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 star、Trending 提及、X 上高转发更能证明它受到关注，这是热度证明；真正能支持“是否好用”的，主要还是官方仓库对流程与方法的说明，以及少量知乎长文的介绍式解读。现有样本里，系统化实测、长期复盘、失败案例讨论都不多，所以能力判断应保守。

它的实际作用，不是替你自动赚钱，也不是量化交易引擎、回测平台或券商下单系统。更准确的类比是“把价值投资方法论做成可复用的研究工作流模板”。仓库介绍显示，它把巴菲特、芒格、段永平、李录等视角拆成多个 Agent，并行输出基本面、护城河、风险、估值等研究草稿，再做交叉校验，帮助用户更快整理投研材料和判断框架。

门槛和成本方面，证据能支持它依赖 Claude Code / Codex 这类 coding agent 环境，因此需要一定的提示词、代码环境和流程配置能力。费用上，evidenceSources 没有给出官方定价，也没有稳定 API 成本信息；因此只能保守说，如果接入商业模型，实际成本大概率来自模型调用量与研究轮次，这是基于依赖关系的保守推断，不是官方报价。社媒里的演示与经验说法不能当作长期稳定成本承诺。

适合谁/不适合谁也比较明确：它更适合愿意自己搭环境、检查输出、把 AI 当研究助手的投资研究者；不适合把它当黑盒荐股器的人。社媒共识是“AI+价值投资工作流”这个题材很容易传播，所以热度高；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；知乎内容以介绍、观点总结和轻体验为主，教程与严谨实测较少；X 证据主要是转发传播和榜单式推荐，更能证明受关注，不足以单独证明研究质量。整体属于讨论不少、硬核验证仍有限。