AI Berkshire 投研框架
将四位价值投资大师的方法论变成可执行的 AI 投研流程。
按维度查看评分与理由
证据显示：README 明确要求用户使用 --dangerously-skip-permissions 模式，这削弱了用户确认机制，但仓库本身不强制，且提示了风险。数据流透明度：README 描述了多 Agent 并行搜索和交叉验证，但未详细说明数据流向和存储。敏感数据处理：未发现处理敏感数据的代码，但工具可能读取财务数据。依赖安全：未发现依赖清单，无法评估。外部影响：工具会调用外部 API 和网络搜索，但未说明权限范围。回滚：未提供任何回滚机制。来源归属：README 声称实盘业绩，但未提供可验证的审计轨迹。扣分原因：缺少明确的权限最小化设计、用户确认机制不完善、数据流不透明、无回滚机制、来源归属缺乏证据。
证据显示：README 和测试文件展示了工具的一致性，测试覆盖了编码和数字提取的 bug 修复。依赖可用性：未列出依赖，但测试文件显示仅使用标准库。失败消息：测试文件验证了错误路径的输出，但未覆盖所有失败场景。扣分原因：依赖清单缺失，失败消息覆盖不全面。
证据显示：README 提供了多种使用场景和示例，覆盖不同用户需求。能力边界：README 描述了各 skill 的用途和限制，但未明确边界。触发精度：命令示例清晰，但未定义精确的触发条件。环境适配：提供了多平台安装说明，但未测试所有环境。扣分原因：能力边界和触发精度描述不够精确。
证据显示：README 结构清晰，提供了安装说明、示例和 FAQ。命名稳定性：skill 名称一致。已知限制：README 提到 token 消耗高，但未列出其他限制。许可证：MIT 许可证明确。版本变更：未提供 changelog。维护责任：未明确维护者。扣分原因：缺少 changelog 和维护者信息。
证据显示：README 展示了详细的输出示例，具有实用性。边际价值：提供了多 Agent 并行和交叉验证，增加了价值。成本效益：README 提到 token 消耗高，但未提供成本估算。扣分原因：成本效益分析不足。
证据显示：README 声称实盘业绩，但未提供可验证的数据来源。交叉验证：工具支持多源交叉验证，但未展示实际验证结果。事实与推断分离：README 区分了事实和推断，但未系统化。扣分原因：业绩声明缺乏可追溯性，交叉验证结果未展示。
- 实盘业绩声明缺乏可验证的审计证据，不应作为可靠性依据。
- 建议用户谨慎使用 --dangerously-skip-permissions 模式，确保在可信环境中运行。
- 依赖清单缺失，无法评估供应链安全。
这个 Agent 能做什么，适合哪些场景？
AI Berkshire 是一套面向 Claude Code 与 Codex 的价值投资研究 Skill 集合。它提供 20 个按场景划分的入口，覆盖单公司深度研究、财报阅读、行业筛选、持仓管理、投资论文追踪和公众号文章生成。重型工作流可由 Team Lead 并行调度四个大师视角进行独立研究与综合判断，轻量工作流则直接调用对应流程。仓库同时维护 Claude Code command 源文件、由其生成的 Codex skill 包，以及可选的 Codex slash prompt 兼容层。其输出边界是投资研究报告、筛选结果、估值计算和行动建议；项目明确声明不构成投资建议。
用户通过如 /investment-research 腾讯、/investment-team 美团 或 /earnings-review 腾讯 2025Q4 的命令启动工作流。/investment-research 按数据收集、生意本质、护城河、逆向思考、管理层、文明趋势、估值与安全边际七个模块组织研究；/investment-team 并行运行四个独立视角并由 Team Lead 汇总。/industry-funnel 从全市场扫描逐层筛到不超过 10 家、再终选 3 家，/portfolio-review、/thesis-tracker 和 /news-pulse 面向持仓后的管理与异动归因。tools/financial_rigor.py 提供 verify-market-cap、verify-valuation、cross-validate、three-scenario、benford 与 calc，并使用 Python decimal.Decimal 进行精确十进制计算。Skill 源文件位于 skills/*.md，scripts/sync-codex-skills.py 将其生成到 codex-skills/*/SKILL.md。
- 个人投资者准备长期研究一家上市公司时，使用
/investment-research按商业、护城河、管理层、风险与估值模块形成研究备忘录。 - 需要较快获得多角度结论的研究者，可用
/investment-team让四个视角并行分析同一家公司，再查看 Team Lead 的综合判断。 - 在财报发布后只希望基于一手材料复盘时，可用
/earnings-review或/earnings-team分析指定公司和财报期间。 - 研究 AI 算力、核电等投资主题时，可用
/industry-research建立产业链全景，或用/industry-funnel从市场扫描中筛选候选公司。 - 已有持仓出现明显涨跌时，可用
/news-pulse在公司事件、监管、竞争与市场情绪四个方向进行快速归因。 - 管理多个持仓并持续检验买入逻辑时，可使用
/portfolio-review、/thesis-tracker与/thesis-drift。
这个 Agent 有哪些优点和局限？
- 将单公司研究、财报解读、行业漏斗、持仓管理和论文漂移检测拆分为 20 个明确的 Skill 入口。
/investment-team和/earnings-team采用四个并行大师视角及 Team Lead 汇总，而不是单一视角的研究流程。tools/financial_rigor.py覆盖市值、估值、多源数据、三情景估值、Benford 检测与精确计算，并明确采用decimal.Decimal。- 同时提供 Claude Code commands、生成式 Codex skills 和可选 Codex slash prompts，适配两种已列出的客户端入口。
- 深度研究工作流包含多轮研究、交叉验证和多 Agent 综合判断，README 明确提示 token 消耗较高。
- 研究质量被明确描述为依赖模型能力；维护者建议涉及护城河、估值、管理层和风险的判断使用更强模型。
- 核心使用方式依赖 Claude Code 或 Codex，仓库未给出通用 API、独立 Web 应用或其他运行时的部署方式。
- 实时数据的 MCP 接入仍列在未来方向，README 没有提供 Wind、Bloomberg 或 Yahoo Finance 的现成接入配置。
- 项目输出投资研究与建议区间，但免责声明说明其仅供学习和研究，不构成投资建议。
如何安装或部署这个 Agent？
先安装并验证 Codex：
npm install -g @openai/codex
codex --version然后安装仓库的 Codex skills：
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
./scripts/install-codex-skills.sh可选安装 slash prompts：
./scripts/install-codex-prompts.shClaude Code 用户可在克隆后运行：
./scripts/install-claude-commands.shREADME 未说明任何专用 API 密钥或数据服务凭据。
如何使用这个 Agent？
安装后重启 Codex，以自然语言指定 skill 和对象，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。若安装了 Codex prompts，可使用 /prompts:investment-research 腾讯。在 Claude Code 中直接输入 /investment-team 美团、/investment-checklist 腾讯, 阿里巴巴, 美团, 拼多多 等命令。
这个 Agent 与同类方案有什么区别？
相较于直接向 AI 提问个股是否值得投资，AI Berkshire 通过固定 Skill 流程、信息丰富度评级、快速否决清单、逆向检验和多视角综合来约束输出格式与决策过程。它不是替代 Claude Code 或 Codex 的独立产品，而是在这两个客户端内提供投研工作流。
常见问题
深度研究的成本会很高吗？
/quality-screen 或 /news-pulse。