README

中文 | English | 日本語



 AI Berkshire - AI 时代的价值投资研究框架

 "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。

 📮 仓库是全量框架，公众号是精选。 真正值得深研的公司，加上报告之外我自己的判断与取舍，都在微信公众号「复利炼丹炉」——扫码关注 ↓



 📖 想读报告，用 阅读站：成品报告按公司、专题、时间整理，电脑和手机都好读，可搜索、记住阅读进度。

 📊 全部 2281 份报告（含底稿）· 114 家公司 · 29 个专题，GitHub 上的完整目录见 研究报告索引，更新至 2026-11-04。



📖 阅读站 · 实盘业绩 · 为什么不能直接问AI · Skills 一览 · 快速开始 · 实战报告 · 研究索引 · 设计理念 · 公众号

---

 Real Track Record

 不是纸上谈兵。这套框架背后是真金白银验证的投资体系。

 2024 全年收益：+69.29%



 2025 全年收益：+66.38%



 与主要指数对比

| 指标 | 2024 全年 | 2025 全年 |
|------|----------|----------|
| 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。

 精选研究首发于公众号

仓库里是完整的框架和全量报告，公众号里是精选——真正值得深研的公司，加上报告之外我自己的判断与取舍：



复利炼丹炉 —— 用 AI 炼投研这颗丹。

 ⚠️ 官方渠道只有三个：本仓库、阅读站、公众号「复利炼丹炉」。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；凡以 AI Berkshire 名义拉群、收费、推荐个股的都不是本人。

已发表文章按公司归档在 投资炼丹/，每篇附对应的研究原稿。

---

 为什么不能直接问 AI？

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：

 1. 强制给结论，不打太极

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。

 2. 四大师视角对抗，而非单一分析

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。

 3. 结构化反偏见机制

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 |

 4. 金融数据的精确性

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：

bash
 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。

 5. 可复现的研究流程

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