每天收盘后，吴秉哲有一个维持了多年的习惯：回顾当天的每一笔判断——哪些预案被执行了，哪些被盘中的新信息冲散，哪些凭直觉做出的决策事后被证明是对的。这个高频投资者兼北大计算机博士很快发现了一个根本性问题：大部分复盘从未被系统性地沉淀下来。“你的认知是一种资产，但现在所有东西都停留在人脑里。”吴秉哲说。

这个痛点并非他独有。他和后来的联合创始人毛书翰同为活跃的二级市场投资者，两人都意识到，那些在高不确定性环境下做出的决策背后的认知模式，从未被真正数字化。2026年6月，他们共同创立了Kando AI，试图让AI从真实决策及其结果中持续学习，构建一套自进化决策系统。

《智能涌现》获悉，Kando AI已完成数千万元人民币种子轮融资，由星连资本领投，力合金控跟投，一家未披露名称的产业方参与投资。一个10人团队，试图在金融和科研这两个高度依赖判断力的领域，把“人如何做决策”这件事变成AI可学习、可优化、可迭代的工程问题。

字段 内容
公司 Kando AI
轮次 种子轮
金额 数千万元人民币
投资方 星连资本（领投）、力合金控（跟投）、知名产业方
总部 未披露
创始人 吴秉哲（创始人/首席科学家）、毛书翰（联合创始人/CEO）
官网 未披露

Cursor给编程工具开了一条路，Kando想在决策领域重走一遍

毛书翰给Kando AI的定位极其明确：“决策领域的Cursor”。这个类比指向一个已被验证的采纳曲线——据毛书翰介绍，2022年AI编程工具刚出现时代码采纳率趋近于零，而今天Cursor的采纳率已经攀升到60%-70%。Kando团队相信，决策智能有可能走出一条相似的增长轨迹。

但编程和决策之间存在本质差异。编程有明确的语法规则、可执行的编译结果和相对清晰的正确性判断标准；而高价值决策——比如一笔投资的进出时机、一个研究方向的选择——往往没有标准答案，反馈周期更长，且事后归因极其困难。Cursor的成功路径能否在决策领域复现，是Kando必须面对的第一个核心假设。

团队选择金融作为验证场景之一，并非偶然。毛书翰对此有一套清晰的筛选逻辑：在反馈清晰度、反馈周期、可审计性和决策价值等多个维度上，金融场景的综合评分最高。二级市场交易的结果会在数天内兑现，持仓逻辑和实际盈亏之间可以建立可追溯的因果链条，这为训练一个自进化决策引擎提供了相对干净的反馈信号。

相比之下，科研场景的反馈周期更长——一个假设可能需要数月实验才能验证，但研究过程中的每一步取舍同样留下了可捕捉的决策轨迹。Kando的内测用户正是从这两类人群切入：专业投资人和科研工作者。公开信息仅确认产品已上线内测，种子用户数量和具体使用数据未披露。

记忆系统不建知识库，而是建一个“你如何思考”的模型

Kando的产品形态对外呈现为一个面向高价值决策场景的工作台，但团队强调工作台只是入口，底层承载的是一套完整的决策系统。这条技术路线和当前主流AI工具有明确的区隔——后者大多在“优化信息输出”层面竞争，追求总结更完整、检索更快、写作更流畅。Kando则把优化目标定义为两个更硬核的指标：决策采纳率和事后可靠性。

这不是表述上的差异，而是产品架构的分野。一个帮你更快读完研报的工具，和一个试图理解你为何在不同市场环境下做出不同判断的系统，其所需的技术栈完全不同。

Kando的核心能力被概括为“记忆”，但这个概念值得仔细拆解。传统RAG架构更多依赖语义相似度匹配，从知识库中检索和当前问题最相关的内容片段。据Kando描述，其记忆系统更接近一种面向认知结构的推荐与召回机制。系统记录的不仅是用户看过什么材料，还包括用户如何理解问题、在类似情境下表现出的偏好、以及过去如何修正自己的判断。

以科研场景为例，描述出的产品行为是这样的：系统形成预判，由用户决定采纳、修改、否决或纳入追踪；结果发生后，系统回溯最初假设，分析哪些判断被验证、哪些变量改变、错误源头在信息缺失、推理偏差还是执行环节。这些轨迹被组织成新的学习信号，持续更新系统中的长期记忆、任务策略和模型适配层。上一轮的决策结果，会改变系统下一轮如何召回信息、组织推理和生成建议。

这是一个“判断—行动—反馈—更新”的递归闭环。理论上看，它让系统有可能随用户共同进化，而非停留在一次性问答的层面。但公开材料仅提供了产品行为层面的描述，并未披露记忆系统的具体技术架构、模型选型或与现有记忆增强方案的性能对比。

广义后训练：把产品本身当成一个持续优化的模型

吴秉哲将Kando的技术理念提炼为一句话：“你可以把做产品的过程，看成是一个模型后训练的过程。只不过以前优化的是参数，现在优化的是上下文、交互和记忆。”

这个表述背后是一种“广义后训练”思路。传统后训练聚焦于调整模型参数以提升特定任务表现，而Kando认为需要持续优化的远远超出参数本身——还包括记忆如何存储、何时被召回、在何种条件下被遗忘，产品交互逻辑如何设计，Skill的上下文如何动态演化，以及不同用户的反馈如何被组织成有效的学习信号。

这种理念的一个直接后果是，Kando选择从Infra层开始自研。吴秉哲在解释这一决策时称，是为了让所有训练链路、反馈链路和记忆链路尽可能透明、可监测、可回溯。自研Infra意味着更高的前期投入和更长的产品迭代周期，尤其是在一个仅有10人的初创团队中。但团队认为Kando沉淀的核心资产并非产品功能本身，而是一整套围绕真实决策过程持续增长的数据飞轮——用户如何使用系统、如何做判断、判断效果如何，这些行为数据如果真能闭环回流，其价值远超过任何单一功能。

星连资本合伙人李文珏在投资声明中表达了类似判断：“我们看重团队兼具前沿AI研究、模型后训练、系统工程与复杂决策经验，更看重其从真实使用中沉淀专有工作流数据、推动能力持续增长的潜力。”这里的关键词是“潜力”——数据飞轮的价值需要两个前提同时成立：用户愿意长期使用并在其中做真实决策，且系统真能从这些数据中抽取有效的学习信号。

当AI开始学习你怎么想，而不是帮你搜东西

Kando试图解决的问题，放在更长的产业周期里看是有迹可循的。过去二十年，无论是金融领域的同花顺和万得，还是科研场景中的论文数据库和文献管理工具，本质上解决的都只是信息层的问题——帮助你搜集、整理、存储、检索和总结信息。但这些被整理好的信息，并不会天然转化为有价值的判断。

信息和行动之间存在一道关键缺口，这道缺口过去一直由人脑填补。基金经理在海量数据中建立的“盘感”，研究员在长期积累中形成的对一个方向的审美和直觉，资本市场操盘手在瞬息万变中做出的取舍——这些认知资产从未被系统性地数字化。毛书翰的表述切中了这个长期被忽视的领域：“信息和行动之间，不是自动连通的。中间最关键的是决策，而人的大脑、经验、潜意识、审美和判断习惯，过去一直无法被系统性沉淀。AI第一次让这座桥有可能被搭起来。”

这是Kando叙事逻辑中最有想象力的一部分：如果信息数字化造就了万得这样的信息基础设施，那么决策数字化是否可能催生出一种新的认知基础设施？李文珏将这一远景表达为“若这一闭环得到验证，Kando构建的将不只是投研或科研工具，而可能成为连接信息、判断与行动的新一代认知基础设施”。

但“基础设施”是一个被过度使用的词，尤其在早期融资阶段。要成为基础设施，Kando需要跨过几道高门槛：足够深的用户绑定、足够多的决策场景覆盖、以及足够强的网络效应——这恰恰是当前10人团队和单一产品形态还远不能提供证据来佐证的。

10人团队和数千万元融资，能从金融和科研撕开多大的口子？

Kando当前有约10名员工，来自腾讯、字节、美团、华泰证券等机构。两位创始人的背景组合在早期项目中颇具辨识度——吴秉哲代表了技术纵深：北大数学系本科，计算机博士，苹果博士奖学金大陆首位获得者，前腾讯AI Lab可信AI负责人；毛书翰则带来了金融和创业经验：清华本科，港大金融硕士，曾任职头部投行，参与创立过一家具身智能公司，2025年登上福布斯30 Under 30榜单。

数千万元的种子轮融资对于一个自研Infra的AI团队而言，主要用途可以推演为：覆盖10人团队的研发周期、搭建初版产品并完成内测、以及在金融和科研两个方向上进行早期客户验证。但具体资金分配和计划跑道长度，公司方面未予披露。

团队创始人同时是Kando的目标用户，这既是优势也是风险。优势在于，他们能第一时间感知产品的功能缺陷和体验痛点，不需要漫长的需求调研过程。但风险在于，一个由高频投资者为自己所在圈层打造的产品，可能陷入“小圈子精品工具”的局限——功能高度定制，却难以扩展到更广泛的决策场景。

商业模式层面，公开信息完全未披露。这意味着Kando还处于“先做用户价值、再考虑变现”的典型早期阶段。从金融和科研场景切入本身有一定商业化逻辑——这两个群体的支付能力和意愿相对较强，但这些用户的获取成本和留存数据，是判断商业化潜力的基础指标，目前全部未知。

竞争没有明确对标，但替代方案无处不在

Kando在公开报道中没有提及任何具体竞争对手，这在定位一个新兴赛道时是常见策略。但这并不意味着没有对手。在广义的“AI辅助决策”赛道里，Kando面临的是一个竞争边界模糊但替代方案密集的战场。

通用大模型产品如ChatGPT和Claude在完成复杂分析任务时的能力正在迅速提升，其多轮对话和上下文记忆能力也在持续进化。Kando的差异在于将决策过程本身作为核心优化对象，而非停留在信息处理层面。这个定位足够独特，但也意味着用户教育和市场接受的成本更高。要让一个已经习惯用万得查数据、用ChatGPT做初步分析的基金经理，迁移到一套需要“训练”系统了解自己决策习惯的新平台，需要足够强力的价值主张。

另外，Kando对个性化记忆系统的强调，引出一个产品层面的张力：用户“教”系统理解自己需要持续投入时间和精力，这个投入回报周期有多长？在用户看到明显的决策质量提升之前，什么能激励他们持续使用？这个问题在种子用户——由创始人的同圈层投资者和科研工作者构成——中或许不是障碍，但在规模化阶段将成为关键瓶颈。

验证才刚刚开始，四个未解决的假设横在前方

Kando的叙事建立在几个还未经证实的核心假设之上。梳理公开信息和公司的产品描述后，可以提炼出四个关键风险维度。

第一个未验证的假设是，决策质量可以通过自进化反馈闭环持续提升。Kando设想的“判断—行动—反馈—更新”闭环在理论上是可自洽的，但目前没有任何公开数据支撑其实际效果。金融市场的决策质量问题尤为复杂——单次交易的正收益可能是能力，也可能是运气，系统能否从噪音中分离出真正的信号，是一个统计和算法层面的硬挑战。

第二个假设是用户愿意在系统中暴露真实的决策过程和修正行为。这一点的敏感性远超常规的数据授权。让AI记录自己如何做判断、如何犯错误、如何修正认知，这意味着将最核心的智力活动外部化。机构的合规要求和个人的隐私意识，可能对数据收集形成双重制约。

第三个风险是自研Infra与产品迭代速度之间的张力。10人团队同时承担Infra搭建、算法研发、产品设计和场景落地多项职能，在资源分配上必然面临取舍。相比直接使用成熟的大模型和云基础设施，自研路线在长线有压低边际成本和沉淀核心能力的优势，但在短线会显著延长产品功能迭代周期。

第四个悬而未决的问题是，从金融和科研场景向外扩展的可迁移性。Kando团队表示“未来任何高价值、非标准化、强认知依赖的决策领域”都可能成为应用对象，但从一个精心筛选的结构化决策场景跨越到更模糊、反馈周期更长的场景，记忆系统能否无缝适配，Skill和策略库是否需要推倒重建，这些都有待验证。

种子轮资金到账和产品内测上线，Kando把从理念到实现的最初一步迈了出去。此刻它最接近“决策领域的Cursor”的地方，不是产品形态或市场地位，而是它站在一条类似起点上的状态——Cursor用了两年多时间把采纳率从个位数拉到过半，Kando需要证明自己的记忆系统和反馈闭环可以让决策采纳率和事后可靠性走出同样的上升曲线。这个过程中，内测用户的留存数据和决策质量的量化验证结果，将是最直接的尺度衡量。

RecodeX 极客视：Kando AI 提出的路线本质上是一种 machine learning 范式在个人认知领域的映射——用部署后积累的决策数据持续训练系统，让智能边界从“训练结束那一刻”延伸到“使用过程中的每一轮反馈”。这条路 Cursor 在代码领域走通了，但没有标准答案、没有编译器的决策场景是否能重复同样的成效，决定权不在创始人的履历和叙事上，而在内测用户接下来几个月里每一次选择“采纳”或“否决”的微小动作中。最值得追问的不是技术本身是否合理，而是用户有多大的意愿，把自己真正的判断力放进一个正在创业中的系统里去“训练”它。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。