用 AI 构建巴菲特投资知识图谱：从 48 封公开信到可交互的投资智慧网络

量化交易系列 · 番外篇 | 知识图谱 × LLM × 价值投资

导语

巴菲特从 1977 年开始，每年给伯克希尔·哈撒韦股东写一封公开信。48 封信，跨越近半个世纪，累计超过 50 万字。这些信里藏着一位传奇投资者从青年到耄耋的完整投资思想演化史——从格雷厄姆式的"烟蒂股"捡拾者，到"用合理价格买入伟大公司"的价值投资教父。

问题是：48 封信，信息量太大了。 你读了第 3 封可能已经忘了第 1 封在讲什么；你记得"护城河"这个概念，但说不清它和哪些公司、哪些投资决策、哪些时间节点关联。

有没有一种方法，能把这 48 封信里所有的 人物、公司、投资理念、关键事件 全部抽出来，并用一张可交互的 知识图谱 把它们之间的关系可视化？

这就是本文要做的事——用 LLM 驱动的知识抽取技术，构建一张巴菲特投资知识图谱。我们开源了完整项目 buffett-kg，你可以直接运行体验，也可以基于本文介绍的原理，用 Vibe Coding 的方式自己从零构建。

---

一、为什么要给巴菲特的公开信建知识图谱？

1.1 公开信的价值被严重低估

巴菲特公开信是免费的——伯克希尔官网上全部公开下载。但 95% 的人只是零散地看过几段"金句"。真正的价值不在单个观点，而在 观点之间的关联和演化：

维度	碎片阅读	知识图谱
投资理念	"护城河很重要"	护城河 → 品牌力 → Coca-Cola → 1988年买入 → 持有35年
人物关系	"芒格是巴菲特的搭档"	Graham(导师) → Buffett → Munger(合伙人) → 能力圈理念
时间演化	"巴菲特不碰科技股"	1999拒绝科技股 → 2016买入Apple → 认知升级
决策逻辑	"在别人恐惧时贪婪"	2008金融危机 → 逆向投资 → Goldman Sachs + BofA

一张知识图谱把 48 年的投资智慧压缩成一个可交互的网络，你可以按年份筛选、按主题聚焦、点击任一节点看其来龙去脉。

1.2 技术上的完美练手项目

从工程角度，这个项目覆盖了当下最热的几项技术：

• NLP / LLM — 实体抽取 + 关系抽取
• 知识图谱 — 图数据结构 + 本体设计
• 数据可视化 — ECharts 力导向图
• Vibe Coding — 用 AI 辅助编程完成全流程

非常适合作为 AI + 投资交叉领域的学习项目。

---

二、数据源：48 封巴菲特公开信

所有公开信均来自伯克希尔·哈撒韦官网：

https://www.berkshirehathaway.com/letters/letters.html

文件格式有两种：

• 1977—1997 年：HTML 格式（.html）
• 1998—2024 年：PDF 格式（.pdf，文件名如 1998ltr.pdf）

数据处理流程：先批量下载 48 份文件，再统一提取纯文本（HTML 用 BeautifulSoup，PDF 用 pdfplumber），按年份输出为独立的文本文件，供后续知识抽取使用。

---

三、知识图谱原理：从文本到图

3.1 什么是知识图谱？

知识图谱（Knowledge Graph）是一种用 图结构 来表示知识的方式。核心要素三个：

(实体) —[关系]→ (实体)

例如：

(Warren Buffett) —[管理]→ (Berkshire Hathaway)
(Berkshire Hathaway) —[投资]→ (Coca-Cola)
(Coca-Cola) —[具有]→ (经济护城河)
(Benjamin Graham) —[影响]→ (Warren Buffett)

千百个这样的三元组连起来，就形成了一张巨大的知识网络。

3.2 构建知识图谱的标准流程

原始文本 → 文本预处理 → 实体抽取 → 关系抽取 → 图谱构建 → 可视化

每一步的技术选型：

步骤	传统方案	LLM 方案（本文采用）
文本预处理	NLTK 分句 + 清洗	直接按年份切分
实体抽取	SpaCy NER / BERT	DeepSeek / GPT-4o-mini Prompt
关系抽取	依存句法 + 规则	DeepSeek / GPT-4o-mini Prompt
图谱存储	Neo4j 图数据库	JSON 文件（轻量）
可视化	Neo4j Bloom / D3.js	ECharts 力导向图

🔑 关键洞察：传统 NLP 流水线需要分词、NER 标注数据、关系分类器等一系列组件。LLM 把这些全部简化成一个 Prompt 调用——给它一段文本，告诉它要抽什么格式的实体和关系，直接输出 JSON。

3.3 实体分类体系（本体设计）

为巴菲特公开信设计了 6 类实体：

类别	说明	示例
person	关键人物	Warren Buffett, Charlie Munger, Benjamin Graham
company	公司/投资标的	Berkshire Hathaway, Coca-Cola, Apple, GEICO
concept	投资理念/原则	价值投资、经济护城河、安全边际、能力圈
metric	财务指标	ROE、每股账面价值、自由现金流
industry	行业板块	保险业、消费品、银行金融、能源
event	重大事件	2008金融危机、互联网泡沫、GEICO收购

3.4 关系类型设计

定义了 6 种关系类型：

关系	含义	示例
manage	管理/领导	Buffett → Berkshire Hathaway
invest	投资/持股	Berkshire → Coca-Cola
acquire	收购	Berkshire → GEICO
influence	影响/塑造	Graham → Buffett
partner	合作关系	Buffett ↔ Munger
mention	关联提及	Apple → Technology

---

四、LLM 驱动的知识抽取

4.1 Prompt 工程：实体抽取

核心 Prompt 设计如下：

You are an expert financial analyst specializing in 
Warren Buffett's investment philosophy.

Analyze the following excerpt from Buffett's {year} letter 
to shareholders and extract ALL important entities.

Entity categories:
- **person**: Key individuals
- **company**: Companies mentioned
- **concept**: Investment concepts/principles
- **metric**: Financial metrics
- **industry**: Industry sectors
- **event**: Significant events

Return ONLY valid JSON array:
[
  {"name": "entity name", "category": "person|company|...", 
   "description": "one-line description"}
]

Text:
{text}

设计要点：

1. 角色设定 — "专精巴菲特投资哲学的金融分析师"，确保 LLM 以专业视角理解文本
2. 明确分类 — 6 类实体都给了说明和示例
3. 输出格式 — 要求纯 JSON，方便自动解析
4. 年份上下文 — 告诉 LLM 这是哪一年的信，有助于时间相关的实体抽取

4.2 Prompt 工程：关系抽取

Given these entities extracted from Buffett's {year} letter:
{entities}

And the original text:
{text}

Extract ALL meaningful relationships between entities.

Relationship types:
- **invest**: Berkshire/Buffett invested in
- **acquire**: Acquired or bought
- **manage**: Person manages/leads
- **influence**: Concept/person influenced decision
- **mention**: Entity mentioned in context of another
- **partner**: Business partnership

Return ONLY valid JSON array:
[
  {"source": "entity name", "target": "entity name", 
   "relation": "invest|acquire|...", 
   "context": "brief quote from text"}
]

设计要点：

1. 两阶段抽取 — 先抽实体，再基于实体抽关系（比一步到位更准确）
2. 引用原文 — 要求 LLM 给出 context，可以追溯关系的来源
3. 关系明确 — 6 种关系类型覆盖了投资领域的主要语义

4.3 长文本处理策略

单封公开信可能有 1-3 万字，超出 LLM 的有效处理窗口。采用 按段落边界分块 策略：将文本以双换行符分段，按最大字符数（默认 6000 字符）聚合为语义完整的块，每块独立调用 LLM 进行抽取。

4.4 实体融合与去重

不同年份的信中，同一实体可能有不同的表述（如 "Coke"、"Coca-Cola"、"The Coca-Cola Company"）。采用 名称标准化 + 频次累加 策略，按小写名称合并，并记录每个实体出现的年份集合和总频次。

4.5 输出的知识图谱 JSON 结构

最终输出的 knowledge_graph.json 结构如下：

{
  "nodes": [
    {
      "id": "n0",
      "name": "Warren Buffett",
      "category": "person",
      "description": "伯克希尔·哈撒韦董事长兼CEO",
      "years": [1977, 1978, "...", 2024],
      "frequency": 480
    }
  ],
  "edges": [
    {
      "source": "n0",
      "target": "n10",
      "relation": "manage",
      "weight": 48,
      "years": [1977, "...", 2024],
      "context": "I am the Chairman of Berkshire Hathaway"
    }
  ],
  "metadata": {
    "totalLetters": 48,
    "yearRange": [1977, 2024],
    "totalNodes": 61,
    "totalEdges": 74
  }
}

---

五、可视化方案：ECharts 力导向图

可视化方案对比：

方案	优点	缺点
Neo4j Bloom	专业图可视化	需要安装数据库
D3.js	灵活、社区大	学习曲线陡
Pyvis	Python 一键出图	交互性弱
ECharts	零依赖、交互强、中文友好	节点多时性能一般

选择 ECharts 的力导向图（Force-directed Graph），理由：

• 单 HTML 文件，无需后端服务
• CDN 引入，无需安装
• 丰富的交互：拖拽、缩放、搜索、筛选
• 中文渲染优秀，适合中文标注

最终的可视化页面实现了以下核心功能：

1. 节点分类着色 — 6 种实体类型对应 6 种颜色，一目了然
2. 搜索高亮 — 输入关键词，匹配的节点高亮放大，其余灰化
3. 分类筛选 — 按钮切换只看某一类节点（如只看"投资理念"）
4. 年份范围 — 滑块筛选特定时间段的节点和关系
5. 节点详情面板 — 点击节点弹出详细信息：描述、出现年份、关联实体列表
6. 统计看板 — 展示节点总数、边总数、时间跨度

整体采用 暗色科技风（#0a0e17 背景），力导向图连线在暗背景上可读性更好，节点颜色对比度更强。

---

六、Vibe Coding 实践：5 轮 Prompt 完成全部开发

本项目是一次典型的 Vibe Coding 实践——人负责决策，AI 负责实现。以下是实际使用的 Prompt 和交互过程：

Prompt 1：项目规划

我要构建巴菲特公开信的知识图谱。包含知识关系，用于了解
巴菲特整个生涯投资逻辑，可视化给读者投资建议。

需要：
公开信下载、知识图谱搭建 以及 vibe coding 代码提示词

代码放到Code 下

AI 输出了完整的项目计划，包括目录结构、技术选型、实施步骤。

Prompt 2：文本提取脚本

编写 extract_text.py，从 HTML 和 PDF 格式的巴菲特公开信中
提取纯文本。HTML 用 BeautifulSoup，PDF 用 pdfplumber。
输出按年份命名的 txt 文件。

AI 生成了完整的 extract_text.py，包含错误处理、进度条、字符统计。

Prompt 3：知识图谱构建

编写 build_knowledge_graph.py，支持两种模式：
1. LLM 模式：调用 OpenAI API 从文本中抽取实体和关系
2. Mock 模式：用预置的高质量数据（基于巴菲特公开信真实内容）

实体分类：person, company, concept, metric, industry, event
关系类型：invest, acquire, manage, influence, mention, partner

输出 JSON 格式的知识图谱

AI 生成了包含 LLM 调用、Prompt 模板、Mock 数据生成的完整脚本。

Prompt 4：可视化页面

创建 visualization.html，ECharts 力导向图，要求：
- 暗色科技风
- 节点按类别着色（6种颜色）
- 搜索高亮
- 分类筛选按钮
- 年份范围滑块
- 点击节点显示详情面板
- 统计看板
- 单文件、CDN 引入、无需后端

AI 生成了超过 600 行的完整 HTML，包含 CSS 动画、JavaScript 交互逻辑、响应式布局。

Prompt 5：截图

使用 Playwright 对可视化页面进行多角度截图：
1. 全局概览
2. 搜索 Coca-Cola 高亮
3. 只看投资理念
4. 只看公司
5. 年份筛选 2008-2020
6. 详情面板展示

AI 用 Python Playwright 自动化完成了 6 张截图。

Vibe Coding 关键心得

原则	说明
描述意图而非步骤	不要说"创建一个 div，设置 flex 布局"，而是说"创建一个暗色科技风的搜索栏"
分层迭代	先让 AI 搭骨架，再逐步优化细节
提供上下文	告诉 AI 已有的文件结构、技术选型、设计风格
验证而非审查	不需要逐行看代码，运行看效果，不对再调
保持控制权	架构决策（选 ECharts 还是 D3）由人来做

---

七、项目成果与扩展方向

7.1 成果总览

项目维度	成果
数据规模	48 封公开信，1977-2024 年
知识图谱	61 个节点，74 条边，6 类实体，6 种关系
可视化	ECharts 力导向图，支持搜索、筛选、时间轴
代码量	~1200 行（Python + HTML/CSS/JS）
Vibe Coding	5 轮 Prompt 迭代完成全部开发

从技术角度，这个项目展示了 LLM + 知识图谱 的强大组合：

1. LLM 替代了传统 NLP 流水线 — 不需要标注数据、不需要训练模型，一个 Prompt 搞定实体和关系抽取
2. 知识图谱让非结构化文本变成结构化知识 — 48 封信浓缩成 61 个节点和 74 条关系
3. Vibe Coding 让开发效率提升 10 倍 — 从想法到可运行的可视化系统，一个下午完成

7.2 扩展方向

• 接入真实 LLM 抽取 — 脚本已支持 DeepSeek（推荐，性价比极高）和 OpenAI。接入后预计可抽取 500+ 个实体和 2000+ 条关系
• 接入图数据库 — 将 JSON 导入 Neo4j，支持 Cypher 查询
• RAG + 知识图谱 — 结构化知识 + 向量检索 + LLM 生成，实现巴菲特投资问答系统
• 时间轴动画 — 将年份滑块升级为自动播放动画，看巴菲特投资版图的演化

从投资角度，这张知识图谱浓缩了巴菲特 48 年的投资智慧。如果你只记住一件事，那就是巴菲特在这 48 封信中反复强调的核心：

"以合理价格买入拥有经济护城河的伟大公司，然后永远持有它们。"

这条主线，从 1977 年第一封信到 2024 年最后一封信，从未改变。

---

八、获取源码

本项目已开源，完整代码和数据托管在 GitHub：

🔗 https://github.com/warm3snow/buffett-kg.git

⚠️ 注意：该仓库目前为 私有仓库。如需访问，请通过以下方式获取权限：

1. 关注公众号「coft」，在后台留言你的 GitHub 账号
2. 我会将你添加为 Collaborators

当然，你也完全可以参考本文介绍的原理和 Prompt，用 Vibe Coding 的方式自己从零构建一个！

效果展示和巴菲特投资知识详解，请阅读下一篇：巴菲特投资知识图谱效果展示

---

免责声明：本文仅为教育目的，不构成任何投资建议。金融市场存在极高风险，请在充分了解风险后做出自己的判断。

关注公众号「coft」，获取更多 AI 时代的深度思考。