xbtlin/ai-berkshire 保姆级部署教程：AI 时代伯克希尔价值投资研究框架

一句话定位：GitHub 开源项目 xbtlin/ai-berkshire 是一套同时兼容 Claude Code 与 Codex 的投资研究 Skill 合集，把巴菲特、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，通过多 Agent 并行研究实现专业级投资研究——一个人 + Claude Code / Codex = 一个投研团队。

slogan：Price is what you pay, value is what you get. —— 用 AI 重新定义投资研究的深度与效率。

仓库地址：https://github.com/xbtlin/ai-berkshire · 许可证：MIT · ⭐ 16,963 · 已沉淀 2,274 份研究报告、覆盖 111 家公司、29 个专题

▲ 图 0：AI Berkshire 仓库 README 顶部内嵌的 Trendshift 官方 GitHub Trending 趋势榜徽章（官方资源，来自 README 第 3 行 Trendshift 徽章接口 trendshift.io/repositories/63696）。

▲ 图 1：AI Berkshire 整体架构图（官方资源，来自 README 内嵌 assets/architecture.svg，width=760）——自上而下分为 Skill 层（22 个明确入口）、Agent 层（Team Lead 并行调度四大师视角 Agent）、工具层（精确计算、实时检索、报告抽检）。

一、项目简介

AI Berkshire 不是又一个「帮我分析一下这只股票」的提示词合集。它要解决的问题非常具体：直接问大模型「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 把这件事改造成一套有纪律、可复现、可对抗的投研流程：强制给出「通过 / 不通过 / 灰色地带」结论并附具体价格区间与分层建议；让段永平（商业模式）、巴菲特（财务估值）、芒格（逆向思考）、李录（长期确定性）四个视角产生真实矛盾与张力；内置信息丰富度 A/B/C 评级、芒格式逆向检验、快速否决清单、反共识检查、留白原则等多层反偏见机制；所有金融计算用 Python decimal.Decimal 精确十进制，关键数据至少 2 个独立来源交叉验证。

项目由一位真金白银实盘的投资者维护：2024 全年实盘 +69.29%、2025 全年 +66.38%，连续两年大幅跑赢标普 500、恒生指数、沪深 30、纳斯达克等全球主要指数；仓库内沉淀了 2,274 份带底稿的研究报告（更新至 2026-10-28），并配套一个可搜索、可记住阅读进度的 在线阅读站。仓库以 MIT 许可证开源，作者同时维护微信公众号「复利炼丹炉」作为精选研究首发渠道，并明确声明不收费、不荐股、不带单、不建投资群。

二、实盘业绩（官方截图）

作者在 README 的「Real Track Record」一节用富途证券真实账户截图展示了这套框架背后的实盘表现，历史收益不代表未来表现：

▲ 图 2：2024 全年实盘收益 +69.29%（官方资源，来自 README 内嵌 assets/2024-returns.jpg，width=300，截图来自富途证券真实账户）。

▲ 图 3：2025 全年实盘收益 +66.38%（官方资源，来自 README 内嵌 assets/2025-returns.jpg，width=300，截图来自富途证券真实账户）。

两年累计实盘收益超 146 万元；2024 年跑赢标普 500 约 46 个百分点、跑赢恒生指数约 52 个百分点；2025 年跑赢标普 500 约 50 个百分点、跑赢恒生指数约 39 个百分点。作者声明：历史收益不代表未来表现。

三、功能特点

▲ 图 4：Team Lead 并行调度四大师 Agent（官方资源，来自 README 内嵌 assets/team-core.svg，width=720）——Team Lead 同时向段永平、巴菲特、芒格、李录四个视角 Agent 派发研究任务，每个 Agent 独立搜索与判断，再回传 Team Lead 综合。

四、环境要求

• AI 客户端（二选一）：Claude Code（npm install -g @anthropic-ai/claude-code）或 OpenAI Codex（npm install -g @openai/codex，或 macOS brew install --cask codex，或官方 install.sh / PowerShell 脚本）。
• Node.js：用于通过 npm 安装 Claude Code / Codex 客户端；本仓库 Skill 本身是 Markdown 文件，不参与编译。
• Git：用于 git clone 拉取仓库。
• Python 3：用于运行 tools/financial_rigor.py 做市值验算、估值验算、多源交叉验证、三情景估值等精确计算（不依赖第三方包，标准库 decimal 即可）。
• 操作系统：官方提供 macOS / Linux 的 bash 安装脚本与 Windows PowerShell / Command Prompt 的 .bat 脚本，三端均可。
• 网络：需要能访问 GitHub 拉取仓库、能访问你所使用的 AI 客户端（Claude / ChatGPT）的推理接口；深度投研类 Skill 会进行多轮检索与交叉验证，token 消耗较高。
• 模型建议：涉及护城河、估值、管理层、风险交叉判断时，作者建议用最强模型以换取更好的分析 ROI；初筛、摘要、低风险问题可换轻量模型。

五、保姆级部署步骤

5.1 安装 AI 客户端（Claude Code 或 Codex，二选一）

如果你还没有装客户端，先按你日常用的那一个装：

Claude Code 用户：

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

Codex 用户（macOS / Linux，安装脚本地址见 Codex 官方页 chatgpt.com/codex）：

curl -fsSL  | 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（脚本地址见 Codex 官方页 chatgpt.com/codex）：

powershell -ExecutionPolicy ByPass -c "irm  | iex"

5.2 克隆仓库

把本仓库克隆到你习惯放项目的位置（仓库地址见 github.com/xbtlin/ai-berkshire）：

git clone <本仓库 git 地址>
cd ai-berkshire

仓库内主要目录结构：

• skills/：Claude Code command 源文件（22 个 .md）。
• codex-skills/：由 scripts/sync-codex-skills.py 从 skills/*.md 生成的 Codex skill 包。
• codex-prompts/：可选的 Codex slash prompt 兼容层。
• scripts/：官方安装脚本（Claude commands / Codex skills / Codex prompts）。
• tools/financial_rigor.py：金融严谨性工具（市值验算、估值验算、交叉验证、三情景估值、Benford 检测、精确计算器）。
• reports/：2,274 份真实研究报告底稿，可对照学习。

5.3 Claude Code 用户安装 Skills

macOS / Linux：

# 在 ai-berkshire 仓库根目录下
./scripts/install-claude-commands.sh

Windows PowerShell / Command Prompt：

.\scripts\install-claude-commands.bat

该脚本会把 skills/*.md 复制到 Claude Code 的全局 commands 目录，安装完成后重启 Claude Code 即可在斜杠菜单里看到 /investment-research、/investment-team 等命令。

5.4 Codex 用户安装 Skills

macOS / Linux：

# 生成并安装 Codex skills 到 ~/.codex/skills
./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

Windows PowerShell / Command Prompt：

.\scripts\install-codex-skills.bat

REM 可选：安装 Codex slash prompts
.\scripts\install-codex-prompts.bat

安装后重启 Codex，直接用自然语言描述「使用 investment-research 研究腾讯」即可触发对应 skill；如果装了 slash prompts，也可以在 / 菜单里搜 prompts:investment-research。

5.5（可选）减少授权确认弹窗

这些 Skill 会频繁调用工具，Claude Code 默认会逐次请求授权确认。如果你信任当前 workflow 并在可信环境中运行，可以用跳过权限确认模式启动：

claude --dangerously-skip-permissions

注意：该模式会关闭 Claude Code 的工具审批保护，只应在你信任仓库、命令和工作目录的情况下使用。

六、配置说明

本仓库的 Skill 安装后无需额外配置即可直接使用——它本身是一组 Markdown 提示词文件，不持有任何 API Key、不启动任何后台服务。需要留意的配置点：

• 模型选择：深度投研类 Skill（/investment-research、/investment-team、/earnings-team、/deep-company-series）会进行多轮研究、交叉验证和多 Agent 综合判断，token 消耗较高；轻量 Skill（/quality-screen、/news-pulse、/dyp-ask）适合做初筛与快速归因。想控制成本时，先用轻量 Skill 排除明显不合适的公司，再对值得深入的标的跑深度 Skill。
• 金融严谨性工具：tools/financial_rigor.py 是命令行工具，需要时手动调用。例如分析腾讯时校验市值：python3 tools/financial_rigor.py verify-market-cap --price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD，所有计算用 decimal.Decimal，不会出现 0.1 + 0.2 = 0.30000000000000004 的浮点误差。
• Claude Code 内置 /deep-research：Claude Code 客户端自带一个深度研究编排器（不由本仓库分发），流程是把问题拆成 5 个检索角度并行搜索 → 每条论断由 3 个独立 Agent 对抗验证（3 票中 2 票证伪才剔除）→ 按置信度合成带引用的报告。建议在运行本仓库的个股 / 行业 Skill 之前，先用它对关键事实判断做独立核查。
• 官方渠道：作者声明只有三个官方渠道——本仓库、阅读站、微信公众号「复利炼丹炉」；ai-berkshire.com、aiberkshire.com 等域名由他人注册，与本项目无关，凡以 AI Berkshire 名义拉群、收费、推荐个股的都不是本人。

七、使用方法

7.1 Claude Code 斜杠命令调用

安装完成后在 Claude Code 里直接输入斜杠命令即可，常用示例：

# 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
/income-investment Verizon mode=existing role=core-income quantity=100 cost_basis=39.50
/portfolio-review 腾讯30%, 美团20%, 茅台20%, 现金30%
/thesis-tracker 拼多多
/thesis-drift 拼多多 reports/拼多多-thesis-2025Q4.md reports/拼多多-thesis-2026Q1.md
/news-pulse 腾讯

# 思维工具
/dyp-ask 拼多多的护城河到底在哪里？
/wechat-article 美团

7.2 Codex 自然语言调用

Codex 没有斜杠命令体系，安装后直接用自然语言描述任务即可：

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 thesis-drift 对比拼多多两份投资论文
使用 wechat-article 写美团投研文章

如果额外安装了 Codex slash prompts，重启 Codex 后也可以在 / 菜单里搜索，官方入口通常显示为 prompts:investment-research。

7.3 典型工作流

作者推荐的真实使用路径是：先用 /quality-screen 或 /investment-checklist 快速排除明显不合格的公司（10 分钟级别）→ 对通过初筛的标的用 /investment-team 跑 4 Agent 并行深度研究（小时级别）→ 财报季用 /earnings-review 或 /earnings-team 精读一手财报 → 持仓后用 /thesis-tracker 跟踪投资论文是否被证伪、/news-pulse 在股价异动时 10 分钟快速归因。这样既不会浪费 token 在明显不适合的标的上，也不会在持仓异动时陷入小作文焦虑。

八、常见问题 FAQ

问一：这套框架真的能帮我赚钱吗？
答：不能。仓库 README 开头就引用巴菲特的话「Price is what you pay, value is what you get」，并在免责声明中明确：本项目仅供学习和研究目的，不构成任何投资建议。作者展示的 2024 年 +69.29%、2025 年 +66.38% 是其本人富途证券真实账户截图，历史收益不代表未来表现。AI Berkshire 解决的是「分析质量和决策纪律」，不是「替你下单」。

问二：我应该用 Claude Code 还是 Codex？
答：仓库同时维护三套入口——skills/*.md（Claude Code command 源文件）、codex-skills/*/SKILL.md（由脚本从 skills 生成的 Codex skill 包）、codex-prompts/*.md（可选的 Codex slash prompt 兼容层），两套客户端跑的是同一套 canonical workflow。按你日常订阅的客户端选即可：已经在用 Claude Code 就装 Claude commands，已经在用 ChatGPT 付费版就装 Codex skills。

问三：深度研究一次要花多少钱 / 多少 token？
答：作者没有给出固定数字，但明确提示深度投研类 Skill 会进行多轮研究、交叉验证和多 Agent 综合判断，token 消耗较高。省钱策略是先用轻量 Skill（/quality-screen、/news-pulse、/investment-checklist）做初筛和异动归因，只有结果值得继续深入时再跑 /investment-research 或 /investment-team，而不是反过来。

问四：Claude Code 一直弹授权确认，能不能关掉？
答：可以用 claude --dangerously-skip-permissions 跳过权限确认启动。但作者明确提示：该模式会关闭 Claude Code 的工具审批保护，只应在你信任仓库、命令和工作目录的情况下使用。这是 Claude Code 客户端本身的权限机制，不是本仓库可以修改的默认设置。

问五：网上那些 ai-berkshire.com、收费荐股群是官方的吗？
答：不是。作者在 README 中明确声明：官方渠道只有三个——本仓库、阅读站 xbtlin.github.io/ai-berkshire、微信公众号「复利炼丹炉」；项目本身 MIT 开源，不收费、不荐股、不带单、不建投资群，也不以任何形式收款。ai-berkshire.com、aiberkshire.com 等域名由他人注册，与本项目无关。

九、官方公众号与 Star History

仓库 README 末尾作者引导关注微信公众号「复利炼丹炉」——精选公司研究与个人判断首发于该公众号，仓库本身仍是全量框架与全量报告：

▲ 图 5：微信公众号「复利炼丹炉」官方二维码（官方资源，来自 README 内嵌 assets/wechat-qr.png，width=160，alt 为 README 原文标注）。

▲ 图 6：AI Berkshire 仓库 Star History 增长曲线（官方资源，来自 README 末尾内嵌 assets/star-history.svg，浅色模式默认图；README 同时提供 assets/star-history-dark.svg 深色模式变体）。

相关链接

• 项目仓库：xbtlin/ai-berkshire
• 在线阅读站（2,274 份报告）：xbtlin.github.io/ai-berkshire
• 研究报告索引：reports/README.md
• 英文 README：README_EN.md
• 日文 README：README_JA.md
• Claude Code 官方安装：docs.claude.com/claude-code
• Codex 官方：chatgpt.com/codex
• 金融严谨性工具：tools/financial_rigor.py
• 公司估值方法指南：tools/valuation/company-playbooks.md