ai-berkshire

从采用判断看，ai-berkshire 目前更像“高关注度的开源投研框架”，而不是已被广泛验证效果的成熟投资产品。GitHub 仓库与 Trending、X 上多条高传播帖子，主要能证明它近期很受关注，这是热度证明；能支持“是否好用”的证据，则更多来自官方仓库对方法论和工作流的直接说明。现有样本里，成体系实测、长期复盘、失败案例与可复现对比都偏少，因此能力判断应保守。

它的实际作用，不是自动替你赚钱，也不是量化交易引擎、回测平台、证券终端或券商下单系统。更准确的类比，是“把价值投资方法论封装成可复用研究流程的开源 Skill / workflow 模板”。仓库信息显示，它把巴菲特、芒格、段永平、李录等视角拆成多个 Agent，并行产出基本面、护城河、风险、估值等分析草稿，再进行交叉校验，帮助研究者更快整理公司研究材料与投资判断框架。

门槛和成本方面，证据能支持它依赖 Claude Code / Codex 一类 coding agent 环境，所以需要一定的提示词理解、代码环境配置和流程调试能力。费用上，evidenceSources 没有提供官方定价，也没有稳定 API 成本数据；因此只能保守推断：若接入商业模型，成本大概率主要来自模型调用量、研究轮次和上下文长度。这是基于依赖关系的保守推断，不是官方报价；社媒里“免费平替”或演示效果，也不能视为稳定成本承诺。

适合谁也比较明确：它更适合愿意自己搭环境、核查输出、把 AI 当研究助手的价值投资研究者；不适合把它当黑盒荐股器或“彭博终端替代品”的人。社媒共识是“AI+价值投资工作流”很容易传播，因此热度高；但讨论质量并不均衡。当前证据里，官方仓库最能支持定位与边界判断；X 内容以转发、榜单式推荐和工具串联为主，热度证明强、好用证明弱；知乎有少量长文介绍和观点总结，但样本有限，且带有明显传播标题，教程和严谨实测仍少。整体属于讨论较多、硬核验证有限。