xbtlin / 艾伯克希尔

一句话看懂：一位独立开发者基于 Claude Code 构建了一套名为 AI Berkshire 的价值投资研究框架，将巴菲特、芒格等人的方法论系统化为多个可调用的 AI Agent。该框架在 2024 年实现了 69.29% 的实盘收益，2025 年至今收益达 66.38%，大幅跑赢标普 500 和恒生指数，引发了开源社区对“AI 辅助投资决策”可行性的广泛讨论。

事件核心：发生了什么

开发者 xbtlin 在 GitHub 上开源了 AI Berkshire 项目，这不是一个普通的问答工具，而是一套严格遵循四位价值投资大师（巴菲特、芒格、段永平、李录）方法论的 AI Agent 集合。项目通过 16 个 Skill（指令集），实现了深度研究、财报精读、行业筛选、持仓管理等全流程投资研究功能。

与直接向 AI 提问不同，这套框架设计了多层反偏见机制：强制给出“通过/不通过/灰色地带”等明确结论，而非模棱两可的分析；使用 4 个独立 Agent 并行研究同一家公司（分别从商业模式、财务估值、行业竞争、管理层风险等视角），再由 Team Lead 综合；所有财务计算均使用 Python 的十进制运算，关键数据需两个独立来源交叉验证，误差超过 1% 即报警。

项目附带了真实账户截图，显示其在 2024 年跑赢标普 500 约 46 个百分点，2025 年至今跑赢标普 500 约 50 个百分点，两年累计实盘收益超过 146 万元人民币。

为什么重要

当前大模型在金融领域的应用多止步于“信息摘要”或“情绪分析”，而 AI Berkshire 展示了一条更激进的路径：将 AI Agent 作为投资决策的副驾驶甚至主分析手。它的核心突破不是“更聪明的聊天”，而是通过结构化流程解决了 AI 幻觉和数据不精确两大顽疾。

该项目证明了：基于精细化的 Skill 指令设计和多 Agent 协作机制，AI 能够输出具备可操作性的投资报告，而非简单的读财报总结。对于量化投资、个人投资者和金融科技开发者而言，它提供了一个开源、可复现、且经过实盘验证的研究脚手架，可能推动更多人在“AI 辅助投资”方向上做更深层的探索。

不过需要强调，项目源码中的实盘收益数据来自特定时间段、特定市场环境下的个人操作，历史收益不代表未来表现，且框架本身未包含交易执行模块，仍依赖使用者做最终决策。

对用户/开发者/创作者的影响

对个人投资者：可以立即在本地部署 Claude Code 并复制 Skills 文件，快速体验机构级的投资研究流程。但需注意，这套框架对使用者的投资素养有一定要求——它输出的是结构化观点，而非“买入/卖出”指令，需要用户具备解读多Agent冲突结论的能力。
对AI应用开发者：AI Berkshire 的架构思路值得借鉴：通过将方法论抽象为可复用的 Skill（类似 Plugin）、内置数据验证管线、设计多Agent对抗机制，可以有效提升 AI 在专业领域的决策质量。其 tools/ 目录下的财务精确性校验脚本，也是启发类似垂直应用开发的好范例。
对金融科技创作者：该项目提供了一个极好的案例——如何用开源方式构建一个“AI 研究团队”。围绕 Skill 的设计文档、真实输出案例和复盘思路，本身就是优质的深度内容素材。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 实盘数据是否持续公开？目前项目仅展示了 2024-2025 年的收益截图，后续是否会定期更新持仓和绩效，将直接影响该框架的可信度和社区关注度。
2. 对手持投资框架的大模型应用影响：已有一些平台（如 ChatGPT 的 GPTs 商店、AI Agent 平台）提供投资分析插件，AI Berkshire 的开源可能倒逼它们提升研究深度和数据精确性。
3. 监管与合规讨论：当 AI Agent 输出包含具体价格区间和仓位建议时，是否构成投资建议？这会引发 AI 金融应用的合规边界讨论，尤其在跨境投资场景中。

来源：GitHub · Trending Today