← 回總覽

两年实盘 +135%，聊聊我用 Claude Code 搭的多 Agent 投研框架

📅 2026-06-23 10:52 xbtlin 投资财经 8 分鐘 8952 字 評分: 88
AI Agent 多 Agent 系统 投资研究 开源项目 LLM 应用
📌 一句话摘要 作者分享了一套基于 Claude Code 的多 Agent 对抗投研框架，通过 4 个独立 Agent 并行分析、互相挑战，输出分层投资建议，并附两年实盘收益验证。 📝 详细摘要 文章系统介绍了作者开发并开源的多 Agent 投研框架（ai-berkshire）。框架通过 4 个独立的 Claude Code agent 从商业模式、财务估值、行业竞争、风险评估四个维度分别搜索、交叉验证并给出结论，再由 Team Lead 综合并经受其他 agent 的挑战，以打破 LLM 自我强化倾向。工程上有多个关键设计：用 decimal.Decimal 确保财务计算精度、内置 B

Title: 两年实盘 +135%，聊聊我用 Claude Code 搭的多 Agent 投研框架 | BestBlogs.dev

URL Source: https://www.bestblogs.dev/article/4e80efa6?amp%3Butm_medium=feed&%3Butm_campaign=resources&%3Bentry=rss_article_item

Published Time: 2026-06-23 10:52:26

Markdown Content: 88

The author shares a multi-agent adversarial investment research framework built on Claude Code, using 4 independent agents for parallel analysis and mutual challenge, outputting layered investment recommendations, backed by two years of real trading returns. ![Image 1: V2EXV2EX](https://www.bestblogs.dev/articles?sourceid=17e31348 "View More From This Source")

Today 1305 words (about 6 min) View Source →

Sign in to highlight text and take notes as you read. Sign in now

做了个 AI 投研系统，4 个 Agent 互相挑刺，结果比我自己分析靠谱多了 *

你直接问 Claude"帮我分析拼多多值不值得买"，它会给你一篇"一方面...另一方面..."的平衡文。看起来全面，但没法拿来做决策。

我想做的系统必须给出明确倾向：一个合理价格区间，当前价位偏高、合理还是偏低，附上置信度。做不到这一点的分析，对决策没有帮助。

花了一年多，把投研流程拆成了一套多 Agent 对抗系统。项目开源在 GitHub： https://github.com/xbtlin/ai-berkshire

先看产出

拿拼多多举例，系统实际跑出来的结论：

* 商业模式维度：C2M 有壁垒，好生意 → 3.7/5 * 财务估值维度：扣现金 PE 仅 6.3x → 4.4/5 * 行业竞争维度（逆向思考）：护城河比想象中浅，抖音电商 3 年做到 4 万亿 GMV → 3.5/5 * 风险评估维度：管理层文化有隐患，10 年后不确定 → 2.0/5

一个说"真便宜"，另一个说"不确定就不买"。这种矛盾不是 bug ，是投资决策的真实状态。

完整的报告样本放在仓库 reports/ 目录下，有 100+ 份，随便翻。

核心设计：多 Agent 对抗

/investment-team 会启动 4 个独立的 Claude Code subagent ，每个从不同分析维度（商业模式 / 财务估值 / 行业竞争 / 风险评估）各自搜索网络、各自交叉验证数据、各自给出结论。这不是把一个 prompt 拆成四段再拼回来——是 4 个"分析师"各自做了完整研究，最后由 Team Lead 综合，并且专门有一轮挑战环节：A 的结论要经受 B 、C 、D 的质疑。

单个 LLM 容易自我强化——前面说了看好，后面就不自觉找支撑证据。多 Agent 对抗就是为了打破这个倾向。

最终报告输出分层建议：激进型 / 稳健型 / 保守型各自的仓位和价格区间，加上一个"镜子测试"——5 句话说不清为什么买，就是不该买。

架构

!Image 2: 架构图 

Skill 层（ 16 个入口）— 定义你要做什么研究
    ↓
Agent 层（ 4 Agent 并行）— 各自搜索、独立判断、互相挑战
    ↓
工具层 — Decimal 精确计算 + 实时检索 + 报告校验

两个工程细节： 不信 LLM 心算。 LLM 算 PE 能算错小数点，港币人民币单位搞混更是常见。所有财务计算走 Python decimal.Decimal，关键数据至少 2 个独立来源交叉验证。还内置了 Benford 定律检测——用首位数字分布异常发现财务数据可疑的线索。 多层纠偏。 AI 最危险的不是给错答案，而是给一个看起来很对但经不起推敲的答案。框架里内置了信息丰富度分级、逆向检验（强制思考"这家公司怎么会死"）、快速否决清单（ 8 条红线一票否决，管理层诚信有问题不管多便宜都直接否决）。

怎么用

npm install -g @anthropic-ai/claude-code
git clone https://github.com/xbtlin/ai-berkshire.git
cp ai-berkshire/skills/*.md ~/.claude/commands/
/investment-team 腾讯           # 4 Agent 并行深度研究
/earnings-review 腾讯 2025Q4    # 财报精读
/quality-screen 茅台, 英伟达     # 快速筛选

实盘记录

附一下自己用这套流程辅助决策的实盘，仅供参考：

!Image 3: 2024 实盘收益

!Image 4: 2025 实盘收益

| 指标 | 2024 全年 | 2025 至今 | | --- | --- | --- | | 我的实盘 | +69.29% | +66.38% | | 标普 500 | +23.31% | +16.39% | | 恒生指数 | +17.67% | +27.77% |

几个注脚：样本量只有两年，统计上说明不了什么；集中持仓 3-5 只，波动极大；买入决策是人做的，系统只负责研究；工具是投资过程中逐步搭建的，不构成因果关系。

这个帖子不是来说"用 AI 炒股能赚钱"的——收益来自集中持有深度研究过的公司，框架的作用是提高研究效率和分析质量。

已知局限

* 跑一次完整分析的 token 消耗不小 * 买入决策仍然依赖人的判断力，工具不能替代

最后

GitHub： https://github.com/xbtlin/ai-berkshire

MIT License ，没有付费版，没有课程，没有星球。有问题直接开 issue ，我都会回。

一个我自己还没想清楚的问题：LLM 做投资研究最大的风险是什么？是幻觉？是数据滞后？还是给了你虚假的信心让你加大仓位？欢迎聊聊。

如果你想看某只股票跑出来什么样，评论区留名字（美股/港股），我挑几个跑一下贴上来。

Key Quotes

> A single LLM tends to self-reinforce—once it says something positive, it unconsciously looks for supporting evidence afterward.

> The most dangerous thing about AI is not giving a wrong answer, but giving an answer that looks right but can't withstand scrutiny.

> If you can't explain in 5 sentences why you're buying, you shouldn't buy it.

> This post is not about 'making money with AI trading'—the returns come from concentrated holdings in deeply researched companies; the framework's role is to improve research efficiency and analysis quality.

Tags

AI Agent

Multi-Agent System

Investment Research

Open Source

LLM Application

Related Articles

* From OpenClaw to FastClaw: How to Design a Great Multi-Agent Architecture * Skill: Tips on How Vibe Coding Improves Code Quality and Efficiency * Redefining Skill Development: A Step-by-Step Guide & One-Stop Development Assistant Launch * Investing 10,000 RMB in AI: A Year of Tools, Practices, and Reflections * Understanding Harness Engineering: Finding the Shell That Keeps AI from Going Rogue—Insights from 14 Engineering Articles | Hao's Trend Talk * Harness Is Not the Goal, Knowledge Is the Moat — Knowledge Accumulation Practices of an AI Engineering Delivery Team * Sharing My Experience as an Independent FDE in Osaka: The Full Process of Implementing an AI Project for Manufacturing * Understanding Hermes in One Article: How the New Top-Tier Agent Self-Evolves from Experience * Skill: Tips on How Vibe Coding Improves Code Quality and Efficiency * vibe-coding-template: After Losing a Codex Conversation File, I Organized a Set of Agent Long-Term Collaboration Templates to Quickly Embed AGENTS.md, Task Prompts, Code Review, Knowledge Explanations, and Web-Search Workflows into Projects

查看原文 → 發佈: 2026-06-23 10:52:26 收錄: 2026-06-23 22:00:39

🤖 問 AI

針對這篇文章提問，AI 會根據文章內容回答。按 Ctrl+Enter 送出。