本文来源于量化小论坛策略分享会板块精华帖，作者为皮蛋瘦肉粥，发布于2026年3月20日。

以下为精华帖正文：

2019年，幻方科技的梁文锋在金牛奖颁奖典礼上说了一段话："现在量化赚的是技术面流派原来赚的钱，未来量化投资一定会去瓜分原来基本面流派的人赚的钱"。

那年GPT还没出来，到了今天，AI大模型已经可以批量完成过去只有专业分析师才能做的基本面研究。

我亲手做了一个实验：用AI对A股市值前600家上市公司逐一做基本面初筛，花了一周左右，花了不到2000块。

方法和结果整理出来，供各位参考。

01

这个项目做了什么

用巴菲特的价值投资框架，对A股市值前600家上市公司逐一分析，给出三档评级：

• 🟢买入：具备宽护城河、合理估值、优质商业模式

• 🟡观望：有一定价值但存在明显瑕疵

• 🔴回避：护城河弱、估值高、或商业模式存在根本性问题

分析维度包括：护城河宽度与类型、估值水平、行业特性、管理层质量、资本配置能力、成长空间。

最终结果：600家公司，买入215家，观望149家，回避236家。

02

具体怎么做的

第一步：让AI写研报

Google Gemini的深度研究功能是目前使用下来，所有ai里面最好用的，结果质量最好的投资研究工具，逐一对600家公司提问，让他以巴菲特视角生成一份投资研究报告，每家生成一份10000-15000字的投资分析报告，包括商业模式、护城河分析、财务概况、估值判断、投资结论。

龙头公司的报告质量和券商研报相当，冷门公司会有幻觉问题，后续有校验步骤。

费用：GeminiUltra家庭版淘宝拼车订阅，约380元。

第二步：人工下载报告

Gemini的深度研究功能只有网页端能用，没法批量导出，只能一份份从浏览器里下载，600份报告，纯手工活。

在咸鱼上找了个大学生，让他每天登上去把生成好的报告一份份下载下来，打包发给我，Gemini Ultra每天能生成大约200份，前后花了几天时间全部搞定。

拿到手的是600份Word文档，后续的格式转换（Word转Markdown、加结构化标签）是在Claude Code里用脚本批量处理的。

费用：咸鱼兼职下载：600元。

第三步：30个AI智能体并行校验

这一步是整个项目的核心环节。

使用Claude Code（Anthropic出的命令行AI工具，Max订阅），搭建了一套多智能体并行处理流程：

1. 600个文件分成30组，每组20个

2. 同时启动30个AI子智能体，各自独立运行

3. 每个智能体拿到20份报告后：

• 逐字读完全文：不截断、不摘要，直接读原文，每批约6万token，在200k上下文窗口内

• 核对标签准确性：比如报告结论写"护城河较弱"，但标签打了"宽护城河"，直接修正文件

• 生成一句100字以内的巴菲特风格摘要

30个智能体同时跑，全部完成约20-30分钟，顺序执行需要十几个小时。

费用：Claude Code Max订阅，1100元/月（包含本项目全部用量）。

第四步：汇总去重

用Python脚本把30个智能体的结果汇总：

• 读取全部103个任务输出文件

• 按公司名去重（同一家公司多个来源时取优先级高的）

• 校验600家公司全部覆盖，无遗漏

• 按评级排序输出最终Markdown文件

最终生成“巴菲特视角A股投资摘要.md”，约172KB，1800余行，600家公司全部覆盖。

第五步：导入Obsidian，构建投资知识网络

很多人会问，600家公司的分析，为什么不用Excel？

Excel是二维表格，每家公司一行，排序筛选都可以。但投资分析是一张网：研究宁XX代，会关联到比X迪（客户兼竞争对手）、天XX业（上游锂矿）、亿XX能（同行对比）,这种关系在Excel里无法呈现。

Obsidian解决的是这个问题。

嵌套标签：每份报告的YAML frontmatter里有一套多层标签体系：

在Obsidian的标签树里可以逐层展开，先看"行业"，展开"能源"，再看"光伏"下有哪些公司。或者点"护城河/宽"，直接列出所有宽护城河公司，不限行业。

双向链接：在任何一份报告里用宁XX代链接到另一家公司，Obsidian自动建立双向关系，在宁XX代页面提到比X迪，比X迪页面底部也会显示"被宁XX代引用"。上下游关系、竞争对手、同行对比自动串联，不需要手动维护关系表。

知识图谱（Graph View）：打开图谱视图，600家公司变成600个节点，有链接关系的公司之间自动连线。按标签着色，绿色"买入"、红色"回避"，可以直观看到：

• 哪些行业的公司扎堆聚集（产业链关联紧密）

• 哪些"买入"标的和"回避"标的有直接关联（上下游风险传导）

• 哪些公司是孤立节点（在A股前600里没有明显的产业链伙伴）

Excel呈现数据，Obsidian呈现关系,600份报告放进Obsidian、打上标签、建好链接，从600个孤立文件变成一张投资知识网络。

03

结果

总体分布

部分公司摘要示例

• 茅X：白酒之王，品牌护城河几乎不可逾越，定价权极强，ROE长期30%以上，现金流充沛，唯一隐忧是估值长期偏高，适合耐心等待合理价位时重仓买入。

• 宁XX代：全球动力电池龙头，技术迭代快形成一定成本优势，但行业竞争加剧、客户集中度高，护城河不如消费品企业稳固，当前估值隐含了过高的增长预期。

行业层面的规律

水电：评级普遍偏高。特许经营权构成天然护城河，现金流稳定，资本支出可预测。

白酒：护城河评分高，但估值让多数标的落在"买入但需等待合理价格"区间。

科技/半导体：两极分化,龙头企业获买入评级，大量中小厂商被回避,没有技术壁垒的科技公司在巴菲特框架下等同于制造业。

地产、钢铁、化工：资本密集、回报率低、护城河弱，巴菲特框架对这类企业天然不友好，大面积回避。

最常见的回避理由：无护城河 + 估值不低。

04

费用汇总

作为对比，请一个初级分析师做600份公司基本面研究，周期至少两三个月，成本在万元以上。

AI研究不能直接作为投资依据, 有幻觉风险，冷门公司分析质量不如龙头。但作为筛选漏斗的第一层从600家框出几十家值得深研的标的,效率是实在的。

05

回到梁文锋那句话

当获取信息的成本趋近于零，过去靠信息差建立的优势会被抹平。

但价值投资的核心是对商业本质的理解、对人性的把握、在市场恐慌时做出独立判断，这些不在信息层面，在认知层面。

工具在进化，框架比工具更重要。