AI 时代的伯克希尔：基于 Claude Code / Codex 的价值投资研究框架。巴菲特·芒格·段永平·李录四大师方法论 + 多Agent并行研究。| AI-era Berkshire: a value investing research framework built for Claude Code / Codex. 4 masters' methodologies + multi-agent adversarial analysis.
Денег в теме много и рынок быстро растёт: AlphaSense >$500 млн ARR к окт. 2025; глобальный AI-рынок ~$0.39-0.64 трлн в 2025-2026 (CAGR 30.6%); core-рынок финразведки ~$13 млрд/год. Готовность платить — от $8/мес (Gainify) до миллионов (AlphaSense). Но массовый спрос сконцентрирован на данных и терминалах, а не на промпт-паках.
ЗАХВАТ22
Удержать ценность крайне трудно: продукт — markdown-промпты под MIT, копируются за минуты, клоны уже существуют. Нет проприетарных данных, сетевого эффекта или замка. Ров конкурентов построен именно на лицензированном контенте, которого у проекта нет.
ДОСТУП55
MIT максимально свободна, коммерциализация разрешена. Но bus-factor высок (~9 контрибьюторов, фактически один автор-бренд), продукт — тонкая обёртка поверх Claude Code / Codex (зависимость от чужих API и цен), и чтобы сделать продукт, нужен реальный инжиниринг: данные, бэкенд, комплаенс.
«Заработать можно только надстройкой, но итог топит capture: MIT-промпты без своих данных копируются мгновенно, а ров конкурентов — лицензированный контент.»
Рыночный анализ · Обзор
Набор из 19 готовых «скиллов» (промпт-шаблонов + Python-скриптов) для AI-агентов Claude Code и Codex, который превращает связку «человек + AI» в имитацию инвестиционно-исследовательской команды по методологиям четырёх мастеров стоимостного инвестирования.
Это не классическая библиотека, а skill-pack: markdown-промпты плюс вспомогательные скрипты для точных финрасчётов. Он принудительно выдаёт конкретный вывод (Прошёл / Не прошёл / Серая зона) с ценовыми диапазонами и градуированными рекомендациями, вместо расплывчатого «с одной стороны — с другой». Ключевые механизмы: состязательность четырёх точек зрения (Баффет, Мангер, Дуань Юнпин, Ли Лу), рейтинг информационной насыщенности A/B/C, чек-листы отсева и ручная верификация финданных через decimal.Decimal с кросс-проверкой минимум по 2 источникам.
Какую боль решает
Решает не проблему «может ли AI анализировать», а проблему качества анализа и дисциплины принятия решений: прямой запрос к AI даёт удобный обеим сторонам расплывчатый ответ, а фреймворк форсирует структурированный, воспроизводимый и небиасованный инвест-вердикт.
Сценарии использования
+Глубокое исследование одной публичной компании (/investment-research, /investment-team) с четырёхсторонней оценкой и трёхсценарной оценкой стоимости
+Разбор финансовой отчётности из первоисточника (/earnings-review) и подготовка публикуемых статей (/wechat-article, /earnings-team)
+Отраслевой скрининг и воронка отбора (/industry-funnel, /quality-screen, /bottleneck-hunter)
+Управление портфелем и дисциплина после покупки (/portfolio-review, /thesis-tracker, /thesis-drift)
+Быстрая атрибуция движения цены акции (/news-pulse)
Целевой пользователь
Розничный/частный инвестор и аналитик, ориентированный на стоимостное инвестирование (рынки Китая, Гонконга, США), уже имеющий подписку Claude Code или Codex и готовый тратить токены на глубокий анализ.
Работающий Python-фреймворк на LangGraph с мультипровайдерностью (OpenAI, Anthropic, DeepSeek, Qwen и др.) и бэктестом, а не набор промптов; трейдинг-ориентирован, не value-investing.
Академическая платформа AI-агентов для финансового анализа на LLM с научной базой (arXiv / ICAIF 2024), 8 специализированных агентов и генерацией equity-отчётов.
Прямые клоны идеи — например скиллы «apply value investing principles from Buffett and Munger through Claude AI agents» с почти идентичным набором topics; демонстрируют низкий барьер копирования.
Позиционирование
Лидер по социальному трекшену в узкой подкатегории (value-investing skill pack для Claude Code / Codex, ~9.6k звёзд), но технически догоняющий/более лёгкий, чем полноценные фреймворки (TradingAgents, FinRobot). Дифференциатор — не код, а методология четырёх мастеров плюс маркетинг «реального трек-рекорда»; барьер копирования низкий, поскольку это markdown-промпты, и похожие Buffett/Munger-скиллы уже есть на GitHub.
AI-платформа рыночной и финансовой разведки для профессионалов; ров построен на проприетарном контенте (200,000+ экспертных транскриптов Tegus, 4,500 финмоделей Canalyst).
Более 6,500 организаций (включая 88% S&P 100); ARR превысил $500 млн к октябрю 2025 (рост с $400 млн семью месяцами ранее). Оценка core-рынка ~$13 млрд/год.
Семейство B2C research-подписок: sentiment + аналитическая рамка (прайс-таргеты, консенсус), оценка intrinsic value с DCF-калькулятором и Wall Street estimates.
Легаси-эталон торговых залов: рыночные данные, аналитика и торговые инструменты; используется хедж-фондами, УК и инвестбанками.
Стандарт индустрии; цена ~$20-30k/год/место (общеизвестно, не проверялось напрямую).
Terminal seat~$20-30k/год
Текущая монетизация проекта
Прямой монетизации не обнаружено — это по сути демонстрационно-репутационный проект (близко к хобби/личному бренду). Реестр установки отсутствует (registry: none), лицензия MIT, единственный релиз v1.0.0. Признаков open-core, облачной версии, платной поддержки или GitHub Sponsors в выдаче не найдено (не подтверждено — прямой страницы монетизации не найдено). Единственный коммерческий рычаг в README — маркетинг через заявленный трек-рекорд (совокупная реальная доходность >¥1.46 млн за два года, обгон основных индексов), но эти заявления не аудированы независимо (скриншоты из брокерского счёта Futu) и служат воронкой внимания, а не продуктом.
Коммерческий потенциал
ПОТЕНЦИАЛ · НИЗКИЙ
На самом репозитории заработать почти нельзя — это воронка внимания, а не продукт. Реальные пути: SaaS-надстройка с хостингом агентов и проприетарными данными (модель Danelfin/Gainify, $8-90/мес B2C), личный бренд/медиа с платной research-подпиской (модель Seeking Alpha), либо open-core с платными премиум-пайплайнами. Ценность создаёт надстройка (данные + хостинг + бренд), а не либа как таковая.
Спрос и рынок
Целевой TAM — ниша AI-driven investment research внутри финразведки (~$13 млрд/год core-рынок по оценке для AlphaSense) на фоне общего AI-рынка (~$0.39-0.64 трлн в 2025-2026 по разным методологиям). SAM для B2C-скоринга/research-подписок — сегмент с ценами $8-90/мес: тысячи-десятки тысяч платящих на игрока, но с высокой конкуренцией.
Ров / защищённость
Рва практически нет. Дифференциатор (методология четырёх мастеров + дисциплина вывода) ценен, но не защищаем — воспроизводится промптами. Ров пришлось бы строить заново на данных, бренде и аудированном перформансе.
Модели монетизации
+Managed hosting / SaaS-обёртка: хостить агентов «под ключ» без необходимости своего Claude Code + проприетарные данные и авто-обновление отчётов
+Open-core: базовые скиллы бесплатно, платные — премиум-пайплайны, интеграции данных, командные функции
+Платная поддержка / консалтинг для инвест-команд
Что нужно, чтобы сделать продукт
+Проприетарный источник данных (главное — основа рва)
+Собственный бэкенд/облако, чтобы убрать зависимость от клиента Claude Code / Codex
+Независимо аудированный трек-рекорд вместо неаудированных скриншотов Futu
+Регуляторный комплаенс и дисклеймеры для инвест-рекомендаций
+Биллинг и командные функции для B2C/B2B-продукта
⚖ ЛИЦЕНЗИЯ · МОЖНО ЛИ КОММЕРЦИАЛИЗИРОВАТЬ
MIT — свободная: коммерческое использование, форк и закрытые деривативы разрешены без ограничений. Это плюс для того, кто строит продукт поверх (низкий юридический барьер), но одновременно слабость самого проекта — та же MIT позволяет любому скопировать промпты и запустить конкурента, что напрямую топит capture. Юридического рва лицензия не даёт; здесь она работает против монетизации автором. (Не юрсовет; вопросы инвест-регулирования требуют отдельной проверки.)
Риски и подводные камни
ВЫСОКИЙЮР. СЕРАЯ ЗОНА
Продукт выдаёт конкретные инвест-вердикты с ценовыми диапазонами и маркетируется реальной доходностью; коммерциализация инвест-рекомендаций почти везде требует лицензий/дисклеймеров. Заявленный трек-рекорд не аудирован независимо.
ВЫСОКИЙСЛАБЫЙ РОВ
MIT-промпты копируются мгновенно; клоны уже есть (тема stock-analysis-ai); крупные игроки владеют данными-рвом, которого у проекта нет.
ВЫСОКИЙЗАВИСИМОСТЬ ОТ АВТОРА
Полная привязка к Claude Code / Codex и их API-ценам; изменение политики Anthropic/OpenAI ломает продукт. Плюс высокая стоимость токенов на глубокий research (признаётся самим README).
СРЕДНИЙАВТОР МОНЕТИЗИРУЕТ САМ
~9 контрибьюторов, фактически один автор-бренд; ранняя зрелость (единственный релиз v1.0.0) — высокий bus-factor и риск, что автор сам уведёт ценность в закрытый продукт.
СРЕДНИЙПРОЧЕЕ
Репутационный риск: финансовые ошибки AI (несмотря на верификацию) при реальных инвест-решениях → претензии пользователей.
+Точные звёзды всех OSS-аналогов (TradingAgents, FinRobot, Stockagent, InvestorGPT, agent-quant-stock-invest) не вернулись в выдаче — сравнение по популярности провести честно нельзя, все stars = null.
+Заявленный трек-рекорд проекта (+69.29% в 2024, +66.38% в 2025, совокупно >¥1.46 млн) взят из README и НЕ аудирован независимо (скриншоты брокерского счёта Futu).
+Отсутствие монетизации самого автора не подтверждено прямой страницей — GitHub Sponsors / платной версии просто не найдено в выдаче.
+Цена Bloomberg Terminal (~$20-30k/год/место) взята из общих знаний, не проверялась ≥2 источниками.
+Оценки размера рынка (AI-рынок $0.39-0.64 трлн 2025-2026, CAGR 30.6%; core-рынок финразведки ~$13 млрд) — из отдельных отчётов, методологии разнятся; цифра ARR AlphaSense $500 млн относится к окт. 2025.
+Оценка лицензии и регуляторных рисков носит общий характер и не заменяет юридическую консультацию, особенно по инвест-регулированию.
+Числа масштаба конкурентов B2C (пользователи/выручка) в основном не публичны и не подтверждены ≥2 источниками.
xbtlin/ai-berkshire собрал 133 звёзд за окно, тогда как у автора всего 114 подписчиков — эффективная аудитория ≈ 655. Это даёт surprise-индекс 0.0274 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 93.3% и 1 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация отрицательная — внимание остывает после пика.
Related Findings
RANKS ABOVE 0% OF 1 FINDINGS
NO RELATED FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 1 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW