行业漏斗精选（AI Berkshire）
从全市场到 3 家的价值投资漏斗：五条硬指标筛选 + 四大师深度分析。
技能明确要求数据标注来源、估计值标估计，并设置准出流程进行数据抽检，且仓库包含 SECURITY.md 报告漏洞的私有渠道，说明作者关注安全问题。但技能依赖外部网络搜索取数，未明确要求用户确认或限制数据权限，且安装脚本和工具执行未详细说明权限控制。扣分因缺少明确的权限最小化和用户确认机制。
技能流程自洽，从全市场扫描到终选 3 家步骤明确，仓库包含测试文件（test_financial_rigor.py, test_report_audit.py）覆盖工具的关键路径，测试代码显示对 GBK 编码和负号提取等缺陷的修复。但静态审查无法执行验证，且测试未覆盖技能本身的完整流程，仅覆盖工具。扣分因未执行验证、测试覆盖有限。
技能适用场景清晰，针对行业筛选，并与其他 skill（如 industry-research）明确区分边界。文档提供中文支持，且仓库面向中文用户。但核心功能依赖外部数据源（如同花顺、富途、Yahoo Finance），这些服务在中国大陆可能无法直接访问，影响实际可用性。扣分因未说明在受限网络环境下的替代方案。
技能文档结构良好：有名称、描述、适用场景、漏斗结构总览、分步指导、输出模板和准出流程。仓库有 MIT 许可证、README 详细、安装说明清晰，并有测试文件。但缺少 changelog 和明确的版本号，维护责任仅由个人维护者承担，更新路径不明确。扣分因缺少版本管理和系统化的维护更新说明。
技能目标明确，流程和输出格式详细，能直接产出报告供用户使用。但静态审查无法验证实际效果，且报告质量依赖外部数据源的可用性和准确性。文档中的实测案例（如 2026-05-09 AI 行业筛选）提供了一定证据，但未提供报告原文验证。扣分因未执行验证、依赖外部数据导致结果不确定性。
仓库包含测试代码，可视为可复现性的部分证据，且 README 展示了实测案例。但静态审查无法独立验证报告内容的正确性，测试仅覆盖工具，未覆盖 skill 的完整流程。扣分因静态审查限制和验证覆盖不全面。
- 核心功能依赖外部数据源（如同花顺、富途、Yahoo Finance），中国大陆网络可能无法直接访问，建议确认替代方案。
- 技能未明确要求用户确认或权限最小化，使用前应审查执行命令和网络请求，避免越权操作。
- 缺失 changelog 和版本管理，维护更新路径不明确，依赖个人维护。
- 静态审查无法验证实际效果，建议参考 README 中的实测报告或自行试用。
这个 Skill 能做什么，适合哪些场景？
这是一个基于巴菲特、芒格、段永平、李录四位大师方法论的价值投资筛选框架，以漏斗形式逐步缩小研究范围：全市场扫描出30-60家公司，用五条硬指标粗筛到不超过10家，再逐家精细分析，最终选出3家做四大师视角的深度分析。它强调每层筛选都保留淘汰理由，且终选按组合互补性而非单纯打分排序，避免AI常见的龙头偏好、英文偏好和故事偏好。该技能同时适配Claude Code与Codex，集成在AI Berkshire仓库中，共享一套工具和金融严谨性校验（如market cap验证、多源交叉验证）。
执行行业漏斗式价值投资筛选。输入一个行业/方向（如“AI算力”），它会：先按活跃度、涨幅榜和市值前三类并集扫描全市场（含A股、港股、美股、未上市候选人）得到30-60家；再对每家套用PE估值、ROE、经营现金流、资产负债率、护城河评分五条硬指标粗筛至不超过10家；接着对每家公司输出300-500字结构化分析（商业模式、财务质量、护城河、风险、估值），并按组合互补性终选3家；最终对这3家生成800-1200字的四大师深度分析（段永平看生意本质、巴菲特看护城河、芒格看风险、李录看文明趋势），整合报告包含推荐组合、ETF替代、行业位置判断和A/B/C信息充分度自评。报告要求注明数据来源，准出前还会用Python工具抽检15%数据点和执行数据审计。
- 价值投资者想从某个行业（如AI算力）中系统性挑选值得深研的3家公司，而不想被热门股票带偏。
- 分析师需要快速从全市场过滤掉‘故事股’和财务质量不足的公司，保留真正有护城河的标的。
- 个人投资者想用统一标准横向对比某行业的多家公司，并得到可追溯的筛选理由。
- 研究员需要一份包含淘汰理由、数据来源和自评置信度的行业筛选报告，供决策参考。
- AI Agent用户希望以结构化流程执行投资研究，避免直接问AI得到的模棱两可分析。
这个 Skill 有哪些优点和局限？
- 漏斗结构清晰，每层有明确留/弃标准，淘汰理由可追溯，非黑箱。
- 多市场覆盖（A股、港股、美股、未上市），避免漏掉重要标的。
- 嵌入金融严谨性工具（如市值手算校验、多源交叉验证），减少数据错误。
- 四大师视角形成真实对抗，避免单一视角盲点。
- 适用于Claude Code和Codex双平台。
- 来自有实盘验证的框架（README显示2024/2025年收益超66%），有一定可信度。
- 流程重量级：需要多轮搜索和逐步筛选，token消耗高，不适合快速简单决策。
- 依赖外部数据源（如同花顺、富途、Yahoo Finance），但未明确来源API，实际使用需手动或依赖网络搜索。
- 未提供测试套件或自动化测试，数据抽检工具（report_audit.py）存在但未说明覆盖率。
- 五条硬指标中‘护城河评分’和‘组合互补性’属于主观判断，AI可能不稳定。
- 中国和亚洲市场数据获取可能因英文资料不足而受限，需要额外努力。
- 技能针对中文报告（输出要求为中文），英文用户需自行翻译调整。
如何安装这个 Skill？
安装AI Berkshire仓库：git clone https://github.com/xbtlin/ai-berkshire.git，然后按客户端安装技能。Claude Code用户运行./scripts/install-claude-commands.sh（macOS/Linux）或install-claude-commands.bat（Windows），复制skills到全局commands目录。Codex用户运行./scripts/install-codex-skills.sh（macOS/Linux）或install-codex-skills.bat（Windows），生成技能到~/.codex/skills。安装后重启客户端即可使用。
如何使用这个 Skill？
在Claude Code中调用：/industry-funnel AI算力，或在Codex中输入“使用industry-funnel筛选AI算力”。技能会读取当前线程的$ARGUMENTS作为行业方向，自动运行日期确认、数据扫描和筛选流程。报告保存到reports/{行业名}-funnel-{YYYYMMDD}.md。示例：输入‘AI算力’，输出四个子赛道的逻辑链和终选3家。
这个 Skill 与同类方案有什么区别？
与同仓库的industry-research技能对比：industry-research偏重产业链全景和环节切片，而industry-funnel偏重个股筛选漏斗，两者互补。