21 个 Skill · 五类分组 · 逐个标注不适用场景
AI Berkshire 的 21 个 Skill：分别适合什么任务，什么时候不该用
大多数介绍只给一张名字清单，看完仍然不知道该敲哪一条。这一页把 21 个入口按 「用户要完成什么」重新排开，每个都标注适用场景、典型输入、产出内容、成本高低， 以及明确不该用它的场合。
- 名单与数量按 commit
55be4f7实测：skills/下 21 个.md文件 - README 小标题写「20个」，同一张表却列了 21 行——本站以文件实测为准
- 「什么时候不该用」一列是本站按各源文件的输入约定补的判断，官方 README 未做否定式说明
skills/*.md 文件数实测；README 小标题写「20个」与表格实际 21 行不一致）。另有 Codex 专用包 codex-skills/investment-memo-craft 不计入这 21 个，所以 codex-skills/ 目录数是 22。本图为分类示意，非官方架构图。AI Berkshire · SKILL MAP
AI Berkshire：21 个 Skill 的五类分布与数量冲突
| 类别 | 数量 | 成员（按 commit 55be4f7 实测） | 什么时候用这一组 | 注意点 |
|---|---|---|---|---|
| 深度研究 | 5 | investment-research、investment-team、management-deep-dive、private-company-research、deep-company-series | 已锁定少量标的，需要一份完整、可复核的公司研究底稿 | token 消耗较大的一组，官方建议先调整 workflow 再谈深度 |
| 财报分析 | 2 | earnings-review、earnings-team | 刚拿到年报/季报，需要把一手材料读透，而不是读二手解读 | 只读一手资料，前提是你得先把财报原文准备好 |
| 行业筛选 | 6 | industry-research、industry-funnel、quality-screen、bottleneck-hunter、era-alpha、investment-checklist | 还没有目标标的，需要从行业或全市场逐步收敛到几家 | investment-checklist 是官方给出的成本较低的入门入口，适合当第一步 |
| 持仓管理 | 5 | income-investment、portfolio-review、thesis-tracker、thesis-drift、news-pulse | 已经建仓，需要跟踪论文是否被证伪、仓位是否失控 | 这类 Skill 的价值在「纪律」，不在「发现新机会」 |
| 思维工具 | 3 | dyp-ask、financial-data、wechat-article | 需要特定思考方式、取数口径规范，或要把研究整理成可发布文章 | financial-data 是规范文档型 Skill，它不会自动替你取数 |
| 合计 | 21 | 以上五类相加 = 5 + 2 + 6 + 5 + 3 = 21 | —— | README 小标题写「20个」，表格实际 21 行；codex-skills 另有 22 个目录（多一个 Codex 专用包） |
本表按 skills/*.md 的真实文件名与 README 的五类分组整理。各 Skill 的详细输入输出格式以对应源文件为准，本站只做归类与边界判断。
本板块依据 AI Berkshire 官方仓库 commit 55be4f7 与本站 2026-09-28 实测整理。
AI Berkshire · DEEP RESEARCH
AI Berkshire：深度研究类 5 个：什么时候值得花这个额度
| Skill | 适用场景 | 典型输入 | 产出内容 | 成本 | 不建议用它的时候 |
|---|---|---|---|---|---|
| investment-research | 一次只研究一家公司，要一份完整、能被质疑的研究底稿 | 公司名（如「研究腾讯」） | 七步框架报告 + 综合决策备忘录，写入 ~/[公司名]投资研究报告.md | 高（多轮检索 + 交叉验证） | 只是想快速扫一遍全市场，或还没确定研究谁 |
| investment-team | 同一家公司，需要多个视角互相质询，而不是一条直线分析 | 公司名 | 四个大师视角并行研究后由 Team Lead 收口 | 较高（并行 Agent） | 标的资料极少（C 级），多视角只会放大同一个信息缺口 |
| management-deep-dive | 已经认可生意本身，要单独判断管理层是否可信、是否有能力 | 公司名 + 关注的管理层议题 | 管理层能力与诚信的纵深分析 | 中高 | 公司上市时间太短，管理层决策记录不足以支撑判断 |
| private-company-research | 研究未上市公司或业务不透明的主体 | 公司名 + 已知的非公开线索 | 在资料受限条件下的研究报告（须标 [估计]） | 中高 | 有完整上市披露的公司——那用 investment-research 更合适 |
| deep-company-series | 要把一家公司写成可以连载的长文系列 | 公司名 + 系列主题 | 成系列的长文底稿 | 高 | 只想拿一个短结论 |
| 组合建议 | —— | 先 investment-checklist 初筛 → 值得深入才用 investment-research → 需要对抗性复核再上 investment-team | 逐级加码，避免第一步就把额度耗尽 | 低 → 高 | 不要一上来就 investment-team：官方明确提示深度研究的 token 消耗较高 |
「成本」列是相对排序，不是官方给出的数值分级。官方只说明深度研究类消耗高，并建议「优先调整 workflow，而不是期待完整深度研究变得便宜」。
本板块依据 AI Berkshire 官方资料与本站实测输出整理，证据等级见事实与版本页。
AI Berkshire · EARNINGS AND SCREENING
AI Berkshire：财报与筛选类 8 个：从全市场收敛到一家
| Skill | 解决的问题 | 典型输入 | 产出内容 | 不建议用它的时候 |
|---|---|---|---|---|
| earnings-review | 把一份财报从一手资料读透，而不是读别人嚼过的解读 | 财报原文或财报期 + 公司名 | 财报要点精读与关键科目异动解释 | 手上还没有一手财报原文时 |
| earnings-team | 同一份财报需要多个视角交叉，避免单线误读 | 财报期 + 公司名 | 多视角并行读财报后汇总 | 常规季报——单次 earnings-review 已够 |
| industry-research | 看清一条产业链的全景与价值分布 | 行业名（如「AI 产业研究」） | 产业链结构、环节价值分布与关键玩家 | 你要的是某一家公司的结论，而不是行业 |
| industry-funnel | 从全市场规模较大的候选池收敛到少数几家 | 行业名 | 漏斗式收敛结果（README 描述为全市场 → ≤10 家 → 3 家） | 候选池本来就只有三五家时，漏斗没有意义 |
| quality-screen | 先做去劣，用硬指标把不合格的候选直接筛掉 | 候选清单或行业范围 | 按硬指标筛除后的候选名单 | 想找「好公司」——它做的是排除，不是优选 |
| bottleneck-hunter | 在产业链上找被低估的瓶颈环节 | 产业链条或行业范围 | 瓶颈环节候选与理由 | 行业本身没有明显供给瓶颈时 |
| era-alpha | 识别高增长核心资产，并给出识别—验证—持有的框架 | 行业或主题方向 | 时代 α 候选与验证—持有路径 | 只想要一个短期交易标的 |
| investment-checklist | 买入前的六关快速筛选，10 分钟判断值不值得继续 | 任意标的 | 六关结论：值不值得深入 | 已经决定要买了——这时它只会拖慢你 |
industry-funnel 的收敛规模与 investment-checklist 的六关，来自 README 与源文件的表述；实际收敛数量会随输入范围变化，以源文件为准。
本板块依据 AI Berkshire 官方仓库 commit 55be4f7 与本站 2026-09-28 实测整理。
AI Berkshire · POSITION AND TOOLS
AI Berkshire：持仓管理类 5 个与思维工具类 3 个
| Skill | 解决的问题 | 典型输入 | 产出内容 | 不建议用它的时候 |
|---|---|---|---|---|
| income-investment | 以现金流回报为主的收益型标的研究 | 标的或收益型组合 | 分红与现金流可持续性判断 | 标的根本不分红，或者你要的是成长期权 |
| portfolio-review | 买入之后管仓位与集中度，避免单一标的影响过大 | 当前持仓清单 | 仓位结构、集中度与再平衡建议 | 还没有实际持仓时 |
| thesis-tracker | 跟踪最初的买入理由是否已经被证伪 | 原投资论文 + 期间新信息 | 论文有效性跟踪结论 | 买入时根本没写下论文——那就没有可跟踪的东西 |
| thesis-drift | 对比两份论文，区分差异来自事实、估值还是措辞变化 | 前后两份论文 | 变化归因（事实 / 估值 / 措辞） | 只有一份论文时无法对比 |
| news-pulse | 股价异动后做一次快速归因，判断是否影响论文 | 标的名 + 异动日期 | 十分钟级的异动归因 | 把异动当成买卖信号——它只解释发生了什么 |
| dyp-ask | 用段永平的思考方式重新审一遍问题（生意本质优先） | 一个具体的商业问题 | 按生意本质展开的分析 | 需要精确财务计算时，应改用工具层 |
| financial-data | 统一取数口径：分市场双源交叉验证与复权规则 | 需要核定的财务字段 | 取数规范与误差处置口径（≤1% ✅ / 1–5% ⚠️ / >5% ❌） | 以为它会自动抓数据——它是规范，不是爬虫 |
| wechat-article | 把研究结论整理成可以对外发布的文章 | 已有研究结论 | 三 Agent 协作产出的成稿 | 结论本身还没经过抽检核验时 |
financial-data 规定的是流程与口径（美股 macrotrends 主 + stockanalysis 副、港股 aastocks 主 + macrotrends ADR 副、A 股东方财富主 + 巨潮资讯副、台股 FinMind 主 + Goodinfo 副），取数动作仍需按该规范手工或脚本完成。
本板块依据 AI Berkshire 官方资料与本站实测输出整理，证据等级见事实与版本页。
AI Berkshire · COST LADDER
AI Berkshire：成本从低到高：应该先用哪一个
| 档位 | 代表 Skill | 典型产出 | 什么时候停在这一档 | 依据 |
|---|---|---|---|---|
| 一档 · 分钟级初筛 | investment-checklist | 六关结论：值不值得继续研究 | 结论是「不值得」就直接放弃 | README 把它作为成本较低的入门入口 |
| 二档 · 去劣筛选 | quality-screen | 按硬指标筛除后的候选名单 | 候选池还是太大，需要继续收敛 | 源文件的硬指标设定 |
| 三档 · 信息摄入 | earnings-review / news-pulse | 一手财报要点、异动归因 | 你需要的是「发生了什么」，而不是「值多少钱」 | earnings-review 只读一手资料 |
| 四档 · 单公司深度 | investment-research | 七步框架报告 + 决策备忘录 | 已锁定少量标的，需要完整底稿 | 官方提示深度研究 token 消耗高 |
| 五档 · 多视角对抗 | investment-team / earnings-team | 四大师视角并行 + Team Lead 收口 | 各路结论分歧明显，需要交叉质询 | 官方：优先调整 workflow，而不是期待深度研究变便宜 |
| 六档 · 持续跟踪 | thesis-tracker / thesis-drift / portfolio-review | 论文是否被证伪、仓位与集中度 | 已建仓，进入持有期 | 属于买入后的纪律动作，不是选股动作 |
官方给出的成本控制思路是按需逐级加码：先用便宜的入口判断「值不值得」，再决定要不要把额度花在深度研究上。本站实测的相关事实是：仓库自带 26 个单元测试全部通过，但它们覆盖的是工具层的数字计算正确性，不覆盖 token 消耗与结论质量。
本板块依据 AI Berkshire 官方仓库 commit 55be4f7 与本站 2026-09-28 实测整理。
AI Berkshire · WHEN NOT TO USE
AI Berkshire：什么时候不该用这套 Skill
| 你的场景 | 为什么这套 Skill 帮不上 | 更合适的做法 |
|---|---|---|
| 需要实时行情、盘口或分时数据 | 仓库不含任何行情数据，Skill 也不做实时推送 | 用专门的行情数据源或交易终端 |
| 需要自动下单或交易执行 | 项目只做研究，官方明确不含交易执行能力 | 用交易通道类工具，研究结论只作为输入 |
| 想要一个确定的买卖点 | 官方设计就是输出带不确定性区间与「灰色地带」的结论 | 把它当研究底稿，决策与仓位自己承担 |
| 目标公司公开资料极少（C 级） | 资料不足时评级会降到 C，结论置信度天然低，工具不会替你补上缺失的一手信息 | 先去补一手资料，或换标的 |
| 只想快速看新闻摘要 | 它做的是结构化投研（含护城河、估值与逆向检验），不是资讯聚合 | 用资讯类工具，把投研 Skill 留给真正要下判断的标的 |
| 打算把产出直接当作对外投资建议 | 官方声明不构成投资建议，责任边界在用户自身；报告抽检也只覆盖抽样数据点 | 仅作内部研究底稿，对外发布前自行复核并承担合规责任 |
这一列「为什么帮不上」是本站按真实文件树与官方免责声明补写的。官方 README 主要说明它能做什么，很少说明它不适合做什么——而这正是选型时最容易踩空的地方。
skills/*.md（README 小标题写「20个」）本板块依据 AI Berkshire 官方资料与本站实测输出整理，证据等级见事实与版本页。
AI Berkshire · FAQ
AI Berkshire：Skill 选择常见问题
investment-research 和 investment-team 有什么区别？
两者都是对一家公司做深度研究，区别在视角组织方式。investment-research 走一条七步主线（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），最后写综合决策备忘录；investment-team 则把四位大师的视角拆成并行研究再收口，适合当各路结论可能互相冲突、需要交叉质询的时候。成本上 team 更高（并行 Agent），所以官方建议先用便宜的入口判断值不值得深入。具体流程以 skills/ 下对应源文件为准。
一次能研究几家公司？
深度研究类的输入约定是一次一家公司（源文件里给的调用示例形如「研究腾讯」）。要覆盖多家，应该先用 industry-funnel 或 quality-screen 做筛选收敛，再对少数几家逐一深度研究。把多公司塞进一次深度研究会拉长链路并稀释每家的深度，也不符合它「给结论、不给平铺分析」的设计。
必须联网吗？
深度研究与财报类 Skill 需要联网检索公开资料（规范里列的数据源都是公开网站）。但工具层不是：本机实测 tools/ashare_data.py 只依赖 Python 标准库加 curl；financial_rigor.py、terminal_value.py、report_audit.py 更是纯计算，断网也能跑。所以「核验一份已有报告的数字」这件事不依赖网络，依赖网络的是「找资料」那一步。
Skill 能不能自己改？改完要注意什么？
可以，仓库是 MIT 许可。但要注意维护约定：skills/*.md 是单一源文件，codex-skills/ 与 codex-prompts/ 是由脚本生成的兼容层——改完源文件后必须重跑 scripts/sync-codex-skills.py，否则 Codex 侧还是旧内容。本项目自己的 AGENTS.md 写明了这条规则，并且提供了 --check 模式只校验不重写。本机实测两个 sync 脚本的 --check 都返回 0（各检查 21 项）。
21 个都要装吗？
不用。官方给的是「按需调用」的模型，安装脚本本身也是整目录复制，不会因为你只用两个就少装文件。真正的取舍发生在使用侧：先用 investment-checklist 判断值不值得，再决定要不要动用深度研究类。另外 codex-skills/ 里还有一个 Codex 专用的 investment-memo-craft（不计入 21），它的 front-matter 明确写了不要拿它去改 Claude Code 的源文件。
这些 Skill 的输出能直接拿去下单吗？
不能，也不建议。官方声明产出不构成投资建议；本项目的报告抽检流程只覆盖抽样 15% 的数据点，且本站实测发现它的打回条件比文档宽松（单侧超 1% 只给「警告」并仍判准出）。也就是说，即使一份报告通过了自带审计，也只证明「抽样到的那些数字对得上」，不证明结论成立。把它当研究底稿，决策与责任在你自己。