshire 强制输出：**通过/不通过/灰色地带**，带具体价格区间和分层建议。\n\n普通AI回答：\n\n\"拼多多有增长潜力但也面临竞争压力，投资者需要权衡...\"AI Berkshire 输出：\n\n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 —\n\n镜子测试：5句话说不完整 = 不买，没有例外。\n\n不是\"用巴菲特方法分析一下\"这么简单。四个视角会产生**真实的矛盾和张力**——\n\n以拼多多为例：\n\n**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\n\n**巴菲特说\"真便宜\"，李录说\"不确定就不买\"**——这种冲突才是投资决策的真实状态。单一prompt无法制造这种多视角对抗，而这恰恰是避免盲点的关键。\n\nAI最危险的不是给错答案，而是给一个**看起来很对但经不起推敲**的答案。AI Berkshire 在流程中内置了多层\"防骗\"机制：\n\n| 机制 | 解决什么问题 | 举例 |\n|---|---|---|\n信息丰富度评级（A/B/C） |\n防止\"资料多=确定性高\"的幻觉 | 泡泡玛特评为B级：数据有限，推算指标标注置信度 |\n芒格式逆向检验 |\n强制思考失败场景 | \"什么情况下拼多多会死？\"→ 列出5大情景及概率 |\n快速否决清单 |\n8条红线一票否决 | 管理层诚信污点 → 直接否决，不管估值多便宜 |\n反共识检查 |\n避免和市场想法一样 | \"聪明人为什么在做空？\"→ 发现被忽视的风险 |\n留白原则 |\n宁可说\"不知道\" | 数据不足时标注\"灰色地带\"，不用推测伪装确定性 |\n\nLLM心算不可靠。PE算错一个小数点、市值单位搞混港币和人民币，就可能导致错误的投资决策。\n\n**真实案例**：分析腾讯时，不同来源的市值数据有\"港币亿\"和\"人民币亿\"两种单位。AI Berkshire 的处理方式：\n\n```\n# 市值手算校验：股价 × 总股本，与报告数据对比\npython3 tools/financial_rigor.py verify-market-cap \\\n  --price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD\n# ✅ 验证通过, 偏差仅 0.08%\n```\n\n所有计算使用 Python `decimal.Decimal`\n\n（精确十进制），不用 `float`\n\n。关键数据至少2个独立来源交叉验证。\n\n直接问AI，每次输出的格式、深度、覆盖面都不一样——今天分析腾讯有护城河评分，明天分析美团可能就忘了。\n\nAI Berkshire 确保：**同样的输入 → 结构一致、深度一致的输出**。这意味着你可以：\n\n- 7家公司横向对比，评分标准完全一致\n- 同一家公司半年后重新分析，直接对比变化\n- 团队成员之间的研究结果可以对齐\n\n真实输出——7家公司用同一标准 Checklist 筛选：\n\n公司 通过? 能力圈 好生意 护城河 管理层 安全边际 综合 茅台 ✅ 通过 ★★★★★ ★★★★★ ★★★★★ ★★★☆☆ ★★★★☆ 4.7 腾讯 ✅ 通过 ★★★★☆ ★★★★★ ★★★★★ ★★★★★ ★★★★☆ 4.7 英伟达 ✅ 有条件 ★★★★☆ ★★★★★ ★★★★★ ★★★★★ ★★★☆☆ 4.3 美团 ✅ 有条件 ★★★★☆ ★★★★☆ ★★★★☆ ★★★★☆ ★★★★☆ 4.0 快手 ✅ 有条件 ★★★☆☆ ★★★★☆ ★★★★☆ ★★★★☆ ★★★★★ 4.0 拼多多 ❓ 灰色 ★★★★☆ ★★★★☆ ★★★☆☆ ★★★☆☆ ★★★★★ 3.8 泡泡玛特 ❓ 灰色 ★★★☆☆ ★★★★☆ ★★★★☆ ★★★★★ ★★★☆☆ 3.7\n\n`/investment-team`\n\n启动4个独立Agent**同时**研究一家公司。每个Agent各自搜索网络、交叉验证数据、独立给出结论。这不是把一个prompt拆成四段——是4个\"分析师\"各自做了完整的研究，Team Lead再综合。\n\n一个人直接问AI，上下文窗口是一个。4个Agent并行，等于4倍的搜索量、4倍的信息源、4个独立视角。\n\n```\n┌─────────────────────────────────────────────┐\n│              Team Lead (你)                  │\n│         统筹协调 · 汇总研判                  │\n├──────┬──────┬──────────┬───────────┤\n│ Agent 1    │ Agent 2    │ Agent 3        │ Agent 4         │\n│ 商业模式   │ 财务估值    │ 行业竞争       │ 风险管理层       │\n│ 段永平视角 │ 巴菲特视角  │ 芒格视角       │ 李录视角         │\n└──────┴──────┴──────────┴───────────┘\n        ↓ 并行研究，实时汇报进度 ↓\n              最终综合报告\n```\n\n普通人问AI得到的是\"看起来对的分析\"，用 AI Berkshire 得到的是\"可以拿来做决策的投研报告\"。\n\n图源：\n\n[（Mermaid 可编辑源码）]`assets/architecture.mmd`\n\n**三层设计哲学**：\n\n**Skill 层**：把\"你要做什么\"抽象成 16 个明确入口——深度研究、财报分析、行业筛选、持仓管理、思维工具，按场景选用** Agent 层**：每个 skill 内部都是 4 个 Agent 并行——它们各自独立搜索、独立判断、互相挑战，最后由 Team Lead 综合**工具层**：精确计算、实时检索、报告抽检——保证每份报告的数据严谨性可验证\n\n| Skill | 用途 | 适合场景 |\n|---|---|---|\n`/investment-research` |\n\n`/investment-team`\n\n`/management-deep-dive`\n\n`/private-company-research`\n\n`/deep-company-series`\n\n| Skill | 用途 | 适合场景 |\n|---|---|---|\n`/earnings-review` |\n\n`/earnings-team`\n\n| Skill | 用途 | 适合场景 |\n|---|---|---|\n`/industry-research` |\n\n`/industry-funnel`\n\n`/quality-screen`\n\n`/bottleneck-hunter`\n\n`/investment-checklist`\n\n| Skill | 用途 | 适合场景 |\n|---|---|---|\n`/portfolio-review` |\n\n`/thesis-tracker`\n\n`/news-pulse`\n\n| Skill | 用途 | 适合场景 |\n|---|---|---|\n`/dyp-ask` |\n\n`/financial-data`\n\n`/wechat-article`\n\n本仓库保留同一套 canonical workflow，并分别提供 Claude Code commands 与 Codex skills。按你使用的客户端安装即可。\n\nClaude Code 用户：\n\n```\nnpm install -g @anthropic-ai/claude-code\n```\n\nCodex 用户：\n\n```\n# macOS / Linux\ncurl -fsSL https://chatgpt.com/codex/install.sh | sh\n\n# 或使用 npm\nnpm install -g @openai/codex\n\n# 或使用 Homebrew\nbrew install --cask codex\n\n# 验证安装\ncodex --version\n```\n\nWindows 用户可使用官方 PowerShell 安装命令：`powershell -ExecutionPolicy ByPass -c \"irm https://chatgpt.com/codex/install.ps1 | iex\"`\n\n。\n\n如果 `codex --version`\n\n能正常输出版本号，就可以继续安装本项目的 Codex skills。\n\nClaude Code 用户安装：\n\n```\n# 克隆仓库\ngit clone https://github.com/xbtlin/ai-berkshire.git\n\n# 复制 skills 到 Claude Code 全局 commands 目录\ncd ai-berkshire\n./scripts/install-claude-commands.sh\n```\n\nCodex 用户安装：\n\n```\n# 克隆仓库\ngit clone https://github.com/xbtlin/ai-berkshire.git\n\n# 生成并安装 Codex skills 到 ~/.codex/skills\ncd ai-berkshire\n./scripts/install-codex-skills.sh\n\n# 可选：安装 Codex slash prompts 到 ~/.codex/prompts\n# 用于获得接近 Claude Code 的 /investment-research 体验\n./scripts/install-codex-prompts.sh\n```\n\n仓库同时维护三套入口：`skills/*.md`\n\n是 Claude Code command 源文件；`codex-skills/*/SKILL.md`\n\n是 Codex skill 包，由 `scripts/sync-codex-skills.py`\n\n从 `skills/*.md`\n\n生成；`codex-prompts/*.md`\n\n是可选的 Codex slash prompt 兼容层。\n\n在 Claude Code 中直接调用：\n\n```\n# 深度研究\n/investment-research 腾讯\n/investment-team 美团\n/management-deep-dive 王兴 美团\n/private-company-research SpaceX\n/deep-company-series 拼多多\n\n# 财报分析\n/earnings-review 腾讯 2025Q4\n/earnings-team PDD 2025年报\n\n# 行业筛选\n/industry-research 核电\n/industry-funnel AI算力\n/quality-screen 恒生指数成分股\n/bottleneck-hunter AI基础设施\n/investment-checklist 茅台, 英伟达, 苹果\n\n# 持仓管理\n/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30%\n/thesis-tracker 拼多多\n/news-pulse 腾讯\n\n# 思维工具\n/dyp-ask 拼多多的护城河到底在哪里？\n/wechat-article 大模型OPD技术解读\n```\n\n在 Codex 中安装后重启 Codex，然后直接按 skill 名称描述任务，例如：\n\n```\n使用 investment-research 研究腾讯\n使用 earnings-review 分析 PDD 2025年报\n使用 industry-funnel 筛选 AI算力\n使用 bottleneck-hunter 扫描 AI基础设施瓶颈\n使用 wechat-article 写大模型OPD技术解读\n```\n\n如果安装了 Codex slash prompts，重启 Codex 后也可以在 `/`\n\n菜单里搜索这些 prompt。Codex 官方的 custom prompt 入口通常显示为 `prompts:<name>`\n\n，例如：\n\n```\n/prompts:investment-research 腾讯\n```\n\n最全面的单公司深度研究框架。按七个模块顺序执行：\n\n```\n数据收集 → 生意本质(段永平) → 护城河(巴菲特) → 逆向思考(芒格)\n    → 管理层评估(段永平+巴菲特) → 文明趋势(李录) → 估值与安全边际\n```\n\n**核心特色**：\n\n- AI研究偏见自觉机制（A/B/C级信息丰富度评级）\n- 关键数据多源交叉验证（市值手算校验、至少2个独立来源）\n- 四位大师的\"追问\"贯穿全文\n- 三情景估值（乐观/中性/悲观）+ 反向DCF\n\n**输出示例摘录**：\n\n维度 结论 信心度 生意质量（段永平） 极佳：平台型生意，双边网络效应，边际成本趋零 ★★★★★ 护城河（巴菲特） 宽阔且在变宽：网络效应+转换成本+规模效应三重叠加 ★★★★☆ 管理层（段永平+巴菲特） 优秀：创始人掌舵，资本配置纪律强 ★★★★☆ 最大风险（芒格） 监管政策不确定性，新业务亏损拖累整体利润 ★★★☆☆ 文明趋势（李录） 顺应数字化消费趋势，但非\"文明级范式转移\" ★★★★☆ 估值（巴菲特+段永平） 当前PE 18x，处于历史中位数偏低，有一定安全边际 ★★★★☆\n\n段永平：\"这门生意的本质是连接消费者和商家，赚的是效率提升的钱。好生意的标志是：用户越多，商家越多；商家越多，用户越多。飞轮一旦转起来，很难停下。\"\n\n芒格：\"反过来想——如果这家公司明天消失，用户和商家会怎么办？如果答案是'很快找到替代品'，那护城河就不够深。如果答案是'生活会变得非常不方便'，那就值得关注。\"\n\n启动4个AI Agent并行研究，模拟真实投研团队协作。每个Agent独立搜索、独立分析、独立给出评分，最后由Team Lead综合研判。\n\n**输出示例摘录**：\n\n美团是中国本地生活服务的绝对龙头，拥有多重网络效应护城河，当前估值处于历史较低水平，长期投资价值显著，建议逢低建仓。\n\n维度 框架 评分 核心判断 商业模式 & 护城河 段永平 ★★★★☆ 双边网络效应强劲，外卖+到店形成飞轮 财务 & 估值 巴菲特 ★★★★☆ 核心业务利润率持续改善，估值处于历史低位 行业 & 竞争 芒格 ★★★☆☆ 抖音入侵到店业务，竞争格局有恶化风险 风险 & 管理层 李录 ★★★★☆ 王兴战略眼光出色，但新业务烧钱需警惕\n\n综合评分：3.8 / 5\n\n策略 建议 价格区间(港元) 激进型 当前价位可建仓30% 120-140 稳健型 等回调至100-110建仓 100-120 保守型 等待季报验证利润率趋势后再介入 <100\n\n六关快速筛选，帮你在10分钟内决定一家公司是否值得深入研究：\n\n```\n第一关：能力圈（我能理解吗？）\n    ↓ 通过\n第二关：好生意（经济特征如何？）\n    ↓ 通过\n第三关：护城河（竞争优势深不深？）\n    ↓ 通过\n第四关：管理层（值得信任吗？）\n    ↓ 通过\n第五关：安全边际（价格便宜吗？）\n    ↓ 通过\n第六关：决策纪律（是理性还是FOMO？）\n    ↓ 通过\n   ✅ 镜子测试\n```\n\n**支持多公司对比**——一次筛选多个标的：\n\n```\n/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多\n```\n\n**输出示例摘录**：\n\n\"我以 380港元 买入 腾讯，因为：\n\n- 这门生意的本质是\n社交网络+数字内容平台，我理解它；- 它的护城河是\n12亿用户的社交关系链，而且在变宽；- 管理层\nPony Ma低调务实、资本配置优秀，值得信赖；- 当前价格相当于内在价值的\n8折，有一定安全边际；- 即使我错了，下行风险可控，因为\n账上净现金超2000亿、游戏现金流强劲。\"✅ 通过镜子测试\n\n5句话说不完整 = 不买。没有例外。\n\n从一个投资主题出发，完成产业链全景研究：\n\n```\n投资逻辑链构建 → 产业链全景图 → 全球上市公司扫描\n    → 各环节头部公司四大师分析 → 投资组合配置建议\n```\n\n**输出示例摘录**：\n\n底层趋势：AI数据中心电力需求爆发 + 碳中和目标 → 导致：稳定清洁基荷电源需求激增 → 创造：核电重启/新建/SMR的确定性需求 → 受益：铀矿 → 燃料加工 → 设备制造 → 运营商\n\n层级 仓位 标的 环节 核心逻辑 核心 50% 中国广核(CGN)、Cameco 运营+铀矿 确定性最高 卫星 30% 中国核电、东方电气 运营+设备 国产替代受益 期权 15% NuScale、Nano Nuclear SMR 高风险高弹性 ETF 替代 URA、URNM 全链 懒人方案\n\n从一个行业/方向出发，**全市场 → ≤10 家 → 3 家**逐层精选：\n\n```\n全市场扫描（活跃度 + 涨幅 + 市值前 30 并集，30-60 家）\n    ↓ 价值投资 5 条硬指标\n粗筛 ≤ 10 家\n    ↓ 精细分析（每家 300-500 字）\n精细分析 ≤ 10 家\n    ↓ 终选（按组合互补性，不按打分前 3）\n四大师深度分析 3 家（每家 800-1200 字）\n    ↓\n推荐组合（核心 / 卫星 / 期权）+ 操作信号\n```\n\n**核心特色**：\n\n- 每层都有明确留/弃标准，被淘汰的标的留下淘汰理由（不是黑箱）\n- 终选 3 家按\"组合互补性\"选（高确定性 + 中等弹性 + 高弹性），不按打分前 3 排序\n- 强制列\"未来 IPO 候选\"，避免漏掉一级市场核心玩家\n- AI 偏见自觉机制：应对龙头偏好 / 英文偏好 / 故事偏好 / 上市偏好\n\n**与 /industry-research 的区别**：\n\n`industry-research`\n\n偏重产业链结构与全景（按环节切片）`industry-funnel`\n\n偏重个股筛选漏斗（从全市场逐层精选到 3 家）\n\n**实测：AI 行业 4 子赛道并行（2026-05-09）**：\n\n| 子赛道 | 终选 3 家 | 核心仓位推荐 |\n|---|---|---|\n| AI 算力 | TSMC / NVIDIA / SK Hynix | TSMC ★★★★★ |\n| AI 模型 | Alphabet / Meta / 阿里巴巴 | Alphabet ★★★★★ |\n| AI 应用 | 微软 / Adobe / AppLovin | 微软 + Adobe ★★★★ |\n| AI 基建电力 | Eaton / 特变电工 / Talen Energy | Eaton + 特变电工 ★★★★ |\n\n**关键发现**：AI 应用层最大赢家不是 AI Native 公司，而是有渠道+数据+工作流嵌入度的成熟巨头——这呼应了 1995-2000 互联网泡沫\"卖铲子\"的历史规律（亚马逊和苹果赢，Pets.com 输）。\n\n完整报告：[AI 算力](/xbtlin/ai-berkshire/blob/main/reports/AI%E7%AE%97%E5%8A%9B-funnel-20260509.md) · [AI 模型](/xbtlin/ai-berkshire/blob/main/reports/AI%E6%A8%A1%E5%9E%8B-funnel-20260509.md) · [AI 应用](/xbtlin/ai-berkshire/blob/main/reports/AI%E5%BA%94%E7%94%A8-funnel-20260509.md) · [AI 基建电力](/xbtlin/ai-berkshire/blob/main/reports/AI%E5%9F%BA%E5%BB%BA%E7%94%B5%E5%8A%9B-funnel-20260509.md)\n\n专为信息稀缺的未上市公司设计的\"侦探式\"研究框架：\n\n**核心差异化**：\n\n**财务数据拼凑**：从招股书、母公司财报、融资新闻、行业数据多源拼凑**置信度标注**：每个数据点标注 🟢高 / 🟡中 / 🔴低 置信度**多方法估值交叉**：融资估值法 + 可比公司法 + DCF + 终局倒推法**退出路径分析**：IPO/并购/二级转让全路径评估\n\n**输出示例摘录**：\n\n项目 内容 最新估值 ~$350B (2025年二级市场) 🟡 推算收入 ~$130亿 (2024年) 🟡 Starlink用户 400万+ (2024年底) 🟢 发射次数 100+ 次/年 (2024年) 🟢\n\n方法 估值区间 说明 最近融资 $350B 二级市场报价，有流动性溢价 可比公司法 $200-280B 对标电信+航天+国防 DCF(中性) $250-350B 假设Starlink 2027年$300亿收入 终局倒推 $400-600B 假设星链成为全球电信基础设施\n\n综合合理估值区间：$250B - $400B\n\n专为\"股价大涨/大跌时快速搞清发生了什么\"设计的情报响应 Skill。**不是深度投研，是 10-15 分钟的快速归因**——避免持仓异动时陷入小作文焦虑或盲目止损。\n\n**核心差异化**：\n\n**4 维并行侦察**：公司事件 / 监管政策 / 行业对手 / 市场情绪（卖方+大V+南向资金）**归因优先于罗列**：不是把所有新闻列一遍，而是判断\"哪个事件配得上这次股价异动\"**强制性质判断**：价值事件 / 情绪波动 /**真因不明**/ 混合——其中\"真因不明\"是最有价值的输出（可能存在内幕抢跑）**明确行动建议**：是否触发深度研究、是否需要重审论文、是否仅观察等\n\n**与其他 Skill 的区别**：\n\n| 场景 | 用什么 |\n|---|---|\n| 完整投研（小时级） | `/investment-team` 或 `/investment-research` |\n| 财报深读 | `/earnings-review` |\n| 长期论文跟踪 | `/thesis-tracker` |\n股价异动 10 分钟归因 |\n`/news-pulse` |\n\n**输出示例摘录**（腾讯 4/17-5/01 实测，14 天 -10.47%）：\n\n这次 -10.47% 跌幅约 70-80% 由资金面+情绪面驱动（回购静默期 + 南向减仓 + 板块 beta + AI 叙事被夺），20-30% 由 AI 投入翻倍的递延消化承担——\n\n基本面无利空，卖方维持买入共识，性质上属于\"流动性+情绪型回调\"，不是价值事件。\n\n候选解释 估算贡献 置信度 回购静默期消失（结构性，5/13 财报前） -3% ~ -4% 高 南向资金转向净卖腾讯 -2% ~ -3% 高 AI 叙事被竞品夺走（DeepSeek V4/Qwen3.6/月暗 1T） -1% ~ -2% 中 板块/宏观 beta（油价+地缘+Fed Warsh 鹰派） -2% ~ -3% 高 一季报前避险 -1% ~ -2% 中 基本面恶化 0%极高（排除） 70% 资金面/情绪面 + 20% AI 长期叙事担忧 + 10% 一季报前不确定性\n\n关键反证：段永平 4/8 卖腾讯 put（看多）；卖方 24 家共识 Strong Buy；网易 4/30 逆市涨 2%（排除游戏行业问题）；腾讯跑输恒科 7 个百分点（恒科月度反而涨 4%）。\n\n调用方式：\n\n```\n/news-pulse 腾讯\n/news-pulse 拼多多 跌12% 一周内\n/news-pulse 米哈游\n```\n\n以下是使用本框架生成的真实投资研究报告，展示 AI 投研的实际输出效果。\n\n| 公司 | 使用 Skill | 核心结论 | 报告链接 |\n|---|---|---|---|\n| 拼多多 (PDD) | `/investment-team` |\n综合3.4/5，极度便宜但10年确定性不足，适合中等仓位 |\n|\n\n`/investment-research`\n\n[查看报告](/xbtlin/ai-berkshire/blob/main/reports/%E8%85%BE%E8%AE%AF)`/investment-checklist`\n\n[查看报告](/xbtlin/ai-berkshire/blob/main/reports/%E5%A4%9A%E5%85%AC%E5%8F%B8%E5%AF%B9%E6%AF%94-checklist-20260408.md)[查看报告](/xbtlin/ai-berkshire/blob/main/reports/%E5%A4%A7%E5%B8%88%E6%8C%81%E4%BB%93%E8%BF%BD%E8%B8%AA-research-20260408.md)\n\n更多报告将持续添加。欢迎 PR 提交你用本框架生成的研究报告。\n\n```\n              ┌──────────────────┐\n              │    段永平         │\n              │  \"对的生意\"       │\n              │  商业模式本质      │\n              └────────┬─────────┘\n                       │\n    ┌──────────────────┼──────────────────┐\n    │                  │                  │\n    ▼                  ▼                  ▼\n┌────────┐     ┌──────────┐      ┌────────┐\n│ 巴菲特  │     │   芒格    │      │  李录   │\n│ 护城河  │     │ 逆向思考  │      │ 文明趋势│\n│ 安全边际│     │ 风险清单  │      │ 范式转移│\n│ 管理层  │     │ 偏误自查  │      │ 产业价值│\n└────────┘     └──────────┘      └────────┘\n```\n\n四位大师不是简单的分工，而是设计来**互相挑战**的：\n\n- 段永平说\"好生意\"，芒格会问\"怎么会死\"\n- 巴菲特说\"够便宜\"，李录会问\"10年后还在吗\"\n- 你得到的不是四份报告的拼接，而是四种思维方式的碰撞\n\n| 功能 | 命令 | 解决的问题 |\n|---|---|---|\n市值验算 |\n`verify-market-cap` |\n股价×总股本 精确计算，检测单位错误 |\n估值验算 |\n`verify-valuation` |\nPE/PB/ROE/FCF Yield 精确十进制计算 |\n多源交叉验证 |\n`cross-validate` |\nN个来源的同一数据自动比对，超过容差告警 |\n三情景估值 |\n`three-scenario` |\n乐观/中性/悲观精确计算目标价 |\nBenford定律检测 |\n`benford` |\n检测财务数据首位数字分布异常 |\n精确计算器 |\n`calc` |\n任意财务表达式精确计算，替代LLM心算 |\n\n**设计原则**：所有计算使用 Python `decimal.Decimal`\n\n（精确十进制），非 `float`\n\n（浮点近似）。`0.1 + 0.2 = 0.3`\n\n在金融场景中不允许失败。\n\n- 四大师综合分析框架（\n`/investment-research`\n\n） - 多Agent并行投研团队（\n`/investment-team`\n\n） - 巴菲特买入前 Checklist（\n`/investment-checklist`\n\n） - 产业链全景扫描（\n`/industry-research`\n\n+`/industry-funnel`\n\n） - 未上市公司研究框架（\n`/private-company-research`\n\n） - 金融严谨性工具（精确算术、市值验算、多源交叉验证、Benford定律检测）\n- 股价异动快速归因（\n`/news-pulse`\n\n4 维并行侦察） - 财报精读（\n`/earnings-review`\n\n+`/earnings-team`\n\n四大师并行解读） - 投资组合管理（\n`/portfolio-review`\n\n仓位审视与再平衡） - 投资论文追踪（\n`/thesis-tracker`\n\n买入后纪律系统） - 管理层纵深研究（\n`/management-deep-dive`\n\n） - 去劣快速筛选（\n`/quality-screen`\n\n7条硬指标排除） - 段永平思维模拟（\n`/dyp-ask`\n\n） - 深度系列长文（\n`/deep-company-series`\n\n8篇12万字） - 历史回测：AI研报 vs 实际股价表现\n- 宏观经济周期分析框架\n- 基于MCP的实时数据接入（Wind/Bloomberg/Yahoo Finance）\n\n本项目仅供学习和研究目的，不构成任何投资建议。投资有风险，决策需谨慎。请始终做好自己的尽职调查（DYOR）。\n\nMIT License\n\n\"The best investment you can make is in yourself.\" — Warren Buffett\n\nAI Berkshire：让每个人都拥有自己的投研团队。\n\n如果这个项目对你有帮助，请给一个 Star 支持！", "url": "https://wpnews.pro/news/ai-berkshire", "canonical_source": "https://github.com/xbtlin/ai-berkshire", "published_at": "2026-06-28 04:20:17+00:00", "updated_at": "2026-06-28 04:34:16.821978+00:00", "lang": "en", "topics": ["ai-agents", "ai-tools", "large-language-models", "generative-ai", "ai-products"], "entities": ["AI Berkshire", "Claude Code", "Codex", "Warren Buffett", "Charlie Munger", "Duan Yongping", "Li Lu", "Pinduoduo"], "alternates": {"html": "https://wpnews.pro/news/ai-berkshire", "markdown": "https://wpnews.pro/news/ai-berkshire.md", "text": "https://wpnews.pro/news/ai-berkshire.txt", "jsonld": "https://wpnews.pro/news/ai-berkshire.jsonld"}}