1. 从AI炒股到AI价值投资这个项目到底在解决什么问题第一次看到 ai-berkshire 这个名字我脑子里蹦出来的第一反应是又一个拿大模型套壳做荐股的。毕竟这两年打着 AI 投资旗号的项目太多了绝大多数无非是接个行情接口让模型读几条新闻然后吐出一句建议关注本质上和抛硬币没太大区别。但真正把它的思路捋一遍之后我发现它想做的事情其实要克制得多也扎实得多——它不预测股价它做的是把价值投资那套研究流程工程化。这句话值得展开说。价值投资的核心从来不是买什么而是怎么判断一家公司值不值得买。巴菲特那套东西拆开来看无非是几件事读懂财报、理解商业模式、估算内在价值、留出安全边际、然后长期持有。这套流程难的地方不在于理念而在于执行成本极高——读一份年报动辄两三百页做一次完整的 DCF 估值要翻好几年的财务数据还要横向对比同行业公司。一个普通投资者一年能认真研究透三五家公司就已经很了不起了。ai-berkshire 的切入点就在这里它把 Claude Code 这类具备长上下文、可调用工具、能执行终端命令的 AI Agent 当作研究助手让机器去完成那些重复性高、信息密度大、但不需要太多灵感的工作——财报数据提取、财务指标计算、同业对比、估值模型搭建。人负责判断和决策机器负责搬砖和算账。所以这个项目适合谁我认为有三类人值得认真看一是有一定投资基础但时间有限的个人投资者你懂价值投资的逻辑但没精力做深度研究二是对 AI Agent 工程化落地感兴趣的开发者这个项目是一个很好的AI 如何嵌入真实专业工作流的样本三是金融、财会背景想了解 AI 工具的人它能帮你建立哪些环节可以交给 AI、哪些绝对不能的判断力。需要提前说清楚的是这篇文章讲的是研究框架和方法论不构成任何投资建议。AI 帮你算出来的数字最终对不对、能不能用责任永远在人身上。这一点在后面讲AI 幻觉的时候我会重点展开。2. 为什么是 Claude Code而不是随便找个聊天窗口很多人会问做财务分析我直接把年报 PDF 丢给 ChatGPT 不就行了为什么要专门用 Claude Code 这种命令行工具这个问题问得好答案藏在工作流的形态差异里。2.1 聊天窗口的天花板在哪里用普通聊天窗口做研究你会遇到几个绕不过去的坎。第一是上下文长度。一份年报加上三张财务报表轻松超过十万字很多模型的上下文窗口塞不下塞得下也会因为中间遗忘导致关键数据被忽略。第二是无法持久化。你这次分析完的数据下次想接着用得重新上传、重新解释背景模型每次都是失忆状态。第三是不能执行计算。你让模型算个复合增长率它可能给你一个看起来很像但实际算错的数字因为大模型本质上是文字接龙不是计算器。这三个问题叠加起来导致聊天窗口只能做浅层问答做不了深度研究。你可以问它这家公司毛利率多少但没法让它把过去十年毛利率拉出来和三家竞品对比画个趋势图再解释异常年份的原因——后面这种任务需要工具、需要文件系统、需要能跑代码。2.2 Claude Code 补上的三块拼图Claude Code 这类 Agent 工具的价值恰恰在于它把上面三块拼图补齐了。第一块是文件系统访问能力。你可以把年报、财报、研报都放在一个项目目录里Agent 能直接读取、检索、交叉引用。这意味着研究资料是可积累的今天分析完的公司明天加个新季度数据就能增量更新不用从头再来。第二块是代码执行能力。这是最关键的一点。财务计算——增长率、ROE 拆解、DCF 折现、敏感性分析——全部交给 Python 去算模型只负责决定算什么和解释结果。这样一来数字的准确性由代码保证模型只承担它擅长的部分理解、归纳、表达。我在实际用的时候会让 Agent 把每个计算步骤都写成脚本存下来这样结果可复现、可审计比模型直接口算靠谱一百倍。第三块是工具调用与多步任务编排。一个完整的研究任务往往有十几步读财报、提取数据、清洗、计算、对比、建模、写报告。Agent 能把这些步骤串起来自动执行中间遇到问题还能自己调整。这种自主性是聊天窗口给不了的。2.3 一个具体的对比为了让你直观感受差异我把两种方式做个对照维度聊天窗口Claude Code 类 Agent处理资料量受上下文限制通常几万字可分批读取整个项目目录理论上无上限数据准确性依赖模型心算易出错调用 Python 计算结果可复现研究可积累性每次对话独立无法沉淀文件持久化支持增量更新任务复杂度单轮问答为主支持多步编排、自动纠错结果可审计难以追溯计算过程脚本留存每步可查上手门槛极低需要配置环境、理解命令行看到这张表你应该明白了聊天窗口适合问问题Agent 适合做项目。价值投资研究本质上是一个项目不是一次问答所以选 Agent 是顺理成章的。提示如果你之前完全没接触过命令行工具别被终端配置环境这些词吓到。Claude Code 的安装和使用门槛比想象中低后面我会专门讲环境准备。真正需要花时间的是理解它的工作方式而不是敲命令。3. 把价值投资拆成 AI 能执行的模块这是整个项目最核心的部分也是最考验设计功力的地方。你不能直接跟 AI 说帮我分析这家公司值不值得投这种指令太模糊模型只能给你一堆正确的废话。正确的做法是把价值投资的研究流程拆解成一个个边界清晰、输入输出明确的模块每个模块交给 AI 去执行。我按照 ai-berkshire 的思路把它拆成了五个核心模块。这套拆法不是唯一的但逻辑上比较完整你可以根据自己的需求增删。3.1 模块一财报数据提取与结构化价值投资的第一步永远是把数字搞对。一家公司的年报里核心财务数据散落在三张表资产负债表、利润表、现金流量表和几十个附注里人工提取又慢又容易错。这个模块的任务是给定一份财报文件自动提取出标准化的财务数据表。具体来说需要提取的字段包括营收、营业成本、毛利率、三费销售、管理、研发、净利润、经营性现金流、资本开支、总资产、总负债、股东权益、有息负债等等。这里有个实操细节值得说不要让 AI 直接读数字然后告诉你而是让它写一个解析脚本把数据提取成 CSV 或 JSON。原因很简单AI 读数字会出错尤其是当表格格式复杂、单位不统一有的用万元有的用元的时候。写成脚本之后你可以人工抽查几个关键数字确认无误后后面所有计算都基于这份结构化数据准确性就有保障了。我在实际做的时候会让 Agent 输出一份数据来源对照表标明每个数字来自财报第几页、哪张表。这样万一后面发现某个数字不对能快速定位是提取错了还是财报本身就这么写的。3.2 模块二财务指标计算与质量筛查数据有了接下来是算指标。价值投资关注的指标其实就那么一批但每个都有讲究盈利能力ROE、ROA、毛利率、净利率、ROIC成长性营收增速、净利润增速、经营现金流增速安全性资产负债率、有息负债率、流动比率、利息保障倍数效率存货周转、应收账款周转、总资产周转现金流质量经营现金流/净利润、自由现金流这些指标的计算公式都是确定的交给 Python 算最合适。但光算出来没用关键是要做质量筛查。什么叫质量筛查就是看这些指标之间是否自洽、是否有异常。举个例子一家公司净利润连续三年高增长但经营现金流一直是负的这就是典型的纸面利润信号可能收入确认有问题或者应收账款堆积。再比如ROE 很高但拆开看是靠高杠杆撑起来的杜邦分析那这个高 ROE 的含金量就要打折扣。这个模块的价值在于它把看财报从读数字升级成了读数字之间的关系。AI 在这里的作用是自动跑一遍所有筛查规则把异常项标出来人再针对异常项深入看。这比人工一页页翻效率高太多了。3.3 模块三商业模式与护城河分析前面两个模块都是硬的靠数据说话。这个模块开始变软了也是 AI 最容易翻车的地方——因为商业模式分析需要理解行业、理解竞争格局这些信息往往不在财报数字里而在管理层讨论、行业研报、新闻里。我的做法是把定性分析也结构化。具体来说让 AI 围绕几个固定维度去收集和整理信息公司靠什么赚钱收入结构、客户结构、定价权成本结构如何固定成本 vs 变动成本规模效应明显吗竞争格局怎样市占率、主要对手、进入壁垒护城河来源品牌、网络效应、转换成本、成本优势、牌照管理层质量资本配置历史、股权结构、激励方式这里要特别强调AI 在这个模块的输出只能作为信息整理不能作为结论。它可以帮你把散落在各处的信息汇总起来但这家公司的护城河到底深不深这种判断必须你自己下。因为 AI 没有行业直觉它不知道某个政策变化对行业意味着什么也不知道某个技术路线可能被颠覆。我一般会让 AI 把每个维度的信息整理成事实 来源然后我自己读一遍形成判断。AI 整理的信息可能有遗漏、有偏差但至少帮你省了 80% 的搜集时间。3.4 模块四估值建模这是价值投资的技术核心。估值方法主要有三类绝对估值DCF 现金流折现、相对估值PE、PB、EV/EBITDA 对比、资产估值重置成本、清算价值。不同行业适用不同方法比如消费股常用 DCF银行股常用 PB周期股常用 PB 或 EV/EBITDA。DCF 是重头戏也是最容易出错的地方。它的逻辑是一家公司的价值等于它未来能产生的所有自由现金流按一定折现率折回今天。公式不复杂但每一个输入假设都会显著影响结果未来 5-10 年的收入增速假设长期稳定增长率永续增长率折现率WACC资本开支和营运资本变动AI 在这里的价值是帮你把模型搭起来然后做敏感性分析。比如收入增速假设从 10% 调到 15%估值会变多少折现率从 8% 调到 10%估值又变多少。这种如果……那么……的分析人工算要算半天AI 几秒钟就能跑出一张敏感性矩阵表。但请记住一句话DCF 的精确性是假象它的价值在于逼你把假设想清楚。AI 能帮你算但假设合不合理只有你能判断。我见过太多人拿着 AI 算出来的内在价值 87.3 元当圣旨这是非常危险的。3.5 模块五研究报告生成与归档最后一个模块是把前面所有工作汇总成一份可读的研究报告。这份报告的结构可以固定下来公司概况与业务拆解财务表现与质量分析商业模式与护城河评估估值分析与安全边际主要风险点结论与跟踪要点AI 生成初稿你修改和补充判断。这份报告存下来就是你的研究档案。半年后公司出了新财报你让 AI 基于新数据更新这份报告增量研究效率极高。这五个模块串起来就构成了一个完整的 AI 辅助价值投资研究框架。下面我讲具体怎么落地。4. 环境搭建从零把 Claude Code 跑起来讲完框架该动手了。这一节我尽量把踩过的坑都写出来让你少走弯路。4.1 安装与基础配置Claude Code 的安装方式根据操作系统不同略有差异。macOS 和 Linux 用户相对简单Windows 用户建议用 WSLWindows Subsystem for Linux因为很多命令行工具在原生 Windows 上会有兼容性问题。安装完成后第一件事是配置工作目录。我建议专门建一个目录比如~/research下面按公司分子目录research/ ├── company_a/ │ ├── reports/ # 财报、研报原始文件 │ ├── data/ # 提取后的结构化数据 │ ├── scripts/ # 计算脚本 │ └── output/ # 生成的研究报告 ├── company_b/ └── ...这种结构的好处是每个公司的研究资料互相隔离但工具和脚本可以复用。你可以在根目录放一些通用的分析脚本各个公司目录里放专属数据。配置的时候有个细节明确告诉 Agent 它的工作边界。在项目根目录放一个说明文件比如CLAUDE.md写清楚这个项目的目标、目录结构、数据格式约定、计算规范。这样 Agent 每次启动都能快速进入状态不用你反复解释背景。4.2 模型选择与成本控制Claude Code 默认用 Claude 系列模型但很多人会想接入其他模型比如通过第三方 API 接入 DeepSeek、Qwen、GLM 等。这里我不展开具体配置只讲选择逻辑。做财务数据提取和计算用便宜、稳定的模型就够了因为这些任务对聪明程度要求不高对听话程度和稳定性要求高。做商业模式分析和报告撰写才需要更强的模型因为需要理解和表达。所以一个实用的策略是分级使用批量数据处理用低成本模型关键分析环节用高能力模型。这样能把成本压下来一大截。我自己实测一个完整公司的研究流程如果全用最强模型成本可能几十块分级使用能降到几块钱。注意无论用哪个模型财务计算的准确性都不能依赖模型本身必须通过代码执行来保证。这是铁律。4.3 让 Agent 学会先写脚本再算数这是我在实操中总结的最重要的一条经验。默认情况下你让 AI 算个东西它会直接在对话里给你答案。但财务计算不能这么干必须强制它先写脚本、再执行、最后读结果。怎么强制在项目说明文件里写清楚规则比如所有数值计算必须通过 Python 脚本执行禁止直接口算。 脚本统一放在 scripts/ 目录命名格式为 {任务名}_{日期}.py。 脚本执行结果输出到 data/ 目录格式为 CSV。 每次计算后报告脚本路径和输出文件路径。这几条规则看起来简单但效果立竿见影。它把AI 算数变成了AI 写代码 代码算数准确性从看运气变成了可验证。而且脚本留存下来下次同类计算可以直接复用或修改越用越快。5. 实操全流程以一家消费公司为例光讲框架太虚我拿一家虚构的消费公司就叫它某食品走一遍完整流程你能看到每个环节具体怎么操作。5.1 第一步资料准备与数据提取先把某食品过去五年的年报 PDF 放进reports/目录。然后给 Agent 下指令读取 reports/ 目录下某食品 2019-2023 年的年报提取三张主表的核心科目输出为结构化 CSV。每个数据点标注来源页码。单位统一为万元。Agent 会写一个解析脚本跑完之后在data/目录生成几个 CSV 文件。这时候不要急着往下走先人工抽查。我会随机挑五六个数字翻回原年报核对。如果发现错误就调整脚本重新跑。这一步花十分钟能避免后面所有分析建立在错误数据上。抽查的时候重点关注单位是否统一、正负号是否正确、合并报表还是母公司报表。这三个是最容易出错的地方。5.2 第二步财务指标批量计算数据确认无误后让 Agent 计算全套财务指标基于 data/ 目录的财务数据计算 2019-2023 年的盈利能力、成长性、安全性、运营效率、现金流质量五类指标。输出为一张汇总表并标注每个指标的同比变化。跑完之后你会得到一张密密麻麻的指标表。这时候不要被数字淹没先看趋势和异常。我会重点看三个东西ROE 的趋势和拆解是稳定还是波动波动是靠净利率、周转率还是杠杆经营现金流与净利润的比值长期低于 1 就要警惕毛利率的变化突然上升或下降背后一定有原因某食品这个案例里我发现它 2022 年毛利率突然掉了 5 个百分点但营收还在增长。这就是一个需要深挖的异常点。5.3 第三步异常点深挖针对毛利率异常让 Agent 去财报的管理层讨论与分析部分找原因检索 reports/ 目录下某食品 2022 年年报找出关于毛利率下降的解释整理成要点标注原文出处。Agent 会告诉你原材料成本上涨、产品结构变化、促销力度加大等等。然后你要判断——这些原因是暂时的还是永久的原材料涨价可能是周期性的但产品结构变化如果是趋势性的那影响就深远了。这一步是 AI 辅助研究最能体现价值的地方它帮你快速定位信息但判断留给你。没有 AI你可能要翻半小时才能找到那段解释有了 AI三十秒就定位到了你把省下的时间用在思考上。5.4 第四步估值建模与敏感性分析假设经过分析你认为某食品未来五年收入增速 8%、永续增长 3%、WACC 9%。让 Agent 搭 DCF 模型基于以下假设搭建 DCF 模型未来五年收入增速 8%永续增长率 3%WACC 9%税率 25%资本开支占收入 5%折旧占收入 4%营运资本变动占收入增量 10%。计算企业价值和每股内在价值。然后做敏感性分析收入增速 ±3%、WACC ±2% 的矩阵。跑完之后你会得到一张敏感性矩阵表。这张表的价值在于让你看到估值的区间有多宽。如果收入增速从 5% 到 11%估值从 50 元到 90 元那说明这个估值非常不确定安全边际要留得很足。如果估值区间很窄说明公司业务稳定估值可信度较高。5.5 第五步报告生成与归档最后让 Agent 把前面所有内容汇总成研究报告初稿你修改补充判断存进output/目录。这份报告就是你的研究资产后续跟踪更新都基于它。整个流程走下来一家公司的深度研究大概需要两三个小时其中大部分时间花在判断和思考上而不是找资料和算数字。这就是 AI 辅助研究的真正价值——把人的时间从体力活里解放出来用在脑力活上。6. 那些必须警惕的坑AI 幻觉与数据陷阱讲完了流程必须泼一盆冷水。AI 辅助投资研究有几个坑是致命的我一个个说。6.1 数字幻觉最危险的错误大模型会编造数字而且编得非常像真的。它可能给你一个毛利率 42.3%但实际财报上是 38.7%。如果你不核对直接拿去用整个分析就废了。防范方法只有一个所有数字必须可追溯。我前面反复强调标注来源页码先写脚本再算数就是为了这个。凡是 AI 直接读出来告诉你的数字一律视为不可信必须回到原始文件核对。6.2 单位与口径陷阱财务数据最坑的地方在于口径不统一。同样是净利润有归母净利润、扣非净利润、净利润含少数股东权益同样是营收有营业收入、主营业务收入。AI 如果不明确口径很容易张冠李戴。我的做法是在项目说明文件里定义一套标准口径所有提取和计算都按这套口径来。比如明确规定净利润一律指归母净利润营收一律指营业收入。这样能避免大部分口径混乱。6.3 过度自信的定性判断AI 在写商业模式分析的时候语气往往非常笃定好像它真的懂这个行业。但实际上它的判断基于训练数据里的文本可能过时、可能有偏、可能只是复述了某篇研报的观点。对待 AI 的定性分析要像对待一个刚入行的实习生写的报告信息可以参考结论必须自己验证。尤其是涉及行业趋势、政策影响、技术变革的判断AI 的可靠性很低。6.4 数据时效性AI 的训练数据有截止日期它不知道最新的财报、最新的行业动态。所以所有时效性信息必须来自你提供的文件不能依赖模型的记忆。这也是为什么我强调要把最新资料放进项目目录让 Agent 基于文件工作而不是基于记忆。7. 进阶玩法多 Agent 协作与本地模型如果你已经把基础流程跑通了可以试试进阶玩法。7.1 多 Agent 分工一个 Agent 干所有事容易顾此失彼。可以拆成几个专职 Agent数据 Agent负责提取和清洗计算 Agent负责指标和建模分析 Agent负责定性研究和报告撰写。每个 Agent 有明确的职责和输入输出互相之间通过文件传递数据。这种架构的好处是每个环节可以独立优化。比如数据 Agent 的解析脚本可以不断打磨越用越准分析 Agent 的提示词可以针对不同行业定制。7.2 本地模型接入对数据隐私敏感的场景可以考虑接入本地部署的模型。这样所有数据都在自己机器上不经过外部服务。代价是本地模型的能力通常弱于云端模型所以更适合做数据提取这类不需要太聪明的任务关键分析还是用强模型。7.3 建立自己的研究知识库随着研究的公司越来越多你会积累大量的报告、脚本、判断记录。把这些整理成一个知识库让 Agent 在分析新公司时能参考历史案例。比如分析一家新的消费公司时让它对比之前研究过的消费公司的财务特征这种横向参照非常有价值。8. 我踩过的几个真实坑最后分享几个我在实操中真实踩过的坑都是文档里不会写的。第一个坑是贪多。一开始我想让 AI 一次性分析十家公司结果每个都做得不深数据还互相串了。后来改成一家一家来做完一家归档一家质量立刻上去了。AI 辅助研究深度比广度重要。第二个坑是信任脚本但不验证脚本。有一次我让 Agent 写了个计算自由现金流的脚本跑出来结果很漂亮我直接用在了报告里。后来发现脚本里把资本开支的符号搞反了导致自由现金流虚高。从那以后我养成了一个习惯任何新脚本先拿一个已知答案的简单案例测试一遍确认逻辑对了再用到真实数据上。第三个坑是忽略定性信息的时效。有次分析一家公司AI 给的行业判断还是两年前的格局但行业已经发生了很大变化。这提醒我AI 的定性分析必须配合最新的行业资料不能让它凭记忆说话。第四个坑是报告写得太满。一开始我让 AI 生成很长的报告结果重点被淹没在废话里。后来我改成结论先行、论据精简报告控制在几页以内反而更有用。研究报告的价值在于帮你做决策不在于篇幅。这套框架我用了大半年最大的体会是AI 不会让你变成更好的投资者但它能让你变成一个更高效的研究者。判断力、纪律、耐心这些投资的核心素质AI 替代不了也不应该替代。它真正改变的是研究的体力成本——以前你一年只能认真研究三家公司现在可能能研究十家。研究得多了判断力自然也会慢慢提升。如果你打算开始用我的建议是从一家你本来就熟悉的公司入手。熟悉的公司你能一眼看出 AI 哪里说错了这样既能验证工具又能建立信任。等流程跑顺了再扩展到不熟悉的公司。别一上来就挑战陌生行业那样你分不清是 AI 错了还是你不懂。