AI Berkshire

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.

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！