用 Claude Code 做投研分析，ai-berkshire 怎么把研究纪律压成 20 个 skill？
AI 投研，值钱的不是模型多猛，而是研究纪律够不够硬。
- 核心观点：1 行命令生成 4 视角、交叉验证、明确标注不确定性的深度投研报告。
- 项目：ai-berkshire（14.5k stars / MIT），把 4 位大师方法论压成 20 个 skill。
- 架构：Skill 层 → Agent 层 → Tool 层，团队型 skill 由 Team Lead 并行启动 4 位大师 Agent。
- 4 位大师对抗：段永平（业务本质）、巴菲特（护城河）、芒格（反向）、李录（文明级趋势）。
- 防 LLM 算错：Python
decimal.Decimal+ 2 源交叉验证 + 市值手算。 - 成本提醒：深度研究吃 token，先用轻量 skill（
quality-screen/news-pulse）筛一遍。
为什么 AI 投研报告"看着很对，用着没用"？
问题不在模型，在 prompt 没有结构。
直接问 Claude 「腾讯能不能买」，模型大概率给你一篇"看上去很完整"的回答：一面优势、一面风险、最后补一句"投资有风险，入市需谨慎"。这种内容只能帮读者了解背景，根本支撑不了真正的投资决策。
真正的研究纪律需要四件事：
| 维度 | 怎么落地 |
|---|---|
| 多视角 | 4 位大师并行分析，互相挑战 |
| 可复现 | 固定路径收集数据 → 估值 → 复算 |
| 敢说不知道 | 信息丰富度评分（A/B/C）、"拿不准就明说" |
| 算得对 | 财务数字 Python Decimal 强制精度 + 2 源交叉验证 |
ai-berkshire 把这套研究纪律压成了 20 个可直接在 Claude Code 或 Codex 里调用的 skill。截至 2026-07-28 仓库 14.5k stars，1,333 个 commits。
三层架构：为什么是 Skill 不是 Prompt？
Prompt 是"劝"，Skill 是"流程"——后者更可控。
ai-berkshire 的设计分三层，每层解决一类问题：
Skill 层 对外暴露 20 个斜杠命令，按场景拆开：深度研究、财报分析、行业筛选、组合管理、思维工具。Agent 加载时只看 name + description，按需触发。
Agent 层 是这套系统的灵魂。Team 型 skill（/investment-team、/earnings-team）启动后，Team Lead 会 并行 拉起 4 个 master Agent，每个 Agent 独立搜索、独立分析、独立打分，最后才汇总。轻量 skill 跳过这层。
Tool 层 负责"算得对"。财务数字一律走 Python decimal.Decimal，关键指标必须从 ≥2 个独立来源交叉验证，偏差超过 1% 直接告警。市值还要单独手算一遍。
4 位大师为什么必须"对抗"？
一个视角容易拍脑袋，4 个视角相互挑战才能逼出真问题。
ai-berkshire 把 4 位价值投资大师的方法论串成对抗结构，每个人的提问角度都不一样：
| 大师 | 视角 | 关键问题 |
|---|---|---|
| 段永平 | 业务本质 | "这是不是'对的生意'？" |
| 巴菲特 | 护城河 + 安全边际 | "够便宜吗？" |
| 芒格 | 反向思维 + 风险清单 | "它会怎么死？" |
| 李录 | 文明级趋势 | "10 年后还会在吗？" |
设计的关键是 让它们互相挑战：段永平说"好生意"，芒格就问"它会怎么死"；巴菲特说"便宜"，李录就问"10 年后还成立吗"。一份报告同时拿到 4 个相互独立的判断，结论自然比单一视角可信。
20 个 Skill 覆盖什么？
按场景分 5 类，每类 2-5 个 skill：
| 类别 | 代表 Skill | 用途 |
|---|---|---|
| 深度研究 | /investment-research、/investment-team | 7 维度全分析 / 多 Agent 并行 |
| 财报分析 | /earnings-review、/earnings-team | 直接读 10-K / 并行阅读 + 润色 |
| 行业筛选 | /industry-funnel、/quality-screen | 市 场 → ≤10 → 3 家，有明确淘汰理由 |
| 组合管理 | /portfolio-review、/thesis-drift | 仓位、跟踪"投资论文"漂移 |
| 思维工具 | /dyp-ask、/financial-data | 段永平式提问 / 财务数据交叉验证 |
Mirror Test 是这套系统的销售话术：说不清 5 句话为什么要买，就别买。
实战：小米集团一份报告长什么样？
用 /investment-team 美团（或小米）触发后，Team Lead 并行启动 4 位大师 Agent，分别输出：
1. 业务模式评估（段永平视角）
2. 护城河 + 估值（巴菲特视角）
3. 风险清单 + 反向思考（芒格视角）
4. 长期趋势判断（李录视角）
→ 汇总：综合得分 3/5 + 内在价值区间 + 投资策略分层
最终报告包含 6 个核心模块：
- 4 维度独立评分：业务 / 财务 / 估值 / 风险
- 核心数据卡：分业务收入、利润等关键指标，红黄绿灯提示
- 每维度 7 条看多 / 7 条看空：不允许"一面优势一面风险"模糊化
- 巴菲特买入前清单：6 项硬性指标，几项通过、几项合格
- 投资策略分层：激进 / 稳健 / 保守 对应不同价格区间
- 风险详细说明：每个判断的不确定性都标注
财务严谨性：怎么防止 LLM 算错？
LLM 数学能力是出了名的糟糕，必须用工具兜底。
ai-berkshire 自带 tools/financial_rigor.py，提供 6 个子命令：
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%
核心规则：
- 所有财务计算走
decimal.Decimal，禁止 float - 关键指标 ≥2 个独立来源交叉验证，偏差 >1% 立刻报警
- 市值单独手算：股价 × 总股本 = 报告披露市值，必须对得上
- 三场景估值：乐观 / 基准 / 悲观 各跑一遍，分布给结论
这套约束写在 skill system prompt 里，不是靠 prompt 玄学——强制工具调用，不允许 LLM 心算。
怎么安装使用？
# 1. 装客户端
npm install -g @anthropic-ai/claude-code
# 2. 拉代码
git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire
# 3. 注册 skill
./scripts/install-claude-commands.sh
# 4. 跑一条命令
claude /investment-team 小米
深度研究很烧 token，先用轻量 skill 筛一遍
/quality-screen 7 个硬指标 10 分钟过完，先淘汰明显不合适的标的，再对通过的公司跑 /investment-team 深度研究。/news-pulse 10-15 分钟 就能归因股价异动，用来快速判断要不要打断当前判断。
这套方法论适合谁？
适合有金融基础但不会写 prompt 的人。
- 个人投资者：拿到一份结构化报告，比自己问 AI 强 10 倍
- 专业分析师：用
/dyp-ask、/investment-checklist当快速 checklist - AI Agent 工程师：学怎么把"研究纪律"压成 skill，而不是堆 prompt
不适合：纯小白（看不懂财报）、短线选手（这套是价值投资视 角）、想找"AI 选股神器"的人（项目里就有免责声明，不构成投资建议）。
References
- 第2期 | 手把手教你用Claude Code做投研分析（AI Investing） —— frank-quant, Bilibili
- xbtlin/ai-berkshire —— GitHub, MIT