嗨我是小华同学专注解锁高效工作与前沿AI工具每日精选开源技术、实战技巧助你省时50%、领先他人一步。免费订阅与10万技术人共享升级秘籍这个项目最值得看的不是“AI 能不能帮你分析股票”而是能不能把投研流程做成可复现的工程系统。AI Berkshire把 Claude Code / Codex、Skill、多 Agent、价值投资方法论和金融计算工具揉到了一起。这篇不做投资建议只用 3 分钟讲清为什么一个投研框架能冲到9170 Star以及它对程序员有什么启发。这张 README 图基本把项目原图里的核心结构讲清楚了上层是 Skill 入口中间是多 Agent 对抗底层是数据和工具校验。它到底是什么AI Berkshire 是一套面向Claude Code 与 Codex的价值投资研究 Skill 合集。它不是一个简单的“股票问答 Prompt”而是把投研任务拆成一组可调用的工作流公司研究、财报分析、行业筛选、持仓复盘、股价异动归因、公众号文章生成等。README 里一句话很有代表性一个人 Claude Code / Codex 一个投研团队。你想做的事AI Berkshire 的入口通俗理解深度研究一家公司/investment-research四大师视角综合分析快速组建投研团队/investment-team4 个 Agent 并行研究财报精读/earnings-review只读一手资料减少二手噪声行业筛选/industry-funnel从全市场漏斗筛到重点标的股价异动归因/news-pulse10 分钟判断发生了什么写投研文章/wechat-article作者、编辑、读者多角色协作重点是它把“问 AI”变成了“调用一套投研制度”。为什么它有点东西很多人用 AI 做投资研究容易卡在一个问题上看起来写得很完整但最后都是“有机会也有风险请自行判断”。这种回答不一定错但很难用来做决策。AI Berkshire 的设计更像一个反偏见系统。它会把同一家公司拆给不同视角去看商业模式这是不是一门好生意财务估值价格和价值之间有没有安全边际行业竞争护城河会不会被反过来打穿风险管理层治理、文化、长期确定性有没有硬伤这些视角不是为了排队夸公司而是为了制造必要的冲突。比如一个视角觉得“估值很便宜”另一个视角可能会追问“10 年后还在不在”。这才像真实投研而不是单线程写小作文。程序员该看什么如果你是程序员我建议别只看它的投资内容而是看它背后的产品化思路。它至少有三个值得借鉴的点第一把复杂任务拆成 Skill。不是让用户写一大段 Prompt而是提供/investment-research、/industry-funnel、/news-pulse这种明确入口。用户一看就知道该选哪个工作流。第二用多 Agent 做对抗而不是堆字数。多 Agent 的价值不是“看起来更高级”而是让不同角色独立查资料、独立判断、互相挑战。第三用工具兜住 LLM 的短板。项目里提到tools/financial_rigor.py用 Pythondecimal.Decimal做市值、估值、三情景等精确计算避免 LLM 心算和单位混乱。它解决的不是“会不会买”这点很重要。AI Berkshire 不是一个“告诉你买哪只股票”的神器。它真正解决的是如何让投资研究更结构化、更可复现、更能暴露盲点。普通问 AI结果经常取决于你这一句 Prompt 写得好不好。而一个研究框架会强制你走流程先选任务再搜资料再交叉验证再算清楚再过红线清单最后才形成报告。这对很多非金融项目也有启发凡是高风险、高信息密度、需要判断纪律的任务都可以考虑做成类似的 Skill 系统。适合谁收藏人群收藏理由AI Agent 开发者可以学习如何把复杂决策拆成多角色工作流Claude Code / Codex 用户可以参考它的 Skill / Prompt 组织方式做金融科技的人可以看它如何处理数据校验、估值计算和报告复现内容创作者可以学习“研究底稿 → 公众号文章”的流程设计价值投资学习者可以看到一套方法论如何被结构化成工具这篇我更愿意把它当成AI 工作流工程化案例来看而不是投资项目推荐。边界必须说清楚项目 README 里也有免责声明它仅供学习和研究不构成投资建议。我再补一句历史收益不代表未来表现AI 生成的投研报告也不能替代你自己的尽调。另外财务数据、股价、市值、汇率、公告口径都可能变化。就算有多源校验和精确计算也只能降低错误概率不能保证结论一定正确。所以更合理的用法是把它当作研究框架和思考辅助而不是自动交易按钮。我的判断AI Berkshire 真正值得程序员关注的地方是它展示了一个方向未来很多专业领域的 AI 产品不会只是聊天框而会变成一套可调用、可复现、可审计的 Skill 系统。投资只是其中一个场景。法律、医疗、审计、咨询、行业研究、企业战略都可能出现类似结构多角色、强流程、工具校验、报告输出。这篇先作为开源项目速览。后面如果大家感兴趣我可以继续拆它的 Skill 结构、Codex 适配方式、多 Agent 设计以及怎么把这种方法迁移到自己的业务研究系统里。项目地址https://github.com/xbtlin/ai-berkshire