30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度这次我们来看一个能让你一个人拥有一个投研团队的开源项目AI Berkshire。这不是一个简单的AI聊天机器人而是一个基于Claude Code和Codex构建的、系统化的价值投资研究框架。它把巴菲特、芒格、段永平、李录四位投资大师的方法论变成了18个可以直接调用的AI技能Skill让你能像指挥一个专业分析师团队一样进行深度、结构化、可复现的投资研究。最核心的亮点是它解决了普通AI在投资分析上的致命缺陷模棱两可。直接问Claude“XX公司值不值得买”你大概率会得到一个“一方面…另一方面…”的平衡废话。而AI Berkshire通过多Agent并行、结构化流程和金融数据精确校验强制输出明确的结论、价格区间和分层建议。项目宣称其背后的实盘策略在2024和2025年分别取得了69.29%和66.38%的收益大幅跑赢主流指数。这篇文章将带你从零开始完成AI Berkshire的部署、安装和核心功能测试。无论你是Claude Code用户还是Codex用户都能快速上手。我们会重点验证它的多Agent并行研究能力、结构化输出效果以及最关键的数据校验工具是否真的能避免AI“胡说八道”。如果你关心如何将大语言模型LLM应用于严肃的金融分析并希望获得一个可落地的、纪律严明的分析工具那么这篇文章值得你仔细阅读。1. 核心能力速览在深入部署之前我们先快速了解AI Berkshire的核心定位和能力边界。这能帮你判断它是否适合你的需求。能力项说明项目类型基于Claude Code/Codex的价值投资研究框架AI Agent集合核心功能18个投资研究Skill覆盖深度研究、财报分析、行业筛选、持仓管理、思维工具五大场景核心特色四大师视角对抗巴菲特、芒格、段永平、李录、多Agent并行研究、结构化反偏见机制、金融数据精确校验硬件/环境门槛无GPU要求。核心依赖是已安装的Claude Code或Codex客户端以及网络连接用于Agent实时搜索。本地主要运行Python脚本进行数据校验。启动方式非传统服务启动。通过安装Skill到Claude Code/Codex客户端以命令行指令或Slash命令方式调用。是否支持API否。其工作流深度集成在Claude Code/Codex的对话环境中并非独立的HTTP API服务。是否支持批量任务是。部分Skill如/quality-screen,/investment-checklist支持输入公司列表进行批量分析。输出形式结构化的Markdown报告包含评分表格、投资建议、估值区间等。适合场景个人投资者进行公司深度研究、行业扫描、持仓复盘希望用AI辅助建立系统化、可复现投研流程的用户。不适合场景高频交易、短线技术分析、完全自动化的交易信号生成。简单来说AI Berkshire不是一个“黑箱”荐股工具而是一个增强你研究能力和决策纪律的“副驾驶”。它通过一套严谨的流程迫使你和AI从多个维度、以对抗性思维去审视一家公司最终输出一份可供决策参考的、格式统一的报告。2. 适用场景与使用边界在动手安装前明确AI Berkshire能做什么、不能做什么以及重要的合规边界至关重要。它最适合解决这些问题研究效率低下面对海量财报、研报和新闻不知从何入手研究过程碎片化。分析框架缺失没有系统化的分析框架容易陷入细节或受市场情绪影响。结论模糊不清自己分析或询问普通AI后仍然得不到一个清晰的“买/卖/观望”结论及对应的价格锚点。持仓管理随意买入后缺乏持续的跟踪和复盘机制卖出决策情绪化。它的核心价值在于流程与纪律流程化将四位大师的智慧沉淀为可重复执行的步骤。对抗性让不同视角如巴菲特的“护城河”与芒格的“逆向思考”相互挑战减少盲点。可验证所有关键财务数据要求多源交叉验证并用Python工具进行精确计算避免LLM“心算”错误。可复现同样的公司半年后可以用完全相同的标准再分析一次直接对比变化。重要使用边界与合规提醒非投资建议AI Berkshire的所有输出均为研究过程的自动化辅助结果绝不构成任何投资建议。项目的免责声明也明确强调“投资有风险决策需谨慎”使用者必须进行独立的尽职调查DYOR。数据来源项目的Agent会实时搜索网络获取数据。使用者需对最终用于决策的数据准确性负责并了解不同数据源可能存在的偏差。历史业绩说明项目展示的实盘收益为特定历史区间的回溯结果绝不代表未来表现。金融市场瞬息万变过去的高收益无法保证未来。理性工具它是一个强化理性分析的工具但不能替代人的最终判断。所有投资决策的责任在于使用者自身。合法合规使用请确保在符合当地法律法规和平台服务条款的前提下使用Claude Code/Codex及本框架进行研究。3. 环境准备与前置条件AI Berkshire的运行环境非常简单因为它本质上是一套运行在现有AI客户端Claude Code或Codex之上的“技能包”。你的主要准备工作是安装好其中一个客户端。核心前置条件选择并安装AI客户端二选一Claude Code: Anthropic推出的代码辅助AI工具。Codex: OpenAI推出的AI编程工具。你只需要成功安装其中一个即可。本文后续会分别给出两种客户端的安装指引。操作系统支持 macOS, Linux, Windows (通过WSL或PowerShell)。网络环境需要能正常访问Claude或Codex服务因为Skill中的Agent会执行网络搜索。基础工具Git: 用于克隆项目仓库。Node.js 和 npm: Claude Code的安装依赖。Python 3.7: 运行项目内的金融数据校验工具 (tools/financial_rigor.py)。Bash 或 PowerShell: 执行安装脚本。环境检查清单在开始安装前请打开终端或PowerShell依次执行以下命令确保基础环境就绪# 检查Git git --version # 检查Node.js和npm (Claude Code用户需要) node --version npm --version # 检查Python python3 --version # 或 python --version # 检查Bash (Linux/macOS) bash --version如果上述命令都能返回版本号说明基础环境已准备就绪。4. 安装部署与启动方式AI Berkshire的安装分为两步安装AI客户端和安装AI Berkshire Skills。请根据你选择的客户端类型进行操作。4.1 安装AI客户端对于Claude Code用户通过npm全局安装Claude Code命令行工具。npm install -g anthropic-ai/claude-code安装完成后可以通过claude --version验证。对于Codex用户根据你的操作系统选择安装方式。# macOS / Linux curl -fsSL https://chatgpt.com/codex/install.sh | sh # 或者使用npm安装 npm install -g openai/codex # 或者使用Homebrew (macOS) brew install --cask codex # Windows (PowerShell) # 以管理员身份打开PowerShell执行 powershell -ExecutionPolicy ByPass -c irm https://chatgpt.com/codex/install.ps1 | iex安装完成后通过codex --version验证。4.2 安装AI Berkshire Skills无论使用哪个客户端都需要先克隆项目仓库。git clone https://github.com/xbtlin/ai-berkshire.git cd ai-berkshireClaude Code用户安装Skills运行提供的安装脚本它会将Skills复制到Claude Code的全局commands目录。./scripts/install-claude-commands.sh权限提示由于Skills会频繁调用网络搜索等工具Claude Code默认会每次请求用户确认。如果你在可信环境中运行可以使用claude --dangerously-skip-permissions启动来跳过确认但请谨慎使用。Codex用户安装Skills运行对应的安装脚本生成并安装Skill包。# 安装Skills到 ~/.codex/skills 目录 ./scripts/install-codex-skills.sh # (可选) 安装Slash Prompts以获得类似Claude Code的 /investment-research 命令体验 ./scripts/install-codex-prompts.sh安装完成后需要完全退出并重新启动你的Codex客户端以使新安装的Skills生效。4.3 验证安装与启动安装完成后并没有一个传统的“服务”需要启动。AI Berkshire的启动方式就是在你的AI客户端中直接调用Skill命令。在Claude Code中验证打开终端输入claude启动Claude Code。在对话窗口中直接输入/investment-research 腾讯并发送。如果看到Claude开始按照“数据收集 - 生意本质分析 - ...”的流程执行任务并最终输出一份结构化的研究报告说明安装成功。在Codex中验证重启Codex客户端。在对话输入框直接描述任务例如“使用 investment-research 研究腾讯”。或者如果你安装了Slash Prompts可以尝试输入/查看是否有prompts:investment-research等选项。至此AI Berkshire的核心环境就已经部署完成了。接下来我们进入最重要的环节功能实测。5. 功能测试与效果验证我们将选取几个最具代表性的Skill进行实测看看AI Berkshire到底能产出什么内容以及它的“多Agent对抗”和“数据校验”是如何工作的。5.1 核心测试/investment-team(多Agent投研团队)这是最能体现AI Berkshire设计理念的Skill。它同时启动4个独立的AI Agent分别从段永平商业模式、巴菲特财务估值、芒格逆向思考、李录风险与管理层的视角并行研究同一家公司最后进行综合研判。测试目的验证多Agent并行研究的流程完整性、输出结构化程度以及不同视角的对抗性。操作步骤在已安装Skills的Claude Code或Codex中输入命令/investment-team 美团(你可以替换“美团”为任何你感兴趣的上市公司如“腾讯”、“苹果”、“英伟达”)观察AI的响应。它会明确告知你启动了4个并行Agent并开始分头工作。等待约3-10分钟取决于网络和模型速度获取最终报告。预期结果与成功标准输出结构化报告应包含“一句话结论”、“四维评分总表”、“投资建议分策略”等固定模块。视角对抗在评分总表中四个维度的评分应有差异例如“商业模式”得分高但“行业竞争”得分可能较低这体现了不同大师视角的冲突。明确建议在“投资建议”部分应有针对“激进型”、“稳健型”、“保守型”不同策略的具体操作建议和价格区间。数据引用报告中应对关键财务数据如PE、市值注明来源或进行说明。实测片段示例基于项目材料一句话结论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。 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 | ★★★★☆ | 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 |如果输出符合以上结构并且你能清晰地看到四个不同角度的分析和评分那么/investment-teamSkill就成功运行了。5.2 快速筛选测试/investment-checklist(巴菲特买入前Checklist)这个Skill用于在10分钟内快速判断一家公司是否值得深入调研。它模拟了巴菲特买入前的六层过滤逻辑。测试目的验证快速筛查流程的有效性和决策的强制性“镜子测试”。操作步骤输入命令支持多公司对比/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多观察AI如何为每家公司依次通过“能力圈、好生意、护城河、管理层、安全边际、决策纪律”六关。重点关注最后的“镜子测试”环节。预期结果与成功标准逐关评判对每家公司AI应明确给出每一关是通过✅还是未通过❌并附上简短理由。最终结论输出明确的“通过”、“有条件通过”或“不通过”结论。镜子测试这是该Skill的精髓。AI会模拟你向别人解释买入理由并要求在5句话内说清楚。如果AI无法生成一个简洁、逻辑自洽的5句话解释则该项投资会被否决。这是一个强大的“防忽悠”机制。对比表格如果输入多家公司最终应生成一个对比表格直观展示各公司在各维度的表现。5.3 数据严谨性测试使用tools/financial_rigor.pyAI在金融计算上容易出错AI Berkshire通过独立的Python工具来解决这个问题。测试目的验证框架对金融数据精确性的保障机制。操作步骤确保在项目根目录 (ai-berkshire/)。使用工具进行市值验算示例数据python3 tools/financial_rigor.py verify-market-cap \ --price 510 \ --shares 9.11e9 \ --reported 4.65e12 \ --currency HKD参数解释--price股价--shares总股本--reported报告市值--currency货币单位。观察输出。如果计算市值股价×总股本与报告市值偏差在容差范围内如1%则验证通过。预期结果与成功标准工具应输出计算过程、偏差百分比和验证结果✅通过 或 ❌失败。这证明了框架不依赖LLM的心算而是使用Python的decimal.Decimal进行精确十进制运算确保0.10.20.3避免浮点数误差。在实际使用/investment-research等Skill时这个校验过程会被自动调用。5.4 场景化测试/news-pulse(股价异动快速归因)当持仓股票突然大涨或大跌时这个Skill能在10-15分钟内帮你快速理清原因避免情绪化操作。测试目的验证快速情报归因能力和对“价值事件”与“情绪波动”的区分。操作步骤输入命令可以指定跌幅和时间范围/news-pulse 腾讯 # 或更具体 /news-pulse 拼多多 跌12% 一周内观察AI如何从“公司事件、监管政策、行业对手、市场情绪”四个维度并行搜集信息。关注其最终归因结论是“价值事件”、“情绪波动”、“真因不明”还是“混合型”。预期结果与成功标准结构化归因表输出应类似项目材料中的表格列出可能原因、估算贡献度和置信度。性质判断明确给出下跌/上涨的性质判断如“70%资金面/情绪面20%叙事担忧10%不确定性”。行动建议基于归因给出“触发深度研究”、“重审投资论文”或“仅观察”等明确建议。反证列举如项目示例中提到的“段永平卖出看跌期权看多”、“卖方共识买入”等反向证据这体现了深度思考。通过以上四个测试你就能全面了解AI Berkshire的核心工作模式不是替代你思考而是为你搭建一个严谨、多视角、可验证的思考框架。6. 接口API与批量任务需要明确的是AI Berkshire本身不提供独立的HTTP API服务。它的工作流深度绑定在Claude Code或Codex的对话环境中。因此所谓的“接口调用”就是通过客户端与AI进行交互。“批量任务”的实现方式虽然不能像传统API一样用curl或requests库调用但AI Berkshire支持对列表型输入进行批量处理这在其某些Skill中实现了“准批量”能力。行业筛选批量/quality-screenSkill支持直接输入一个指数或板块的所有成分股进行快速过滤。/quality-screen 恒生指数成分股AI会获取成分股列表并依次用7条硬指标进行筛查最终输出通过和不通过的公司名单及理由。多公司对比批量/investment-checklist支持输入逗号分隔的多家公司。/investment-checklist 茅台, 英伟达, 苹果, 微软, 谷歌AI会为每家公司执行完整的六关检查并输出一个综合对比表格。自动化脚本思路对于更复杂的批量需求理论上可以编写脚本通过模拟用户输入的方式循环调用Claude Code/Codex的对话接口将公司列表依次传递给/investment-research等Skill。但这需要破解客户端的交互协议复杂度较高并非项目官方支持的方式。结论AI Berkshire的强项在于深度、结构化的单次研究以及对列表的快速筛查和对比。它不适合需要毫秒级响应、高并发调用的全自动化流水线场景。它的批量是“研究任务”的批量而非“API调用”的批量。7. 资源占用与性能观察由于AI Berkshire的核心计算和推理发生在Claude或Codex的云端服务器因此本地资源占用极低主要开销在于网络流量每个Skill尤其是多Agent并行的Skill如/investment-team会发起大量的网络搜索请求来获取公司财报、新闻、市场数据。这是最主要的“资源消耗”。本地计算仅在使用tools/financial_rigor.py等本地校验工具时会有轻微的CPU占用。这部分可忽略不计。时间成本生成一份深度研究报告如/investment-research通常需要3-10分钟。多Agent并行的任务可能更快因为搜索和分析是并行的。/news-pulse这类快速归因任务则可能在1-3分钟内完成。Token消耗这是使用云端AI服务的核心成本。一份完整的深度研究报告可能消耗数万甚至更多Token。具体消耗取决于模型Claude-3.5-Sonnet、GPT-4等和输出长度。你需要关注你所使用的AI服务商Anthropic/OpenAI的计费方式。性能优化与观察建议网络稳定性确保稳定的网络连接避免因搜索超时导致任务中断。使用策略对于初步筛查使用快速的/investment-checklist对于需要快速归因使用/news-pulse只有对通过初筛的公司才动用/investment-team或/investment-research进行深度研究以平衡效率与深度。成本控制在Claude Code或Codex的设置中通常可以指定使用的模型。选择性价比更高的模型如Claude 3 Haiku进行初步信息搜集和整理在最终综合研判时再使用更强大的模型如Claude 3.5 Sonnet是一种可行的成本控制策略。8. 常见问题与排查方法在安装和使用AI Berkshire过程中你可能会遇到以下问题。问题现象可能原因排查方式解决方案执行Skill命令无反应1. Skills未正确安装。2. 未在Claude Code/Codex对话环境中使用。1. 检查安装脚本是否成功执行有无报错。2. 确认是在Claude Code终端或Codex聊天窗口输入命令。1. 重新运行安装脚本并严格按照README步骤操作。2. 确保输入的是完整的Skill命令如/investment-research 腾讯。Claude Code频繁请求工具使用授权这是Claude Code的安全机制默认每次调用工具如网络搜索都需要确认。观察执行命令时是否频繁弹出“是否允许执行XXX”的确认框。如果信任该工作流可以使用claude --dangerously-skip-permissions启动客户端。注意这会关闭安全确认请仅在可信环境使用。Codex中找不到已安装的Skill1. 安装后未重启Codex。2. Skill安装路径不正确。1. 检查~/.codex/skills/目录下是否有对应的skill文件夹。2. 尝试在Codex中输入“使用 investment-research”而非/命令。1.完全退出并重启Codex客户端。2. 对于Codex更推荐使用描述性语言如“使用investment-research分析苹果”来触发Skill。Agent执行网络搜索失败或超时1. 网络连接问题。2. 搜索API限制或变更。观察AI的回复中是否出现“搜索超时”、“无法获取数据”等提示。1. 检查本地网络。2. 等待一段时间后重试。网络搜索依赖外部服务稳定性非本项目能完全控制。金融数据校验工具报错1. Python环境问题。2. 缺少依赖库。在项目根目录运行python3 tools/financial_rigor.py --help看是否报错。1. 确认使用Python 3.7。2. 可能需要安装decimal库通常为Python内置或其他依赖根据错误提示使用pip install安装。输出报告格式混乱或不全1. AI模型上下文长度限制。2. 复杂的公司分析导致输出被截断。检查输出的最后部分是否完整是否有突然中断的痕迹。1. 尝试使用上下文窗口更大的模型如Claude-3.5-Sonnet-200k。2. 对于极其复杂的分析可以分步进行或使用/deep-company-seriesSkill生成系列文章。“镜子测试”无法通过任何公司这可能是AI过于保守或提示词设置导致。检查/investment-checklist的输出看是在哪一关被卡住。这是框架设计上的“严格”旨在避免冲动投资。你可以将其结论作为风险提示并结合自己的研究做最终判断。工具的目的是辅助而非替代。9. 最佳实践与使用建议为了更高效、更安全地使用AI Berkshire这里有一些来自项目设计思路和实战的经验建议。从快速筛查开始不要一开始就对陌生公司使用深度研究。先用/investment-checklist或/quality-screen进行快速过滤把时间和Token花在值得深入的公司上。建立研究档案为每家公司创建一个Markdown文件保存AI Berkshire生成的所有报告/investment-research,/investment-team。半年或一年后用相同的Skill重新分析将新旧报告对比你能清晰看到公司基本面和市场认知的变化。交叉验证关键数据虽然框架内置了financial_rigor.py工具但对于决定性的估值数据如DCF模型中的永续增长率、折现率建议手动从权威财经网站如公司官网IR页面、交易所公告进行二次核对。理解“灰色地带”AI Berkshire的结论中有“灰色地带”Gray Area。这不是缺陷而是优点。它代表现有信息不足以做出明确判断。这时你应该将其标记为“持续观察名单”而不是强行做出投资决策。活用思维工具/dyp-ask段永平问答不仅可用于投资也可以用于思考商业模式、职业选择等人生问题。它是一个很好的思维训练工具。组合使用Skills形成一个研究流水线。例如行业漏斗 (/industry-funnel)-初筛公司清单-快速检查 (/investment-checklist)-通过的公司-深度研究 (/investment-team)-生成报告-加入持仓跟踪 (/thesis-tracker)。合规与授权提醒再次强调数据版权生成的研究报告若引用大量第三方数据请注意数据版权用于个人学习研究通常无碍但公开发布或商用需谨慎。内容责任如果你将AI生成的研究报告分享给他人务必加上“AI生成仅供参考不构成投资建议”的免责声明。隐私保护避免在分析中使用未公开的、涉及商业机密或个人隐私的信息。10. 总结与下一步AI Berkshire是一个将顶级投资智慧工程化、将AI Agent能力场景化的杰出实践。它最大的价值不在于预测股价而在于提供了一套抵御人性弱点、提升决策质量的系统化流程。通过四大师视角的强制对抗、金融数据的精确校验和可复现的研究输出它有效地遏制了普通AI在投资分析中常见的“模糊正确”和“逻辑幻觉”。对于个人投资者和研究者最值得尝试的起点就是/investment-checklist和/investment-team。前者能帮你快速建立纪律后者能让你直观感受多Agent协作的深度。最容易踩的坑可能是对网络搜索稳定性的过度依赖以及初期对严格框架的不适应——总觉得AI“太保守”。部署完成后你可以探索以下几个方向自定义Skills阅读skills/目录下的.md文件理解其Prompt结构。你可以基于此模板创建专注于特定行业如医药、芯片或加入你自己投资理念的定制化Skill。接入实时数据项目未来方向中提到基于MCP接入Wind/Bloomberg等实时数据。你可以尝试研究如何将本地数据库或爬虫获取的数据通过MCP服务器提供给AI Agent减少对公开网络搜索的依赖。回测与迭代用历史数据测试不同Skill组合的“模拟”表现观察其分析逻辑与后续股价走势的相关性不断优化和调整你自己的使用策略。这个项目展示了AI在复杂决策支持领域的巨大潜力——不是替代人类而是将人类顶尖的思维模式固化、规模化。把它当作一个永不疲倦、严守纪律的研究助理或许是你迈向理性投资的第一步。建议收藏本文在部署和实战中遇到问题时随时回来查阅排查清单。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度