Giải Mã AI Berkshire: Biến Claude Code và Codex Thành Một Team Đầu Tư Có Kỷ Luật

TLDR

AI Berkshire là một framework mã nguồn mở đóng gói quy trình nghiên cứu đầu tư giá trị thành các skill có thể tái sử dụng cho Claude Code và Codex.

Giải quyết vấn đề gì: Phân tích AI thông thường thường dài dòng và thiếu nhất quán; AI Berkshire ép đầu ra theo cấu trúc rõ ràng.
Vì sao quan trọng: Framework này thêm kỷ luật quy trình, cơ chế đối chiếu, và khả năng lặp lại nghiên cứu.
Ý tưởng cốt lõi: Hệ góc nhìn 4 nhà đầu tư (Buffett, Munger, Đoàn Vĩnh Bình, Lý Lục) kết hợp thực thi multi-agent.
Phù hợp với ai: Người cần workflow ổn định cho nghiên cứu doanh nghiệp, rà soát danh mục, và theo dõi luận điểm đầu tư.

Bản Đồ Cho Người Mới

Nếu bạn là sinh viên hoặc mới học công nghệ, hãy đọc bài theo thứ tự này để dễ hiểu hơn:

Đọc phần Mental Model trước để nắm ý tưởng cốt lõi.
Sang phần Investigation để xem repo vận hành ra sao trong thực tế.
Kết thúc ở phần Resolution và làm thử một lệnh hoặc một workflow nhỏ.

Mục tiêu của bài là giúp bạn hiểu repo này giải quyết vấn đề gì, dùng khi nào, và bắt đầu từ đâu mà không bị ngợp.

Bài Tập Đầu Tiên Cho Sinh Viên

Hãy chọn một tác vụ rất nhỏ trong repo và hoàn thành trong dưới 45 phút. Ví dụ: chạy 1 lệnh, quan sát output, ghi lại 3 điều bạn học được và 1 điều bạn vẫn chưa rõ.

Cách học này giúp bạn chuyển từ đọc thụ động sang luyện kỹ năng kỹ thuật chủ động nhanh hơn.

Phần 1: Nền Tảng - The Mental Model

Markdy animation

Đa phần prompt đầu tư với AI thất bại theo hai kiểu:

Nghe có vẻ thông minh nhưng kết luận luôn là “còn tùy”.
Mỗi lần chạy ra một format và độ sâu khác nhau.

AI Berkshire xem đây là bài toán workflow, không phải bài toán “prompt wording”.

Thay vì hỏi một model và chờ một câu trả lời dài, nó định nghĩa một hệ điều hành nghiên cứu:

Bộ skill theo từng ngữ cảnh cụ thể (deep research, earnings review, funnel screening, portfolio management).
Kết luận bắt buộc rõ ràng (pass / fail / gray zone) kèm vùng giá và giả định.
Checklist chống thiên kiến, ưu tiên nói “chưa đủ dữ liệu” thay vì chắc chắn giả.

Nếu AI chat thông thường giống “một analyst nói liên tục”, thì AI Berkshire giống “một hội đồng đầu tư nhỏ làm việc theo playbook”.

Phần 2: Điều Tra - Framework Vận Hành Ra Sao

1. Tầng skill: 20 lệnh theo kịch bản

Repo tổ chức workflow thành các skill riêng như:

/investment-research
/investment-team
/earnings-review
/industry-funnel
/quality-screen
/portfolio-review
/thesis-tracker

Cách này loại bỏ mơ hồ: chọn workflow trước, phân tích sau.

2. Tầng agent: chế độ đơn và chế độ team

Skill đơn chạy theo chuỗi phân tích chặt chẽ. Skill team điều phối nhiều agent chạy song song để đối chiếu góc nhìn trước khi tổng hợp.

Thiết kế này giảm lỗi suy luận một chiều và lộ bất đồng sớm hơn.

3. Tầng công cụ: kiểm định tài chính

Project có module (tools/financial_rigor.py) để:

kiểm tra vốn hóa (price x shares)
sanity check định giá
đối chiếu đa nguồn
tính toán kịch bản bằng số thập phân chính xác

Điểm này quan trọng vì sai số học là một trong những lỗi AI dễ gây hỏng báo cáo mà khó phát hiện.

Phần 3: Chẩn Đoán - Khác Gì So Với “Hỏi AI Trực Tiếp”

Kết luận có cấu trúc, không phải bài văn ngoại giao

AI Berkshire ép ra quyết định có điều kiện và có lý do. Nhờ đó bạn so sánh được báo cáo theo thời gian vì format và tiêu chí ổn định.

Chủ động tạo xung đột góc nhìn

Framework cố ý tạo lực kéo giữa các lăng kính:

giá trị vs độ chắc chắn
moat vs rủi ro bị phá vỡ
rẻ về định giá vs khả năng sống sót dài hạn

Chính xung đột này là thứ prompt một phát thường bỏ lỡ.

Tính tái lập và khả năng kiểm toán quy trình

Vì workflow minh bạch, team có thể chạy lại cùng một phân tích ở thời điểm khác và nhìn rõ thứ gì thay đổi: giả định, dữ liệu, hay bối cảnh thị trường.

Phần 4: Ứng Dụng - Bắt Đầu Nhanh

Markdy animation

Clone repo:

git clone https://github.com/xbtlin/ai-berkshire.git
cd ai-berkshire

Cài đặt theo client bạn dùng:

Người dùng Claude Code cài command qua script của repo.
Người dùng Codex cài skill đã generate (và slash prompt nếu cần) qua script của repo.

Bắt đầu bằng workflow nhẹ:

/quality-screen <company>
/news-pulse <ticker>

Chỉ nâng lên deep research khi thật sự cần:

/investment-research <company>
/investment-team <company>

Cách dùng “lọc trước, đào sâu sau” là cách thực tế nhất để giữ chi phí token ở mức hợp lý mà vẫn bảo toàn chất lượng phân tích.

Final Mental Model

AI Berkshire không phải bot chọn cổ phiếu. Nó là một cỗ máy kỷ luật cho nghiên cứu đầu tư có AI hỗ trợ.

Nếu quy trình hiện tại của bạn là “hỏi AI rồi hy vọng”, framework này nâng cấp thành “chạy phương pháp có thể lặp lại, kiểm số liệu, và chốt quyết định với biên độ bất định rõ ràng”.

Miễn trừ trách nhiệm: Bài viết này tóm tắt một framework mã nguồn mở và không phải khuyến nghị đầu tư.