AI Berkshire：把价值投资研究方法论写成可复核的 AI 工作流

先确认这家公司属于 A/B/C 哪一级。信息充裕的公司更容易趋同于市场共识，信息稀薄的公司需要先做一手验证。

预期输出：报告开头必须出现信息丰富度评级与 AI 研究局限性声明。

python tools\financial_rigor.py cross-validate --field revenue --values '{"macrotrends": 7518, "stockanalysis": 7500}' --unit 亿

美股用 macrotrends 主 + stockanalysis 副；港股用 aastocks 主 + macrotrends ADR 副；A 股用东方财富主 + 巨潮资讯副。偏差 >5% 必须回去查原始财报。

预期输出：本机实测输出「所有来源偏差 ≤ 2.0%, 数据一致」（注意工具默认容差是 2.0%，与规范的 1% 分档不一致）。

数据收集 → 生意本质 → 护城河 → 逆向思考 → 管理层 → 行业与文明趋势 → 估值与安全边际 → 综合决策备忘录。

预期输出：每一步末尾要出现对应大师的追问；反方证据不能被写成一句免责声明。

python tools\financial_rigor.py verify-market-cap --price 510 --shares 9.11e9 --reported 4.65e12 --currency HKD

市值 = 股价 × 总股本。银行、保险等特殊行业的 PB 与 PE 要另算。

预期输出：本机实测输出「计算市值: 4.6461e+12 HKD」「偏差: 0.08%」「✅ 市值数据一致」。

python tools\report_audit.py extract --report <报告路径> --seed 42 --dry-run

抽样提取数据点后人工回填两个来源，再跑 verdict 判决。含十年折现估值的报告还要再跑一次 terminal_value audit。

预期输出：本机实测：8 行×5 列的表格得到「总提取数据点: 40」「抽样: 6 个」；verdict 退出码 0 = 准出、1 = 打回。

至少记下五项：标的与市场、数据截止日、来源与口径、命令与参数、结论与置信度。缺了这几项，三个月后没人能重跑同一份研究，更没法判断是数据变了还是判断变了。本站的每一次实测输出都按这个格式留档在证据目录里。

预期输出：档案里能直接看到命令、退出码与原始输出三段。

用 thesis-tracker 把当季新披露的一手资料与原始研究论文逐条比对，再用 thesis-drift 区分「事实变了」「估值假设变了」「只是措辞变了」三种情况。这一步顺序不能颠倒：先记录发生了什么，再决定要不要改判断，否则容易先有结论后找理由。

预期输出：复盘记录里每一项变化都能指回一份公告或一份财报。

报告结尾必须分开写「AI 分析置信度」与「投资确定性」两件事：前者说的是证据够不够、口径清不清楚；后者说的是这笔生意本身有多确定。两者不能混成一句「整体看好」，也不能用确定性掩盖证据不足。

预期输出：结尾出现两段独立表述，且各带一条可核查依据。