本文介绍一个开源AI金融投资多Agent框架，将巴菲特、芒格等投资大师方法论拆解为独立Agent，强制输出具体投资建议并内置反偏见机制。适合对量化投研或AI应用感兴趣的开发者。项目提供可复现的研究流程，但需注意历史收益不代表未来表现，投资决策需谨慎。
Tags:
最近网上冲浪，刷到两个特别有意思的 GitHub 项目，分享给大家。
第一个开源项目有点狠，它把巴菲特、芒格、段永平、李录这几位投资大师“蒸馏”了。
这个项目叫 AI Berkshire。在项目框架里，巴菲特负责看财务和估值；芒格负责逆向思考和风险检查；段永平负责看商业模式和企业文化；李录负责长期确定性。
然后它再用多 Agent 的方式，让“大师们”同时跑起来，互相补充、互相质疑，形成一份分析结果。
用过 AI 分析股票的都知道，现在你随便问一个 AI，让它分析腾讯、美团、拼多多的投资策略，它能写一大段。
但回答往往是一串正确的废话：一边说有增长潜力，一边说也有竞争压力，最后来一句“投资者需要综合权衡”。
看起来很专业，其实说了等于没说。
AI Berkshire 做的第一件事，就是强制给结论。
它不会只给你一篇两面讨好的分析，而是要求输出具体的投资建议，给出不同风格下的价格区间。
比如：
第二，它不是单一视角分析，而是四个投资大师互相对抗。
AI Berkshire 会把巴菲特、芒格、段永平、李录这几套方法论拆开，变成四个专家 Agent，让它们分别从自己的投资框架出发给出判断。
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
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。然而，这恰恰是 AI Berkshire 的优点。
第三，它内置了一套反偏见机制。
AI 做投研最危险的地方，不是它完全胡说，而是它给你一个看起来很完整、很自洽，但其实经不起推敲的答案。
AI Berkshire 里有很多“防骗”设计。
比如信息丰富度评级：它会区分资料到底是 A 级、B 级还是 C 级，不会因为资料很多，就假装确定性很高。
再比如芒格式逆向检验，它会强制追问：这家公司在什么情况下会死？
这样做的好处是，AI 不能只顺着你的问题往下夸，必须主动把反面情况也摆出来。
如果公司诚信踩了红线，它也不会因为估值便宜就继续硬分析，而是会直接触发否决机制。
最重要的是，它允许说“不知道”。数据不足的时候，它会标成灰色地带，而不是用一堆推测伪装成确定结论。
第四，它很重视金融数据的精确性。
这点对投研特别关键，因为 LLM心算并不可靠。
PE 算错一个小数点，港币和人民币单位搞混，市值多写一个零，都可能直接影响判断。
AI Berkshire 的做法是，把关键计算交给工具处理。
比如市值要用股价乘总股本做手算校验，再和报告里的市值做对比，关键数据还要尽量找两个独立来源交叉验证。
第五，它的研究流程是可复现的。
你直接问 AI，每次输出的格式、深度、覆盖面都不一样。
但 AI Berkshire 的价值在于，它把研究流程固定下来了。同样的输入，就会得到结构一致、维度一致的输出。
这样你就可以拿 7 家公司放在同一套 checklist 里横向对比。也可以半年后重新分析同一家公司，看它的商业模式到底发生了什么变化。
如果是团队一起做研究，也能保证大家的分析口径尽量一致。
为了证明这个项目在现实场景下的作用，作者还晒了自己使用 AI Berkshire 框架后的实盘收益截图。
2024 年全年收益 +69.29%，2025 年至今收益 +66.38%。
不过，还是得强调：投资有风险，决策需谨慎，本项目仅供学习和研究目的，不构成任何投资建议。
之前好用，不代表未来也好用。
项目安装不复杂，分三步。
第一步，先安装 AI 客户端。这个项目同时支持 Claude Code 和 Codex，你用哪个客户端，就装哪个。
Claude Code 用户运行：
Codex 用户可以运行：
如果你是 macOS，也可以用 Homebrew：
Windows 用户可以用 PowerShell：
装完后，可以用下面命令检查是否安装成功：
第二步，安装 AI Berkshire。
先把项目克隆到本地：
如果你用 Claude Code，就运行：
如果你用 Codex，就运行：
Codex 用户还可以额外安装 slash prompts，这样后面就能在 / 菜单里直接搜索对应命令：
第三步，开始使用。
Claude Code 里可以直接输入命令，比如：
如果你用的是 Codex，就直接用自然语言调用对应 skill：
如果安装了 Codex slash prompts，也可以在 Codex 里这样调用：
项目链接：https://github.com/xbtlin/ai-berkshire
最近 AI 领域火起来的开源项目，其实有一个很明显的趋势：
它们不再满足于做一个“聊天机器人”。
而是开始把某个领域里真正有价值的方法论，拆成一套 AI 可以执行的工作流。
另一个项目也是类似思路，只不过它不做投资，而是做知识管理。
它用 Claude Code + Obsidian，做了一个会自己整理资料的本地 AI 知识库。
普通插件大多是你问，它在你的笔记里搜一搜，然后给你总结一下。
但这个项目会自己读资料，自己拆概念，自己建页面，自己加双链，最后把你丢进去的网页、PDF、代码、聊天记录、视频笔记，整理成一套本地 Markdown 知识图谱。
这个项目的底层思路，其实和 Karpathy 之前提出的 LLM Wiki 很像。
2026 年 4 月，Karpathy 在 GitHub 上发过一条 gist，标题就叫 LLM Wiki。
他说，个人知识库不应该只是一个资料仓库，而应该变成一个由 LLM 持续维护的 wiki。
这样一来，知识就会成为不断沉淀、不断复用的本地资产。
而 claude-obsidian 这个项目，正是在这个方向上往前走了一步。
项目作者反复强调一个词：compounding knowledge，知识复利。
实际上，claude-obsidian 是在帮你养一套知识系统。
当你用它打开一份资料时：
涉及到的人物、机构、项目，会变成实体页。
涉及到的理论、方法、模式，会变成概念页。
原始文章、PDF、聊天记录这些，会变成来源页。
然后它再把这些页面用双向链接串起来。
这样一来，你的 Obsidian 里就不是一堆孤立文件，而是一张不断扩展的知识网。
它还会检查笔记之间有没有互相打架的地方：
比如一个页面里说 A 方法适合长期项目，另一个来源又说 A 方法在某些场景下会失效，它会把这种冲突标出来，并且告诉你依据来自哪里。
除此之外，它还会维护会话记忆。
每次你和 Claude Code 聊完，它会更新 hot.md，把当前最重要的上下文写进去。
下次再打开，不用重新交代背景，它能直接接着上次的状态继续工作。
它还有 8 类健康检查：孤儿笔记、死链、过期声明、缺失引用，这些以前要靠人手动翻的脏活，它会帮你列出来。
所以它不会让你的 wiki 越写越臃肿，只会让你的 wiki 一直保持可维护的状态。
而且所有数据都是本地 Markdown，没有订阅费。你可以用 Obsidian 打开，也可以用 VS Code 打开。
装起来也不复杂，我刚刚自己跑了一遍，有两种方式。
第一种，是把仓库 clone 到本地，当成一个 Obsidian vault 来用。
命令是：
第二种方式，是直接当成 Claude Code plugin 来安装。
命令是：
安装完之后，它会在本地创建一个对应的项目目录，大概率就叫 claude-obsidian。
你用 Obsidian 打开这个目录就行。
第一次打开的时候，Obsidian 会问你是不是信任这个仓库作者。
这里选择信任，并启用插件。
后面还会弹出一个提示，让你打开几个预装插件。
Calendar 是时间区，用日历把 daily note、写作记录和未完成任务按日期串起来。
Thino 是速记区，像 flomo 一样先接住灵感、选题和零散想法。
Excalidraw 是白板区，用来画流程图、思维导图，也可以给图片和 PDF 做标注。
Banners 是展示区，给重点笔记加封面图，让项目页、专题页更像知识卡片。
这些插件不是 claude-obsidian 的核心，但会让整个 vault 更像一个完整的知识工作区。
插件启用完以后，再打开终端，进入刚才那个目录：
然后在 Claude Code 会话里输入：
输入 /wiki 后，它会先带你做一轮知识库配置。
然后，就可以开始使用了。
我自己试下来，比较明显的感受有两个。
第一，它回答问题的时候，逻辑和来源都比较清楚。
比如我问它某个项目的生成质量到底怎么样，它不会直接给一个很空的判断。
而是会先拆维度，回到已经吸收过的资料里找依据。这点对做内容很有用，因为很多时候AI容易出现幻觉。
第二，做可视化图片比较有优势。
比如我让它围绕某个项目的核心技术做一张 canvas，它不用我给文字，就能把每一部分梳理清楚，放到合适的位置上。
下面是一次生成的结果：
如果你本来就在用 Obsidian，又经常用 Claude Code 做研究、写内容、整理项目文档，那这个项目还是挺值得试一下的。
感兴趣的话，可以去 GitHub 上装一下，花一个下午跑一遍。
项目链接：https://github.com/AgriciDaniel/claude-obsidian
好了，希望大家有所收获，我们下期再见！
没有评论:
发表评论