我们成功浪费了巴菲特2分钟的时间

今天没啥特别的，记录些日常。

和回国的伙伴面基，又唠了唠伯克希尔股东大会现场。

两个啥都不懂的人，结果莫名其妙的被抽中，激动的都不知道该问啥子了。

最后我们成功浪费了巴菲特2分钟的时间，阿贝尔代为发言。

我们当时已经非常明确的问了阿贝尔，伯克希尔未来是否会继续购买科技公司，为什么要买科技公司。

阿贝尔回答的是，只要现金流好、公司好，伯克希尔未来一样会继续买。

直到上个月巴菲特本人澄清，大手笔买谷歌是他的决定，而且买晚了。

所以说，阿贝尔是知道的，只是不敢说而已。

有点意思。

接下来聊点AI的事。

我们跑AI分析年报项目已经7个多月，整体进度还算不错。但还远未到成熟的地步，因为还有很多细节上的处理。

最大的问题，就是数据处理。

虽然我们已经搭建起了第一个简单的单体数据DB库，但是在数据提取上依然有瑕疵，这个问题我只能先试试SEC的EDGAR数据库，看能不能从根源上解决这个问题。

这里我给大家一个简单的解释，你们也可以自己审查是否有类似的问题。

AI在对10-K进行全篇深度阅读和理解时，推理能力是很强的，几乎可以帮我们抓住绝大部分的披露重点。

但对于10-K中的数据，AI却并不一定知道该如何处理和使用。

就目前我们跑的几十家公司来说，如果不提前告诉AI规则，它没办法自己找到数据内在的特殊勾稽关系。

比如说，快餐连锁公司，单店销售额是一个非常重要的营收指标。

AI在读取10-K内容时，除非年报在某一个item中明确披露了平均单店销售额，如平均单店销售100万美元，否则它是不会自己去大概计算的。

10-K一般都会披露：

分子分母有了后，两个相除就可以得到一个，大概的平均单店销售额数据。

这个规则，除非你主要告诉AI这么做，否则它大概率不会自己去做这样的计算或推算。

平均来说，每家公司在管理层讨论与分析部分，披露的经营数据，大多都可以继续往下深挖到类似：单店销售额、平均涨价幅度、大致变现率等细节数据上。

在使用AI进行分析时，务必将这些规则提前写进，然后人工审核和复查。这一步需要你自己先知道，某公司披露的经营数据，可以继续挖掘出哪些进一步的内容。

最终的目的只有一个，将一家公司的增长驱动，分解到单价和数量两个维度上。

到这儿，数据的问题在10-K这个维度就解决了。

剩下的，就是继续问，到底是什么原因、什么事实、什么优势，让公司可以一直强大和增长下去。

想清楚了，我觉得对一家公司的基本了解，就算是及格了。

另外，如果你真的嫌麻烦，随着AI模型越来越强，也可以直接使用AI本身自带的一些分析。

我以Kimi为例，用的是K3+标准思考，网页端自带**【股票投研报告】**的skill：

1. 网页端使用自带研究功能

2. 生成投研报告并总结重点

**3. 正式投研报告输出（25+页）**看完后我的感觉是，已经非常全面。

报告使用的是最近3-5年的数据，对于想要立刻了解公司概况和基本面的朋友来说，这份报告非常不错。

如果你觉得自己用AI搭建分析Agent麻烦，直接用Kimi这个我觉得是可以的，你们可以自己试一下。

我今天也在重新试Kimi code for VS Code。感觉还行，但用起来没有Claude Code和Codex那么顺手和丝滑。

等我明天跑完一个完整公司分析后，再来分享感受。

…

今天就这些了。