Kando AI完成數千萬元種子輪融資，要做“決策領域的Cursor”｜湧現新項目

# Kando AI完成數千萬元種子輪融資，要做「決策領域的Cursor」｜湧現新項目

從信息數字化，到決策自進化，Kando AI正在嘗試搭建一座前所未有的橋樑——讓AI從人類的真實決策及其結果中持續學習，構建下一代自進化決策系統。 《智能湧現》獲悉，Kando AI已完成數千萬元種子輪融資，星連資本領投，力合金控跟投，知名產業方參與投資。這家成立於2026年6月的年輕公司，目前團隊約10人，核心成員來自騰訊、字節、美團、華泰證券等國內頭部機構，背景橫跨頂尖AI研究與金融實戰。 ## 兩位投資者的認知痛點

Kando AI的誕生，源於兩位創始人共同的切身困擾。 創始人兼首席科學家吳秉哲是北大計算機博士，曾為蘋果博士獎學金大陸首位獲得者、前騰訊AI Lab可信AI負責人。他同時也是一個高頻的二級市場投資者。每天盤後，他會回顧當天的判斷——哪些預案執行了，哪些被盤面的新信息打亂了，哪些潛意識的決策事後被驗證是對的。這個習慣持續了很多年，但有一個問題始終無法解決：大部分覆盤都沒被系統性地沉澱下來。 「你的認知是一種資產，但現在所有東西都停留在人腦裡。」吳秉哲說。他和聯合創始人、CEO毛書翰同為活躍的二級市場投資者，兩人都在高頻地做不確定性環境下的決策，也同樣意識到：這些決策背後的認知模式，從未被數字化。 毛書翰本科畢業於清華大學，碩士畢業於港大金融學，曾任職於國內頭部投行多年，並曾參與創立具身智能公司，獲2025年福布斯30 Under 30，是連續創業者。兩人在投資實戰中產生的共同認知，最終催生了Kando AI的創業方向。 ## 從信息數字化到決策AI化：一座缺失的橋樑

Kando AI想做的不只是一個工具，而是讓認知持續進化的環境。如果用一句話概括Kando AI在做什麼，毛書翰的表達是：「互聯網/移動互聯網時代，我們完成了信息數字化；AI時代，我們想推動的是決策自進化。」

過去二十年，無論是金融領域的同花順、萬得，還是科研場景中的論文數據庫、文獻管理工具和知識平臺，解決的本質上都是「信息層」的問題：幫你搜集、整理、存儲、檢索、總結。但整理完的信息，放在那裡，並不天然會變成一個有價值的判斷。 無論是投資、科研還是其他高價值決策場景，真正關鍵的那一步往往發生在人腦裡。研究員在海量材料中形成判斷，二級投資人在複雜市場噪聲中建立「盤感」，科研工作者在長期積累中形成對一個方向的審美、直覺和取捨——這些東西都很難被直接表達，更無法被簡單地數字化。 「信息和行動之間，不是自動連通的。中間最關鍵的是決策，而人的大腦、經驗、潛意識、審美和判斷習慣，過去一直無法被系統性沉澱。AI第一次讓這座橋有可能被搭起來。」毛書翰說。 這也是Kando AI與大部分AI工具的最大區別：很多AI產品仍然停留在「優化輸出質量」——讓總結更完整、檢索更快、寫作更流暢；而Kando AI想優化的是另一件事——決策採納率與事後可靠性，即AI給出的建議，用戶到底會不會真正採納，它是否真正進入了用戶的研究、判斷和行動過程。 ## 要做「決策領域的Cursor」

毛書翰明確表示，Kando的定位是做「決策領域的Cursor」。這個類比來自AI Coding工具的發展歷程：2022年AI Coding工具剛出現時，代碼採納率幾乎為零；到今天，Cursor的採納率已經達到60%至70%。Kando AI希望在高價值決策領域複製這一歷程。 為何選擇金融作為首個驗證場景？毛書翰解釋，金融場景在信息維度上是最結構化的領域之一。從反饋清晰度、反饋週期（天/週級）、可審計性、決策價值等多個維度綜合評估，金融場景的評分最高，成為建立自進化決策引擎的最佳起步領域。 當前，Kando AI已上線內測，種子用戶主要集中在專業用戶群體，包括投資人、科研工作者等。圍繞用戶持續使用、持續記憶和反饋提供服務，覆蓋金融、科研等垂直行業。 ## 產品本質：一場持續的「後訓練」

Kando AI的產品形態是一個面向高價值決策場景的工作臺。但在團隊看來，工作臺只是產品入口，真正承載的是一套能夠從真實決策中積累經驗、驗證判斷並持續進化的決策系統。 Kando AI的核心能力之一是「記憶」。但這種記憶並非普通意義上的知識庫，也不同於常見的RAG檢索。傳統RAG更偏向語義相似度匹配，而Kando AI的記憶系統更接近一種面向認知結構的推薦與召回機制——系統記住的，不只是用戶看過什麼，更是用戶如何理解問題、有何偏好、過去是如何修正判斷的。 以科研場景為例，產品會形成預判，由用戶決定採納、修改、否決或納入追蹤。結果發生後，系統會重新回到最初的假設，分析哪些判斷被驗證、哪些變量發生變化，以及錯誤來自信息缺失、推理偏差還是執行問題。 這些決策軌跡不會停留在聊天記錄裡。用戶的採納、修改和否決，預期與結果之間的差異，以及事後的覆盤和歸因，會被組織成新的學習信號，持續更新系統中的長期記憶、任務策略、Skill調度和模型適配層。上一輪決策產生的結果，會改變系統下一輪如何召回信息、組織推理和生成建議，形成「判斷—行動—反饋—更新」的遞歸閉環。 吳秉哲將這個過程定義為一種「廣義的後訓練」。在傳統意義上，後訓練更多是調整模型參數；但在Kando AI看來，真正需要持續優化的遠不止參數本身，還包括記憶如何存儲、如何精細召回、如何遺忘，產品交互邏輯如何設計，Skill的上下文如何動態演化，以及不同用戶的反饋如何被組織成有效的學習信號。 「你可以把做產品的過程，看成是一個模型後訓練的過程。只不過以前優化的是參數，現在優化的是上下文、交互和記憶。」吳秉哲說。 這也是Kando AI從Infra層就選擇自研的原因。吳秉哲表示，Kando AI希望所有訓練鏈路、反饋鏈路和記憶鏈路都儘可能透明、可監測、可回溯。沉澱的不是一層表面的產品功能，而是一整套圍繞真實決策過程持續增長的數據飛輪。 ## 商業化路徑：從高價值場景切入

在商業化上，Kando AI選擇先從高價值、高頻決策用戶切入。當前的種子用戶主要集中在專業用戶群體，包括投資人、科研工作者等。在團隊看來，未來任何高價值、非標準化、強認知依賴的決策領域，都可能成為這套系統的應用對象。 「Kando AI不是只做一個工具，而是在那些沒有標準答案、卻最值得被放大的領域裡，把『信息→決策→反饋』的閉環真正打通。」吳秉哲說。 星連資本合夥人李文珏表示：AI應用的下一階段，不只是更高效地處理信息，而是進入真實工作流，學習專業用戶如何判斷、行動和修正認知。Kando AI選擇金融、科研等高價值決策場景，以個性化記憶和認知建模為底座，將用戶的研究過程、採納與拒絕、事後覆盤轉化為學習信號，突破傳統AI工具一次性回答的邊界，形成隨用戶共同進化的決策系統。我們看重團隊兼具前沿AI研究、模型後訓練、系統工程與複雜決策經驗，更看重其從真實使用中沉澱專有工作流數據、推動能力持續增長的潛力。若這一閉環得到驗證，Kando構建的將不只是投研或科研工具，而可能成為連接信息、判斷與行動的新一代認知基礎設施，讓個人與組織最寶貴的判斷力得以沉澱、校準和複用。