一句话结论：巴菲特的价值投资理念说起来简单——找好公司、算合理价格、长期持有。但实操中，光是读完一家公司的年报就要花好几天，更别说横向对比几十家公司。xbtlin 开源的 AI Berkshire 想做的，就是用 AI 来大幅加速价值投资的研究过程：框架围绕巴菲特和芒格的投资分析方法论设计，自动抓取公司财务报表数据（营收、利润、现金流、资产负债），计算关键的价值投资指标——ROE、自由现金流收益率、护城河评分、管理层质量评估等，然后用 LLM 生成完整的投资分析报告；数据源覆盖 A 股（akshare）与美股（SEC EDGAR），Python 实现、支持一次批量分析 20 家公司并输出对比报告，Star 1.6 万，适合做价值投资的个人投资者和小型基金研究团队。

Meta Description：xbtlin 开源 AI 价值投资研究框架：围绕巴菲特-芒格方法论，自动抓取财报数据、计算 ROE/自由现金流/护城河等指标并用 LLM 生成深度分析报告，覆盖 A 股与美股，Python 实现，Star 1.6 万。

核心亮点速览

一、价值投资研究的真实痛点：信息太碎、人工太慢

价值投资的理念人人能背，落到执行却处处是墙。看一家公司，要读年报、算财务指标、判断护城河、评估管理层；真要横向比几十家，光数据收集就耗掉一整周。AI Berkshire 的切入点正是瞄准这个”研究效率”痛点——它不是又一个”荐股号”，而是把巴菲特和芒格的分析框架，沉淀成一套可重复执行的流水线：数据自动抓取、指标自动计算、报告自动生成，把一周的研究压缩成几小时。

二、核心机制：方法论驱动 + 数据闭环

2.1 指标计算：用巴菲特的尺子量公司

框架的核心不是通用 Chat，而是内置了一套完整的价值投资指标体系：营收利润现金流三大基本功、ROE 衡量赚钱效率、自由现金流收益率评估真实回报、护城河评分与管理层质量评估等特征指标都被结构化计算。这样做的好处是”口径统一”——你用同一把尺子去量每一家公司，横向对比才有意义，而不是凭感觉东挪西凑。

2.2 LLM 报告：从数据到洞察

计算完指标后，LLM 会基于这些数据生成一份完整的投资分析报告：公司基本面分析、行业竞争格局、估值区间判断，报告模板参考了伯克希尔年报的分析框架。它不是泛泛的 AI 概括，而是有具体数据支撑的深度分析——数据与表述绑定，报告可追溯、可复核，这恰恰是投资研究最看重的东西。

三、数据源与批量设计

数据覆盖 A 股和美股两个主要市场：A 股用 akshare 拉取，美股对接 SEC 的 EDGAR 数据库，两条通道都走公开数据源。批量分析是它的另一个亮点——你可以一次性输入 20 家公司的代码，系统自动跑完全部分析并输出对比报告，非常适合做行业扫描或构建投资候选池。这种”一通百通”的批量能力，正是个人投资者与小型团队最需要的杠杆。

3.1 一条跑完整的研究工作流

把 AI Berkshire 接入日常工作流，可以走一条很完整的路：先用批量分析功能把候选池（比如消费、医药、金融三大板块各 10 家）通刷一遍，拿到统一口径的指标对比表；再对筛选出的重点公司逐家精读 LLM 生成的深度报告，核对企业特殊事项（商誉、质押、关联交易等框架未必覆盖的细节）；最后把报告归档，配合自己的笔记系统做跟踪记录。这套流程把”粗筛-精读-跟踪”三段式研究固定下来，比起”想到哪看到哪”的散点式研究，效率和纪律性都强很多。需要提醒的是：框架的指标逻辑基于巴菲特方法论，如果有自己的额外筛选标准（比如排除高质押、限制行业集中度），建议在输入阶段就做好前置过滤，把投资纪律写进工作流，而不是让 AI 替你临场拍板。整个工具链数据可追溯、报告可复核，也很适合团队里分工使用——研究员负责跑数据和复核，决策层只看最终过滤后的少数重点标的。

四、安装与使用体验

pip install ai-berkshire
python -m ai_berkshire analyze 600519 --market A

Python 实现、pip 一键安装，命令行上手门槛低。亲测的体感是”省心但不越界”：投入研究的时间被大幅压缩，产出却仍然保持着结构化的深读感。受众比较垂直——认同巴菲特方法论、却苦于研究效率低的个人投资者，以及需要批量扫描行业的小型基金研究团队。它不会替你做投资决策，但能帮你更快地做足功课。

一句话的实战体感：它把投资研究从”默默啃年报”变成”有结构的快进”。以前做一家公司的基本功，要下载年报、手工整理三大表、算比率、写备忘，大半天就没了；现在输入代码、几分钟拿到指标与报告，剩下的时间全部留给最有价值的判断部分——跟管理层、读护城河、看行业.Barriers。它是”研究放大器”而不是”决策替代品”，用好了能把每周的投研产能翻上一番，对个人价值投资者尤其友好：它以工具形态逼着你把研究工作做得更勤、更有纪律。

五、适用人群与场景

• 价值投资个人投资者：认同方法论但研究效率偏低的长期投资者；
• 小型基金研究团队：需要批量扫描行业、构建候选池的研究人员；
• 财务分析学习者：想系统理解巴菲特指标体系的入门者；
• 数据与报告需求者：需要结构化、可复核投研报告的从业者。

六、常见问题 FAQ

Q1：AI Berkshire 和普通 AI 炒股助手有什么区别？ A：它不是荐股工具，而是价值投资研究框架。内置巴菲特-芒格指标体系，自动抓取财报、计算 ROE/自由现金流/护城河等指标并用 LLM 生成有数据支撑的分析报告，研究全流程自动化。

Q2：支持哪些市场？ A：覆盖 A 股与美股。A 股用 akshare 拉数据，美股对接 SEC 的 EDGAR 数据库，两端均为公开数据源。

Q3：能批量分析多只股票吗？ A：可以。支持一次批量输入 20 家公司代码，系统自动跑完全部分析并输出对比报告，适合行业扫描与候选池构建。

Q4：报告靠谱吗？还是 AI 编的？ A：报告由数据驱动：先结构化计算财务指标，再由 LLM 基于这些数据生成分析，数据与表述绑定、可追溯可复核，不是泛泛的 AI 概括。

Q5：新手能直接用吗？ A：命令行使用门槛低，但价值投资本身需要一定基础。工具负责高效做功，决策仍需你自己判断，AI 不替你承担投资风险。

七、同类方案横向比较

一句话：AI Berkshire 用”方法论结构化 + 指标自动化 + LLM 报告”的组合，把巴菲特式投研从一周压缩到几小时——它不是帮你做决策，而是帮你把功课做得又快又扎实。

7.1 赛道观察

价值投资工具并非没有竞品——商业化的彭博终端、Wind 数据服务都提供类似的分析能力，但它们的门槛在于昂贵的订阅费和封闭的数据访问。AI Berkshire 走的是另一条路：开源、可自行部署、数据源公开，把「机构级研究能力」下放给个人。这种「方法论开源＋数据公开」的组合正在重新定义投研工具的分工：复杂的基建由开源社区共建，个体的判断才是真正稀缺的资源。从更宏观的视角看，当人人都能轻松完成「巴菲特式功课」时，价值投资的门槛并不会因此降低，反而会把竞争推向更难的环节——独立判断、反人性耐心与长期主义，这些 AI 永远无法代劳。

八、延伸思考

AI Berkshire 背后其实藏着价值投资”知行合一”的难题：方法论从来不难背，难的是日复一日地执行。当 AI 把数据收集与指标计算全部自动化，研究者的注意力反而应该更聚焦在两件机器替代不了的事上——判断护城河的”质地”、评估管理层的”品格”。工具的进步并不会让投资变简单，它只是把金字塔的塔基垫高了，塔尖的功课仍属人。对个人投资者而言，这套框架真正的价值，或许不是多快算完一个 ROE，而是把”研究”从一次性冲刺变成可持续的日常习惯——当研究成本低到可以随时做，认知复利才真正开始滚动。

总结

AI Berkshire 用”巴菲特-芒格方法论 + 自动财报数据抓取 + 结构化指标计算 + LLM 深度报告”的完整流水线，把价值投资研究从人工慢功夫变成了可批量、可复核的高效输出：覆盖 A 股与美股，支持一次分析 20 家公司并出对比报告，Python 实现、1.6 万 Star。它不替你做投资决策，却把”做足功课”这件事变得又快又准——对认同价值投资、苦于研究效率的个人投资者与小型团队，这是当前开源世界里相当值得上车的研究加速器。

一句话回顾：研究越廉价，认知越复利；工具负责做功，判断永远属于你。