一个交易者从产生“市场可能转向”的模糊判断，到真正把想法变成可回测、可执行的策略，中间通常隔着数据清洗、因子构建、代码编写、回测框架搭建和风控参数设置。传统量化研究把这条链路切成若干高门槛环节，每一段都需要不同的工具和技能。大模型出现后，行业里最先出现的产品大多停留在两个极端：要么是给出行情问答的聊天机器人，要么是帮用户写策略代码的 Coding Agent。但会写代码不等于会交易，能回答“某只股票为什么涨”也不等于能把一个交易想法变成可验证的研究流程。
PandaAI 试图切入的正是这两者之间的空白。2026 年 8 月，这家 AI 交易基础设施公司宣布已连续完成种子轮、天使轮及天使+轮三轮融资，累计融资金额达数千万元人民币，其中天使轮及天使+轮由 L2F 光源创业者基金领投。公司称，资金将主要用于 AI 交易大模型、专业 QuantSkills、多智能体协作基础设施及交易 Agent 开发环境的持续研发，加快 PandaAI OS、EVO 和 A2A 技术体系建设，同时拓展全球用户市场。
这轮融资的特别之处不在于金额，而在于节奏。据公司披露，PandaAI 在 2025 年下半年第一次正式开启外部融资，并在此后两个月内连续完成三轮。创始人李昱琦将三轮融资对应为三个阶段：“从证明 AI 可以进入交易，到证明 AI 可以重构交易 Workflow，再到讨论 AI Trading 是否会产生新的基础设施层机会。”这种密集融资背后，既反映了一级市场对 AI 交易基础设施叙事的兴趣，也暴露了一个更现实的问题：当一家公司试图用自然语言交互重构量化研究链路时，它究竟是在降低门槛，还是在重新定义门槛的位置。
| 字段 | 内容 |
|---|---|
| 公司 | PandaAI |
| 轮次 | 种子轮、天使轮、天使+轮 |
| 金额 | 累计数千万元人民币（具体金额未披露） |
| 投资方 | 天使轮及天使+轮由 L2F 光源创业者基金领投；种子轮投资方未披露 |
| 总部 | 未披露 |
| 创始人 | 李昱琦（创始人）、刘炳君（联合创始人兼 CTO） |
| 官网 | https://www.pandaaiquant.com/ |
从 Coding Agent 到 Workflow：一次产品定位的自我修正
PandaAI 的起点并不特殊。李昱琦在公开访谈中回忆，大模型出现后，他和团队最初尝试用 Coding Agent 帮交易者写策略、写代码、做回测。这个方向在量化投资圈并不新鲜，市面上已经有一批工具试图把自然语言指令转成 Python 或策略脚本。但团队很快发现，代码生成只是整条链路里的一环，而且未必是最难的一环。李昱琦的原话是：“我意识到，值得做的不是又一个工具，而是把整条交易研究链路重新组织起来。”
这句话背后是一个产品逻辑的转向。Coding Agent 解决的是“不会写代码”的问题，但量化研究的门槛还包含数据获取、因子定义、回测框架选择、参数敏感性分析、风险归因和交易连接。一个用户即使能生成代码，如果不知道如何验证因子有效性、如何处理幸存者偏差、如何设置回测区间，生成的策略仍然无法进入真实交易。PandaAI 由此把产品重心从“生成代码”转向“组织流程”，将交易想法到执行的节点拆解为数据获取、因子构建、代码生成、策略回测、参数调整、风险分析和交易连接，并试图让用户通过自然语言和可视化界面查看每一步的输入输出。
从已披露的产品架构看，PandaAI 的核心不是单一模型，而是一套工作流编排系统。公司称已形成 OS、EVO、QUBE 等产品，由 QuantSkills 提供统一的专业能力支持。其中 EVO 被定位为 A2A（Agent-to-Agent）多智能体产品，不同 Agent 分别承担数据处理、因子研究、策略生成、回测分析、风险评估和交易执行等任务。这种设计意味着，PandaAI 的竞争对象不是某一个大模型，而是传统量化研究栈中分散的工具链，以及那些只做单点 AI 功能的交易辅助产品。但这也意味着，它必须同时解决模型能力、工程架构和金融专业度三个层面的问题，任何一个层面出现短板，整个工作流的可信度都会受到影响。
10 万用户与“产业化合作”之间，还隔着什么
PandaAI 披露了两个关键运营数据：海内外累计用户超过 10 万名；与多家券商、期货公司、基金及专业金融机构推进 AI 交易能力的产业化合作。这两个数字放在一起，恰好勾勒出公司当前所处的阶段——用户规模已经不小，但机构合作仍处于“推进”状态，尚未形成可验证的规模化收入。
10 万用户这个数字需要被放在具体语境中理解。PandaAI 的创始人李昱琦同时是量化财经科普 IP“量化李不白”的创建者，全网粉丝超过 20 万。这意味着公司拥有一个天然的流量入口，早期用户增长很可能与创始人个人 IP 的粉丝转化高度相关。从已披露信息看，PandaAI 持续举办因子大赛、高校 Workshop、量化黑客松及全球 AI 交易赛事，这些活动既是用户增长渠道，也是产品能力验证和因子策略沉淀的场景。但赛事参与者、内容关注者和付费用户之间并不能直接划等号。公司没有披露 10 万用户中有多少是活跃交易者、多少转化为付费客户、多少来自海外市场。在缺乏付费转化率和留存数据的情况下，10 万用户更多是一个品牌声量的指标，而非商业化的直接证据。
机构合作则是另一条更重的路径。PandaAI 称可以与金融机构既有的数据、投研、风控及交易系统结合，提供 AI 交易模型、可视化工作流、多智能体协作、数据服务和私有化部署能力。但金融机构的采购决策周期通常远长于个人用户，且对数据安全、模型可解释性、回测合规性和系统稳定性有更高要求。公司没有披露任何已签约机构客户的名称、合作金额或部署进度。“与多家机构推进合作”这一表述，在创投语境中通常意味着仍处于早期接触或试点阶段。从已披露事实看，PandaAI 的机构业务尚未形成可独立验证的商业化成果。
L2F 光源创业者基金为什么下注：投资逻辑与未说出口的假设
L2F 光源创业者基金管理合伙人吉星在公开声明中给出了明确的投资逻辑。他认为，AI 对交易最深刻的改变“不是替人给出一个‘买什么’的答案，而是重构 Alpha 的生产方式——将交易者的经验与判断转化为可验证、可复用、可持续迭代的研究工作流”。他还表示，PandaAI 最打动投资方的是团队“没有停留在行情问答或代码生成，而是从因子研究切入，逐步打通数据、模型、回测、风控与执行，并在真实反馈中沉淀工作流数据，构建面向个人交易者、专业团队与金融机构的新一代 AI Trading OS”。
这套逻辑的核心假设是：交易者的经验可以被结构化、沉淀为可复用的 Agent 和 QuantSkills，并且这种沉淀过程本身会形成数据飞轮。换句话说，PandaAI 的价值不仅在于帮用户完成单次研究，更在于随着用户使用，系统会积累工作流数据，让后续研究变得更高效。这个假设在理论上成立，但在实践中需要验证两个关键环节：第一，用户是否愿意把核心研究框架和交易逻辑沉淀到第三方平台上，而不是保留在自有系统中；第二，不同用户沉淀的工作流之间是否具有足够的可迁移性，能够形成网络效应，而不是各自为政的碎片化模板。
从资本结构看，PandaAI 在两个月内连续完成三轮融资，且天使轮及天使+轮由同一家机构领投，这种节奏在早期项目中并不常见。一种可能的解释是，投资方希望快速锁定项目，避免在 AI 交易基础设施赛道升温后估值被推高；另一种可能是，公司本身对资金消耗速度有明确预期，需要快速补充研发投入。种子轮投资方未披露，这为资本结构的完整画像留下了一个空白。在缺乏具体金额和估值信息的情况下，外界无法判断这三轮融资的稀释比例和定价逻辑，只能确认 L2F 光源创业者基金在天使阶段及后续轮次中扮演了领投角色。
当“AI Trading OS”撞上真实交易约束
PandaAI 的产品叙事围绕“从交易想法到执行的全链路”展开，但真实交易环境对任何 AI 系统都构成多重约束。首先是数据问题。量化研究高度依赖数据质量、历史深度和更新频率，不同市场的数据源差异巨大。PandaAI 没有披露其数据来源、覆盖市场和更新机制，这意味着用户无法从公开信息判断其回测结果的可信度。一个 AI 系统如果使用有幸存者偏差的数据集进行回测，生成的策略可能在样本外完全失效，而自然语言交互的易用性反而会放大这种风险——用户越容易生成策略，就越可能在未充分理解数据局限的情况下做出交易决策。
其次是执行环节。PandaAI 的产品描述中包含“交易执行”节点，但公司没有披露是否已接入任何券商的真实交易通道，也没有说明执行环节是模拟盘、纸面交易还是实盘连接。从监管角度看，如果涉及真实交易执行，AI 系统需要满足相应的合规要求，包括风险揭示、指令留痕和异常交易监控。公司称与多家券商、期货公司推进产业化合作，但未披露任何已落地的交易通道对接。这意味着“到最终交易执行”在目前阶段更可能是一个产品愿景，而非已实现的功能。
第三是多智能体协作的可靠性。PandaAI EVO 的 A2A 架构让不同 Agent 分工协作，理论上可以通过相互反馈修正推理路径。但多智能体系统也引入了新的失败模式：一个 Agent 的错误输出可能被下游 Agent 放大，而系统整体的可解释性会随着 Agent 数量增加而下降。在金融场景中，这种“黑箱中的黑箱”问题尤为敏感。公司称多个 Agent 能够“实现思考能力层面的自进化”，这是公司口径，目前没有独立第三方验证。从技术角度看，Agent 之间的反馈循环是否真的能带来稳定的能力提升，还是仅仅增加了计算成本和不确定性，仍是一个待验证的工程问题。
没有竞品名单的赛道：PandaAI 实际上在和谁竞争
PandaAI 的公开材料没有列出任何直接竞争对手，但这不代表它处于无人区。从产品形态看，它至少面临三类替代方案的竞争。第一类是传统量化研究平台，包括国内外成熟的因子研究工具、回测框架和数据终端。这些平台虽然学习曲线陡峭，但在专业机构中拥有深厚的用户基础和信任积累。PandaAI 试图用自然语言交互降低门槛，但专业用户是否愿意放弃对底层代码和数据的完全控制，转向一个可视化工作流系统，是一个尚未被证明的假设。
第二类是已经进入金融场景的大模型应用。包括通用大模型厂商推出的金融垂直版本，以及一批专注于行情问答、研报生成、代码辅助的 AI 工具。这些产品在单点功能上可能比 PandaAI 更成熟，但它们大多停留在“辅助”层面，没有打通从研究到执行的完整链路。PandaAI 的差异化在于工作流编排和多智能体协作，但这同时也意味着它必须在每一个环节都达到可用水平，否则“全链路”反而会成为“全链路都不够深”的劣势。
第三类是量化私募和金融机构内部自建的 AI 研究系统。李昱琦本人仍担任一家量化私募合伙人，参与管理规模超 10 亿元。这一背景既是 PandaAI 的行业认知来源，也意味着它最直接的潜在客户群体——专业量化团队——恰恰是最有能力自建系统的群体。如果一个量化团队已经拥有自己的数据管道、因子库和回测框架，PandaAI 提供的增量价值需要足够显著，才能说服他们迁移或并行使用一套外部系统。从已披露信息看，PandaAI 尚未展示出在专业机构场景中相对自建系统的明确效率优势数据。
资金用途背后的研发优先级与商业化时间差
根据公司披露，三轮融资将主要用于四个方向：AI 交易大模型、专业 QuantSkills、多智能体协作基础设施及交易 Agent 开发环境。这四个方向全部属于研发投入，没有一个直接指向销售、市场或客户成功团队的建设。对于一个已经积累 10 万用户、正在推进机构合作的公司来说，这种资金配置传递出一个信号：PandaAI 认为当前阶段的核心瓶颈仍然是产品和技术能力，而不是获客。
这个判断有其合理性。AI 交易基础设施的竞争最终会回到模型对金融任务的理解能力和工作流系统的稳定性上。如果底层模型无法准确理解“因子中性化”“回测过拟合”“滑点成本”等专业概念，上层的工作流编排再流畅也无法产生可信的研究结果。QuantSkills 作为统一专业能力支持层，是 PandaAI 试图建立的技术护城河，其本质是将量化研究的领域知识结构化，让模型和 Agent 能够调用。但 QuantSkills 的具体内容、覆盖范围和更新机制均未披露，外界无法评估其与通用大模型金融能力的实际差异。
然而，全部资金押注研发也意味着商业化验证的时间窗口被拉长。PandaAI 目前没有披露任何收入数据、付费用户数量或客单价。在 AI 基础设施赛道，技术领先的时间窗口正在缩短，大模型能力的快速迭代可能让某些垂直层的技术积累迅速贬值。如果 PandaAI 在研发上投入大量资金，但机构合作的落地速度慢于预期，公司可能面临技术尚未完全成熟、商业化又未及时启动的双重压力。从已披露的融资节奏看，两个月完成三轮融资或许也反映了公司对资金消耗速度的清醒认识。
风险与待验证假设：从“10 万用户”到“基础设施”的距离
PandaAI 的核心叙事是成为 AI 时代的交易基础设施。李昱琦的判断是，当 intelligence 的成本持续下降，交易能力会从少数机构内部的封闭能力变成一种可以被调用、组合和持续进化的基础能力。这个判断的宏观方向与 AI 技术扩散的一般规律一致，但从“10 万用户”到“基础设施”之间，横亘着几个尚未被验证的假设。
第一个假设是用户留存和深度使用。10 万累计用户如果大部分来自创始人 IP 的内容流量，其活跃度和付费意愿可能与自然增长的用户有显著差异。PandaAI 没有披露月活跃用户数、策略生成数量、回测运行次数或工作流复用率等深度使用指标。没有这些数据，就无法判断用户是在真正用 PandaAI 做研究，还是仅仅注册体验后流失。
第二个假设是工作流数据的网络效应。投资方吉星提到“在真实反馈中沉淀工作流数据”，这暗示了一种数据飞轮的商业逻辑。但交易策略本身具有高度私密性和时效性，用户可能不愿意分享有效的因子和策略，而愿意分享的策略又可能已经失效。如果沉淀的工作流数据质量参差不齐，系统反而可能被低质量模板污染。PandaAI 需要证明它能够在保护用户知识产权的前提下，从集体使用中提取出可复用的通用能力。
第三个假设是机构客户的付费意愿。金融机构对 AI 交易系统的采购通常需要经过严格的合规审查和性能验证，周期可能长达一年以上。PandaAI 目前披露的机构合作仍处于“推进”阶段，没有签约客户、没有收入确认、没有部署案例。在机构业务形成可验证的收入之前，PandaAI 的商业模式仍然主要停留在个人用户层面，而个人交易者对付费工具的价格敏感度通常远高于机构。
第四个假设是监管环境的变化。AI 交易系统在多个市场都面临越来越严格的监管审视，包括算法备案、风险揭示义务和交易行为监控。PandaAI 的产品如果涉及策略生成和交易执行建议，可能需要满足相应的合规要求。公司没有披露其在任何市场的监管备案情况或合规架构。在监管框架尚未明确的领域，先发优势也可能转化为先发的合规成本。
从已披露事实看，PandaAI 拥有一个年轻且具备量化行业经验的创始团队、一个清晰的产品演进方向、一笔足以支撑一段时间研发投入的资金，以及一个尚未被验证的“AI Trading OS”愿景。它的产品逻辑从 Coding Agent 转向 Workflow，是对真实用户痛点的回应；它的多智能体架构试图解决单一模型在复杂金融任务中的能力边界问题。但所有这些设计都还停留在“公司称”和“投资方认为”的层面，缺乏独立第三方的性能验证、付费用户的规模化证据和机构客户的落地案例。PandaAI 的真正考验不在于它能否讲通 AI 交易基础设施的故事，而在于它能否在资金耗尽之前，证明这个基础设施真的有人愿意为之付费。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：PandaAI 的融资故事里最值得关注的不是“99 后创始人”或“两个月三轮”，而是一个产品定位的自我修正：从帮人写代码，到重新组织交易研究的整条链路。这个转向把竞争从单点工具拉到了系统层面，但也把难度放大了数倍。10 万用户证明了流量入口的存在，却还证明不了工作流沉淀的深度。当一家公司试图成为交易领域的基础设施，它必须回答一个更朴素的问题：用户到底是在用它做研究，还是只是在围观一个聪明的产品。
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。