# AI Berkshire

> Source: <https://github.com/xbtlin/ai-berkshire>
> Published: 2026-06-28 04:20:17+00:00

中文 | [English](/xbtlin/ai-berkshire/blob/main/README_EN.md)

"Price is what you pay, value is what you get." — Warren Buffett

用 AI 重新定义投资研究的深度与效率。

**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。

一个人 + Claude Code / Codex = 一个投研团队。

不是纸上谈兵。这套框架背后是真金白银验证的投资体系。

| 指标 | 2024 全年 | 2025 至今 |
|---|---|---|
本框架实盘 |
+69.29% |
+66.38% |
| 恒生指数 | +17.67% | +27.77% |
| 标普500 | +23.31% | +16.39% |
| 沪深300 | +14.68% | +17.66% |
| 纳斯达克 | +28.64% | +20.36% |

**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**

**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**

**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。

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。

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。

**这种分析看起来对，但没法拿来做决策。**

AI 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：

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。

普通AI回答：

"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：

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 —

镜子测试：5句话说不完整 = 不买，没有例外。

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**——

以拼多多为例：

**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。

AI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：

| 机制 | 解决什么问题 | 举例 |
|---|---|---|
信息丰富度评级（A/B/C） |
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 |
芒格式逆向检验 |
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 |
快速否决清单 |
8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 |
反共识检查 |
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 |
留白原则 |
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 |

LLM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。

**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：

```
# 市值手算校验：股价 × 总股本，与报告数据对比
python3 tools/financial_rigor.py verify-market-cap \
  --price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD
# ✅ 验证通过, 偏差仅 0.08%
```

所有计算使用 Python `decimal.Decimal`

（精确十进制），不用 `float`

。关键数据至少2个独立来源交叉验证。

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。

AI 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：

- 7家公司横向对比，评分标准完全一致
- 同一家公司半年后重新分析，直接对比变化
- 团队成员之间的研究结果可以对齐

真实输出——7家公司用同一标准 Checklist 筛选：

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

`/investment-team`

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。

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。

```
┌─────────────────────────────────────────────┐
│              Team Lead (你)                  │
│         统筹协调 · 汇总研判                  │
├──────┬──────┬──────────┬───────────┤
│ Agent 1    │ Agent 2    │ Agent 3        │ Agent 4         │
│ 商业模式   │ 财务估值    │ 行业竞争       │ 风险管理层       │
│ 段永平视角 │ 巴菲特视角  │ 芒格视角       │ 李录视角         │
└──────┴──────┴──────────┴───────────┘
        ↓ 并行研究，实时汇报进度 ↓
              最终综合报告
```

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"。

图源：

[（Mermaid 可编辑源码）]`assets/architecture.mmd`

**三层设计哲学**：

**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

| Skill | 用途 | 适合场景 |
|---|---|---|
`/investment-research` |

`/investment-team`

`/management-deep-dive`

`/private-company-research`

`/deep-company-series`

| Skill | 用途 | 适合场景 |
|---|---|---|
`/earnings-review` |

`/earnings-team`

| Skill | 用途 | 适合场景 |
|---|---|---|
`/industry-research` |

`/industry-funnel`

`/quality-screen`

`/bottleneck-hunter`

`/investment-checklist`

| Skill | 用途 | 适合场景 |
|---|---|---|
`/portfolio-review` |

`/thesis-tracker`

`/news-pulse`

| Skill | 用途 | 适合场景 |
|---|---|---|
`/dyp-ask` |

`/financial-data`

`/wechat-article`

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。

Claude Code 用户：

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

Codex 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 --version
```

Windows 用户可使用官方 PowerShell 安装命令：`powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"`

。

如果 `codex --version`

能正常输出版本号，就可以继续安装本项目的 Codex skills。

Claude Code 用户安装：

```
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git

# 复制 skills 到 Claude Code 全局 commands 目录
cd ai-berkshire
./scripts/install-claude-commands.sh
```

Codex 用户安装：

```
# 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire.git

# 生成并安装 Codex skills 到 ~/.codex/skills
cd ai-berkshire
./scripts/install-codex-skills.sh

# 可选：安装 Codex slash prompts 到 ~/.codex/prompts
# 用于获得接近 Claude Code 的 /investment-research 体验
./scripts/install-codex-prompts.sh
```

仓库同时维护三套入口：`skills/*.md`

是 Claude Code command 源文件；`codex-skills/*/SKILL.md`

是 Codex skill 包，由 `scripts/sync-codex-skills.py`

从 `skills/*.md`

生成；`codex-prompts/*.md`

是可选的 Codex slash prompt 兼容层。

在 Claude Code 中直接调用：

```
# 深度研究
/investment-research 腾讯
/investment-team 美团
/management-deep-dive 王兴 美团
/private-company-research SpaceX
/deep-company-series 拼多多

# 财报分析
/earnings-review 腾讯 2025Q4
/earnings-team PDD 2025年报

# 行业筛选
/industry-research 核电
/industry-funnel AI算力
/quality-screen 恒生指数成分股
/bottleneck-hunter AI基础设施
/investment-checklist 茅台, 英伟达, 苹果

# 持仓管理
/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30%
/thesis-tracker 拼多多
/news-pulse 腾讯

# 思维工具
/dyp-ask 拼多多的护城河到底在哪里？
/wechat-article 大模型OPD技术解读
```

在 Codex 中安装后重启 Codex，然后直接按 skill 名称描述任务，例如：

```
使用 investment-research 研究腾讯
使用 earnings-review 分析 PDD 2025年报
使用 industry-funnel 筛选 AI算力
使用 bottleneck-hunter 扫描 AI基础设施瓶颈
使用 wechat-article 写大模型OPD技术解读
```

如果安装了 Codex slash prompts，重启 Codex 后也可以在 `/`

菜单里搜索这些 prompt。Codex 官方的 custom prompt 入口通常显示为 `prompts:<name>`

，例如：

```
/prompts:investment-research 腾讯
```

最全面的单公司深度研究框架。按七个模块顺序执行：

```
数据收集 → 生意本质(段永平) → 护城河(巴菲特) → 逆向思考(芒格)
    → 管理层评估(段永平+巴菲特) → 文明趋势(李录) → 估值与安全边际
```

**核心特色**：

- AI研究偏见自觉机制（A/B/C级信息丰富度评级）
- 关键数据多源交叉验证（市值手算校验、至少2个独立来源）
- 四位大师的"追问"贯穿全文
- 三情景估值（乐观/中性/悲观）+ 反向DCF

**输出示例摘录**：

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 ★★★★☆

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。"

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。"

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。

**输出示例摘录**：

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。

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

综合评分：3.8 / 5

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

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：

```
第一关：能力圈（我能理解吗？）
    ↓ 通过
第二关：好生意（经济特征如何？）
    ↓ 通过
第三关：护城河（竞争优势深不深？）
    ↓ 通过
第四关：管理层（值得信任吗？）
    ↓ 通过
第五关：安全边际（价格便宜吗？）
    ↓ 通过
第六关：决策纪律（是理性还是FOMO？）
    ↓ 通过
   ✅ 镜子测试
```

**支持多公司对比**——一次筛选多个标的：

```
/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多
```

**输出示例摘录**：

"我以 380港元 买入 腾讯，因为：

- 这门生意的本质是
社交网络+数字内容平台，我理解它；- 它的护城河是
12亿用户的社交关系链，而且在变宽；- 管理层
Pony 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
8折，有一定安全边际；- 即使我错了，下行风险可控，因为
账上净现金超2000亿、游戏现金流强劲。"✅ 通过镜子测试

5句话说不完整 = 不买。没有例外。

从一个投资主题出发，完成产业链全景研究：

```
投资逻辑链构建 → 产业链全景图 → 全球上市公司扫描
    → 各环节头部公司四大师分析 → 投资组合配置建议
```

**输出示例摘录**：

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

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

从一个行业/方向出发，**全市场 → ≤10 家 → 3 家**逐层精选：

```
全市场扫描（活跃度 + 涨幅 + 市值前 30 并集，30-60 家）
    ↓ 价值投资 5 条硬指标
粗筛 ≤ 10 家
    ↓ 精细分析（每家 300-500 字）
精细分析 ≤ 10 家
    ↓ 终选（按组合互补性，不按打分前 3）
四大师深度分析 3 家（每家 800-1200 字）
    ↓
推荐组合（核心 / 卫星 / 期权）+ 操作信号
```

**核心特色**：

- 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）
- 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
- 强制列"未来 IPO 候选"，避免漏掉一级市场核心玩家
- 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

**与 /industry-research 的区别**：

`industry-research`

偏重产业链结构与全景（按环节切片）`industry-funnel`

偏重个股筛选漏斗（从全市场逐层精选到 3 家）

**实测：AI 行业 4 子赛道并行（2026-05-09）**：

| 子赛道 | 终选 3 家 | 核心仓位推荐 |
|---|---|---|
| AI 算力 | TSMC / NVIDIA / SK Hynix | TSMC ★★★★★ |
| AI 模型 | Alphabet / Meta / 阿里巴巴 | Alphabet ★★★★★ |
| AI 应用 | 微软 / Adobe / AppLovin | 微软 + Adobe ★★★★ |
| AI 基建电力 | Eaton / 特变电工 / Talen Energy | Eaton + 特变电工 ★★★★ |

**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）。

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)

专为信息稀缺的未上市公司设计的"侦探式"研究框架：

**核心差异化**：

**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

**输出示例摘录**：

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) 🟢

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

综合合理估值区间：$250B - $400B

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。

**核心差异化**：

**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

**与其他 Skill 的区别**：

| 场景 | 用什么 |
|---|---|
| 完整投研（小时级） | `/investment-team` 或 `/investment-research` |
| 财报深读 | `/earnings-review` |
| 长期论文跟踪 | `/thesis-tracker` |
股价异动 10 分钟归因 |
`/news-pulse` |

**输出示例摘录**（腾讯 4/17-5/01 实测，14 天 -10.47%）：

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——

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。

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

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%）。

调用方式：

```
/news-pulse 腾讯
/news-pulse 拼多多 跌12% 一周内
/news-pulse 米哈游
```

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。

| 公司 | 使用 Skill | 核心结论 | 报告链接 |
|---|---|---|---|
| 拼多多 (PDD) | `/investment-team` |
综合3.4/5，极度便宜但10年确定性不足，适合中等仓位 |
|

`/investment-research`

[查看报告](/xbtlin/ai-berkshire/blob/main/reports/%E8%85%BE%E8%AE%AF)`/investment-checklist`

[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)

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。

```
              ┌──────────────────┐
              │    段永平         │
              │  "对的生意"       │
              │  商业模式本质      │
              └────────┬─────────┘
                       │
    ┌──────────────────┼──────────────────┐
    │                  │                  │
    ▼                  ▼                  ▼
┌────────┐     ┌──────────┐      ┌────────┐
│ 巴菲特  │     │   芒格    │      │  李录   │
│ 护城河  │     │ 逆向思考  │      │ 文明趋势│
│ 安全边际│     │ 风险清单  │      │ 范式转移│
│ 管理层  │     │ 偏误自查  │      │ 产业价值│
└────────┘     └──────────┘      └────────┘
```

四位大师不是简单的分工，而是设计来**互相挑战**的：

- 段永平说"好生意"，芒格会问"怎么会死"
- 巴菲特说"够便宜"，李录会问"10年后还在吗"
- 你得到的不是四份报告的拼接，而是四种思维方式的碰撞

| 功能 | 命令 | 解决的问题 |
|---|---|---|
市值验算 |
`verify-market-cap` |
股价×总股本 精确计算，检测单位错误 |
估值验算 |
`verify-valuation` |
PE/PB/ROE/FCF Yield 精确十进制计算 |
多源交叉验证 |
`cross-validate` |
N个来源的同一数据自动比对，超过容差告警 |
三情景估值 |
`three-scenario` |
乐观/中性/悲观精确计算目标价 |
Benford定律检测 |
`benford` |
检测财务数据首位数字分布异常 |
精确计算器 |
`calc` |
任意财务表达式精确计算，替代LLM心算 |

**设计原则**：所有计算使用 Python `decimal.Decimal`

（精确十进制），非 `float`

（浮点近似）。`0.1 + 0.2 = 0.3`

在金融场景中不允许失败。

- 四大师综合分析框架（
`/investment-research`

） - 多Agent并行投研团队（
`/investment-team`

） - 巴菲特买入前 Checklist（
`/investment-checklist`

） - 产业链全景扫描（
`/industry-research`

+`/industry-funnel`

） - 未上市公司研究框架（
`/private-company-research`

） - 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）
- 股价异动快速归因（
`/news-pulse`

4 维并行侦察） - 财报精读（
`/earnings-review`

+`/earnings-team`

四大师并行解读） - 投资组合管理（
`/portfolio-review`

仓位审视与再平衡） - 投资论文追踪（
`/thesis-tracker`

买入后纪律系统） - 管理层纵深研究（
`/management-deep-dive`

） - 去劣快速筛选（
`/quality-screen`

7条硬指标排除） - 段永平思维模拟（
`/dyp-ask`

） - 深度系列长文（
`/deep-company-series`

8篇12万字） - 历史回测：AI研报 vs 实际股价表现
- 宏观经济周期分析框架
- 基于MCP的实时数据接入（Wind/Bloomberg/Yahoo Finance）

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）。

MIT License

"The best investment you can make is in yourself." — Warren Buffett

AI Berkshire：让每个人都拥有自己的投研团队。

如果这个项目对你有帮助，请给一个 Star 支持！