Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
AI 时代的伯克希尔：基于 Claude Code / Codex 的价值投资研究框架。巴菲特·芒格·段永平·李录四大师方法论 + 多Agent并行研究。| AI-era Berkshire: a value investing research framework built for Claude Code / Codex. 4 masters' methodologies + multi-agent adversarial analysis.
| Date | Stars |
|---|---|
| 2026-07-31 | 14756 |
| 2026-08-01 | 14756 |
| 2026-08-05 | 15050 |
| 2026-08-06 | 15050 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
5.0
growth rate 0.00%/day
中文 | [English](README_EN.md) | [日本語](README_JA.md) [](https://trendshift.io/repositories/63696) # 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 ↓](#精选研究首发于公众号) [实盘业绩](#real-track-record) · [为什么不能直接问AI](#为什么不能直接问-ai) · [Skills 一览](#skills-一览20个) · [快速开始](#快速开始) · [实战报告](#实战研究报告) · [设计理念](#设计理念) · [公众号](#精选研究首发于公众号) --- ## 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% <img src="assets/2024-returns.jpg" width="300" /> ### 2025 全年收益：+66.38% <img src="assets/2025-returns.jpg" width="300" /> ### 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： <img src="assets/wechat-qr.png" width="160" alt="微信公众号：复利炼丹炉" /> **复利炼丹炉** —— 用 AI 炼投研这颗丹。 --- ## 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家公司用同一标准 Checklist 筛选： > > | 公司 | 通过? | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 综合 | > |------|:-----:|:------:|:------:|:------:|:------:|:-------:|:----:| > | 茅台 | ✅ 通过 | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | ★★★★☆ | 4.7 | > | 腾讯 | ✅ 通过 | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★★★ | ★★★★☆ | 4.7 | > | 英伟达 | ✅ 有条件 | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | 4.3 | > | 美团 | ✅ 有条件 | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | 4.0 | > | 快手 | ✅ 有条件 | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★★ | 4.0 | > | 拼多多 | ❓ 灰色 | ★★★★☆ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ | ★★★★★ | 3.8 | > | 泡泡玛特 | ❓ 灰色 | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★☆☆ | 3.7 | ### 6. 多Agent并行 = 研究深度的倍增 `/investment-team` 启动4个独立Agent**同时**研究一家公司。每个Agent各自搜索网络、交叉验证数据、独立给出结论。这不是把一个prompt拆成四段——是4
Excerpt of 18,233 characters
Read on GitHub
Xbt Lin
692
Claude · @anthropics
617
Matt Van Horn
3
1
1
1
1
Ikko Eltociear Ashimine · Japan
1
1
Sheroy Cooper
1
1
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:82a5c41b05520e03, topic:ai-agent, desc:multi-agent, desc:multi agent
matched fp:82a5c41b05520e03, topic:llm
matched fp:82a5c41b05520e03, topic:mcp