GitHub推荐：一个人 + Claude Code 复刻巴菲特投研团队

GitHub: https://github.com/xbtlin/ai-berkshire

一句话总结

把巴菲特/芒格/段永平/李录四大师方法论做成 18 个 Claude Code Skill 入口 + 4 Agent 并行对抗 + Python Decimal 工具链，用一台笔记本 + 一个 AI CLI 跑出 2024 年 +69.29% / 2025 年 +66.38% 的可审计研报。

值得关注的理由

• 方法论产品化范本：不是又一个「让 AI 帮你分析股票」的玩具 prompt 包，而是把四大师方法论变成可复用、可审计的 18 个 Skill，且同时跑在 Claude Code 与 OpenAI Codex 两个 CLI 上。
• 反 LLM 幻觉的工程化纪律：不信任 LLM 心算——所有 PE/市值/三情景估值都强制走 Python decimal.Decimal 工具；15% 报告数据抽检 + 1% 容差判决，可挂 CI。
• 真实 dogfooding 留痕：作者把从 ❌ 改 ✅ 的「美团挑战」完整记录在 ai_CLAUDE.md，比 +69% 收益数字更可信——这是真实迭代的证据，不是事后包装。

项目展示

2024 全年实盘收益 +69.29%

— 类型: hero（富途账户截图，2024 年跑赢标普 500 约 46pp）

整体架构

— 类型: architecture（Skill 层 → Agent 层 → Tool 层 三层架构图）

2025 年至今收益 +66.38%

— 类型: screenshot（2025 收益证明，与 2024 一起构成 track record）

项目画像

作者视角：为什么存在这个项目

创始人/作者背景

Xbt Lin（xbtlin），12.3 年 GitHub 账号，2026 年才押注「LLM × 价值投资」垂直赛道。Bio 写「Exploring LLMs × value investing」，从账号内 fork 列表看（buffett-chinese、claude-code-source-code、cv-arxiv-daily），是价值投资长期读者 + 认真消化过 Claude Code 上游代码的工程化用户。中文母语，定位大中华区散户+专业投资者。

问题判断

作者看到三个别人没解决透的问题： 1. LLM 心算不可靠——PE 算错、港币/人民币混淆、小数点漂移 2. 「资料多=确定性高」的幻觉——LLM 拿一堆资料自动补完一个伪精确结论 3. 单视角分析无法制造真实方法论对抗——巴菲特说「够便宜」时，没人追问「10 年后还在吗」

时机选择：押注 2024-2026 LLM 编程能力跃迁 + Code CLI 普及，单兵 + AI Agent 能达到过去小型投研团队的产能，垂直整合「投研方法论+LLM 工具」窗口期到来。

解法哲学

• 反「AI 即结论」：明确反对「AI 给我一篇漂亮的分析」，强制四视角对抗 + 强制结论（通过/不通过/灰色）+ 强制价格区间 + 强制镜子测试（5 句话说不完整=不买）
• Unix 哲学 vs 瑞士军刀的折中：18 个 Skill 各管一段，但每个 Skill 内部都是同一套「信息丰富度评级 + 工具验算 + 多 Agent 并行 + 数据抽检」流程
• 明确不做什么：不接实时数据（Wind/Bloomberg/MCP 是路线图 P1）、不做回测、不做量化交易（定位是「拿来做决策的研报」而非 alpha 引擎）、不用 LLM 心算

战略意图

项目是作者的核心产品而非基础设施，开源策略是 genuinely open（MIT），不打算做 SaaS/托管版。商业化路径是作者自己公众号 + 实盘业绩（README 称「两年 146 万收益」），把项目作为引流 + 个人品牌建设。单作者 12.3 年账号垂直押注「LLM × 价值投资」，不像 augur / valinvest 那种「AI for finance」通用型，而是把「中国散户 + 四大师方法论 + Claude/Codex CLI」这三个 niche 焊死。

核心价值提炼

创新之处

1. A/B/C 信息丰富度评级 + 三套研究策略 — 不是给所有公司套同一个框架，而是先按信息丰富度分级，每级对应不同研究策略：A 级警惕共识陷阱、B 级强制置信度标注、C 级切换到第一性原理模式（聚焦 4 个底层问题）。ai_CLAUDE.md 里有「信息丰富度 ≠ 投资确定性」的元认知提醒。新颖度 4/5，实用性 4/5，可迁移性 5/5。
2. Python Decimal + 三情景估值的「工具外包心算」模式 — 不信任 LLM 做金融心算，把 PE/PB/ROE/FCF Yield/三情景估值/Benford 检测写成 6 个 CLI 子命令（tools/financial_rigor.py），Skill 文档里嵌入 Bash 调用片段强制 LLM 调用。零外部依赖（仅 Python stdlib）。新颖度 3/5，实用性 5/5，可迁移性 5/5。
3. 四大师方法论对抗（Buffett-Munger-Duan-Li Lu as adversarial agents） — 不是把四个大师的视角并列展示（分工），而是让他们「互为质询」：巴菲特说「够便宜」，李录追问「10 年后还在吗」；段永平说「好生意」，芒格追问「怎么会死」。这种对抗制造真实张力，避免「四份报告拼贴」。新颖度 4/5，实用性 3/5，可迁移性 3/5。
4. report_audit.py 自动从 Markdown 提取数字 + 15% 抽样 + CI 化 PASS/FAIL 判决 — 借鉴软件测试覆盖率思想，从 markdown 报告自动提取所有数字+单位（5 种正则模式：百分数/亿元/x 倍数/万亿/表格行），随机抽 15%，输出 JSON 模板让人工回填独立信源值，最后输出 PASS/FAIL 判决和 FAIL 时非零退出码——可挂 CI。新颖度 4/5，实用性 5/5，可迁移性 4/5。
5. Claude Code + Codex 双客户端单源派生（skills/ → codex-skills/ 通过 sync-codex-skills.py） — skills/*.md 作为 canonical source，scripts/sync-codex-skills.py 自动生成 Codex 端 codex-skills/*/SKILL.md，每份生成的 Codex skill 头部带「Codex adapter note」翻译 Claude-only 概念到 Codex 等价物。AGENTS.md 是 Codex 端的宪法文件，独立于 Claude Code 的 CLAUDE.md。新颖度 4/5，实用性 5/5，可迁移性 4/5。

可复用的模式与技巧

1. 三段式 Skill 模板（前置评估 → 主流程 → 数据抽检） — 18 个 Skill 几乎都遵循这个结构：开头强制「AI 研究偏见自觉」（A/B/C 评级），中间是「4 Agent 并行 + 工具校验 + 大师追问」主流程，结尾是「数据抽检 PASS/FAIL」。任何「LLM 做分析+判断」的项目都可套用。
2. Skill-as-Markdown-as-Service — 把 Skill 写成 markdown 而不是代码（不是 Python decorator 也不是 JSON Schema），方便人编辑、版本控制、跨 LLM CLI 移植。
3. Tool-as-CLI-with-Argparse — 工具全部 CLI 化（financial_rigor.py verify-market-cap 等子命令），Bash 可调用、LLM 可调用、CI 可调用（verdict 命令非零退出码）。
4. canonical-source 单源派生 — 双客户端场景下维护一份 canonical markdown + 自动派生 + adapter note，比双份手工维护更可靠。可推广到 Claude Code + Codex、Cursor + 其他 CLI 等组合。
5. Benford 定律 CLI 化 — 把「首位数字分布异常=可能造假」这个审计技巧做成 CLI 工具，让 LLM 在处理财报时自动跑一遍。

关键设计决策

1. 决策: 三层 Skill → Agent → Tool 架构，而不是单 Agent + Function Calling - 问题: LLM Agent 在长 prompt 下会「疲劳」——前半段推理严谨、后半段开始偷懒拼凑结论 - 方案: Skill 文件只声明流程，Agent 层强制并行（不是 chain），Tool 层把「必须用 Python 计算」的部分完全外包 - Trade-off: 牺牲响应速度（4 Agent 并行可能 2-3 分钟）和 token 成本（Issue #11 「太费 token 了」），换四视角独立性 + 数据可审计性 - 可迁移性: 高
2. 决策: Python decimal.Decimal 强制替代 LLM 心算，工具调用嵌入 Skill 文本 - 问题: LLM 心算 PE/市值有约 5-15% 的错误率 - 方案: tools/financial_rigor.py 提供 6 个子命令，全部使用 decimal.Context(prec=28, ROUND_HALF_EVEN) 精确十进制计算 - Trade-off: 多一道 Bash 调用的延迟；放弃了 LLM 直接回答的「丝滑感」 - 可迁移性: 高
3. 决策: A/B/C 信息丰富度评级 + 镜子测试 + 8 条快速否决清单的「反偏见三件套」 - 问题: LLM 最危险的失败模式不是「答错」而是「用推测填满确定性」 - 方案: ①每个 Skill 开头强制信息丰富度评级；②镜子测试（5 句话说不完整=不买）；③8 条快速否决清单作为硬性红线 - Trade-off: 牺牲了「看起来专业」的报告完整度（C 级公司可能只产 1 页核心问题清单） - 可迁移性: 高
4. 决策: 双客户端兼容（Claude Code + Codex）通过 sync-codex-skills.py 单向派生 - 问题: Claude Code 和 OpenAI Codex 是两个并行的 Code CLI，方法论和子命令体系完全不同 - 方案: skills/*.md 作为 canonical source，Codex 端用脚本自动生成 codex-skills/*/SKILL.md，每份生成文件头部加「Codex adapter note」 - Trade-off: 牺牲了 Codex 端的「原生体验」（必须依赖适配层） - 可迁移性: 中
5. 决策: 报告审计门借鉴软件 CI，把「研报准出」流程化 - 问题: 主观类报告没有编译器和测试可以兜底 - 方案: tools/report_audit.py 用正则从 markdown 报告里自动提取数字，随机抽 15%，输出 JSON 模板要求用户填回核验值，FAIL 时非零退出码可用于 CI - Trade-off: 牺牲了「发布效率」（每份报告多一道人工核验步骤） - 可迁移性: 高

竞品格局与定位

竞品对比矩阵

差异化护城河

• 方法论护城河：四大师对抗 + 反偏见三件套 + 镜子测试，这些是行业稀缺的「软」资产
• 工程纪律护城河：Python Decimal 强制 + 数据抽检 CI 化 + 多源交叉验证
• 生态护城河弱：主要是 dogfooding 验证而非 community 飞轮

竞争风险

最可能被 augur 替代（如果 augur 增加中文 + 对抗式方法论）或被 super-hedge-fund-skill 替代（如果其多 Agent 路线成熟到机构可用）。valinvest / buffett-letters-skill 是错位竞争而非直接对手。

生态定位

在「AI for finance」赛道上，AI Berkshire 处于「中文散户 + 个人投研深度」 niche 的领先位置；不是工具/库型项目，而是「个人方法论产品化」路线，竞品更像「独立分析框架」而非「工具」。

套利机会分析

• 信息差: 同 topic 第二名 augur 仅 227 stars（5% 体量），细分赛道事实头部，仍有信息差红利
• 技术借鉴: 三层 Skill → Agent → Tool 架构 + Python Decimal 工具链 + report_audit.py 是高度可迁移的范式，可直接套到法律分析、医学文献综述、尽调报告等「LLM 做主观判断」场景
• 生态位: 填补了「AI 编程 CLI × 垂直领域方法论 × 中文市场」三角的空白——augur/valinvest 是英文通用型，没有中国散户视角
• 趋势判断: 2024-2026 是 LLM 编程能力跃迁期，Claude Code + Codex 推动「单兵+Agent 达到团队产能」范式，项目在加速期（6 月 commit 数是 4 月的 4.1 倍），符合技术趋势且比通用型竞品有先发优势

风险与不足

• 测试覆盖为 0：0 个单元测试，ROADMAP 列为 P2 长期项；tools/financial_rigor.py 等核心工具没有自动化验证
• 无 CI/CD：没有 .github/workflows/、无 lint 配置、无 pre-commit；作者 dogfooding 即验证
• 保守性偏见（Issue #15）：芒格式「8 条红线一票否决」+ 段永平「能力圈」天然把模型推向保守，可能错过机会
• Token 成本（Issue #11）：4 Agent + Team Lead 综合 = 单次跑完烧大量 token，且每步需人工确认（Issue #9 「点了几百次了，不能默认 yes 吗」）
• 过度拟合四位大师（Issue #16）：四大师的合成 ≠ 最优，可能是「用 prompt 工程制造的一种新权威」
• 生态护城河弱：<50 stars 来自国际用户，社区小，无 Discord/Discussion；如果作者停止维护，社区接手困难
• 实时数据缺失：未接 Wind/Bloomberg/Yahoo Finance MCP 实时数据，研报依赖历史财报+人工输入

行动建议

• 如果你要用它: 适合中文散户 + 严肃个人投资者，港美 A 三市覆盖；不适合需要实时数据 + 量化回测的机构用户。安装 skills/*.md 到 ~/.claude/commands/，跑 /investment-research 即可。注意：每份研报依赖大量 token 预算（Issue #11），建议先用小标的试水。
• 如果你要学它: 重点关注四个文件：
• skills/investment-research.md（Skill 模板的范本）
• tools/financial_rigor.py（工具链纪律的范本）
• tools/report_audit.py（研报 CI 化的范本）
• CLAUDE.md + AGENTS.md（AI Agent 工作宪法的写法）
• 以及一份旗舰报告 reports/拼多多/ 看输出格式
• 如果你要 fork 它: 可改进方向：
• 加单元测试（ROADMAP P2）
• 接实时数据（ROADMAP P1：Wind/Bloomberg/Yahoo Finance MCP）
• 加宏观周期框架（ROADMAP P0 未完成）
• 加历史回测（ROADMAP P0 未完成）
• 引入「反大师」agent（索罗斯/达里奥）做对照（Issue #16 提议）
• 实现 Investment Thesis Drift Detection（Issue #19 提议）

知识入口