TIL

AI 投研框架的反偏见设计

AI 投资

看到 ai-berkshire（AI 时代的伯克希尔），一个用 Claude Code / Codex 跑价值投资研究的 skill 合集，巴菲特/芒格/段永平/李录四大师方法论。把它移植成了 Hermes skill（investment-research / investment-team / financial-data，工具脚本在 ~/.hermes/scripts/ai-berkshire/）。这里记的是它真正值钱的地方——反偏见设计。

为什么直接问 AI 不可决策

直接问"拼多多值不值得买"，得到的是"一方面…另一方面…"的平衡分析，最后以"投资有风险"收尾。看起来对，但没法拿来做决策。

问题不在 AI 不能分析，在输出结构：两面讨好 = 没有信息增益。

五个反偏见机制

  1. 强制给结论 — 输出必须落"通过/不通过/灰色地带" + 具体价格区间。镜子测试：5 句话说不完整 = 不买。结构性逼出判断。
  2. 多视角对抗，不是单视角分析 — 四大师会产生真实的矛盾（拼多多：巴菲特说真便宜，李录说不确定就不买）。单一 prompt 制造不出这种冲突，而矛盾才是决策的真实状态。
  3. 结构化防骗 — AI 最危险的不是答错，是给一个"看起来很对但经不起推敲"的答案：
  • 信息丰富度 A/B/C 评级：防止"资料多=确定性高"的幻觉
  • 芒格式逆向检验："什么情况下这家公司会死？"列 5 大情景
  • 8 条一票否决红线：管理层诚信污点直接否决，不管多便宜
  • 反共识检查："聪明人为什么在做空？"
  • 留白原则：数据不足标"灰色地带"，不推测
  1. 金融数据精确性 — LLM 心算不可靠：PE 错一个小数点、市值单位混港币/人民币，就够做错决策。所有计算用 decimal.Decimal（不用 float），关键数据 ≥2 个独立来源交叉验证，>1% 差异标记，>5% 必须查原始财报。真实案例：腾讯市值有"港币亿"和"人民币亿"两种单位。
  2. 可复现流程 + 准出抽检 — 同输入 → 同结构输出。报告发布前随机抽 15% 数据点复核（report_audit.py），偏差 >1% 打回。

和我已有体系的关系

这套设计不是新东西——就是 multi-model-code-review 的投研版：对抗式多 agent + 结构化输出 + 内置校验工具。Hermes 的 delegate_task（batch 并行子 agent）就是 Claude Team API 的等价物，我移植时直接替换，方法论原样保留。

启发点："强制结论"和"一票否决清单"可以移植到代码评审。评审意见如果只列"可以改进的地方"就是两面讨好；要求 reviewer 先给"通过/不通过/条件通过" + 一票否决项，才逼得出判断。

我的判断

  • 实盘 2024 +69% / 2025 +66% 无法独立验证（富途截图），当营销看
  • 方法论是扎实的，尤其"资料多 ≠ 确定性高"这条，对 AI 应用有普遍意义
  • 工具链（financial_rigor.py 等）零依赖纯 stdlib，质量不错，可长期用

来源: GitHub: xbtlin/ai-berkshire

相关：change-myself

↑ Top