26歲離開10億私募，一個交易天才與他的AI Trading創業｜獨家對話

智客ZhiKer2026.08.23 10:42 · 來自北京全文5003字00:00 / 14:27一個人就是一支AI 交易團隊。PandaAI創始人 李昱琦哥倫比亞大學金融工程本碩，某實盤期貨大賽最年輕盤王，曾是管理規模超10億的量化私募合夥人。當這些標籤同時落在出生於1999年的李昱琦身上時，他似乎被定義為一位天選量化交易人，未來的發展路徑也是確定的。可是，2024年的時候，他決定跳出來。“隨著大模型能力的逐漸提升，量化交易行業的認知敘事會慢慢被消磨掉。當時就在想，還要不要繼續留在這個行業。”李昱琦認為，量化交易行業本質上是一個靠資金積累、招攬人才、疊加物理壁壘，最終累積起來的認知敘事。

獨家數據源、低延遲交易通道、百人研究團隊，這些壁壘構築了機構的圍牆，也定義了普通人與量化交易人才之間的距離。另一個推動力來自一個觀察：Cursor出來之後，編程效率提升了數倍，但做不好量化研究的人依舊做不好，瓶頸不在編程效率，而在思考力和判斷力的邊界。工具在變強，人的研究能力卻沒有隨之線性提升。於是，他想做一款AI交易產品，它會隨大模型能力而不斷進化。PandaAI由此誕生，用AI Agent幫人完成從因子研究到實盤交易的全鏈路。如今這家公司七十餘人，海內外用戶超10萬，舉辦了三屆因子大賽累計3萬人參與。近日，連續完成種子輪、天使輪及天使+輪三輪融資，累計融資金額達數千萬元人民幣。

在小紅書上搜索AI交易，高贊筆記仍是騙子、割韭菜的新話術。評論區裡有人曬虧損截圖，有人質問“真有這麼好你自己不用”。這道認知裂痕，也是理解PandaAI的起點。沒有共識，所以有機會不信任的根源，不在於誰入場，而在於大眾對於AI交易的概念並未形成共識。根據李昱琦觀察，大眾對於AI交易的認識仍舊停留在AI幫你操盤、做投資決策、告訴你哪一款產品值得買，這一類的AI薦股領域，外加上市面上流行的AI交易產品，大多是大模型加一些簡單的金融公式，背後甚至是人在操作。大眾的認知與真實的AI交易之間存在一道鴻溝。AI交易的定義是什麼？它的邊界在哪裡？

李昱琦的回答是：目前的AI交易只是停留在研究層面，比如回測、數據分析、建模、基本面分析、事件驅動、輿情等等。市面上所謂的AI交易，只不過是把研究成果轉化成交易記錄而已。在對 AI 交易未來發展的探討中，他將其演進路徑概括為L0到L4五個階段。L0 完全依賴人工；L1是AI輔助，人仍然是主體；L2是單智能體閉環，實習生復現研報就屬於這個層級；L3是真正的質變，多智能體協同（Agent-to-Agent），自主規劃、相互制衡、持續迭代，能積累經驗，也能根據實時市場學會新經驗、調整自己的 harness；L4則意味著AI完成公開市場中的標準化研究與交易，人類只做風控和資金出入管理。

AI 交易 L0-L4：從執行力到獨立思考力的完整進化路線“當下的 AI 交易才剛剛走到L3的初期。走到L4，可能只需要1-2年，但真正的挑戰不是技術，而是人們對於AI交易的信任。”李昱琦說道。AI交易的演化將會帶來資管行業的重塑。重塑首先發生在投資流程上，瓶頸從“人力夠不夠”變成了“Agent 編得好不好”。決策機制從基金經理拍板，變成了多個 Agent 辯論與制衡，人的工作從“做決策”變成“審決策”。AI 真正提高的不是交易效率，而是人的思考力與判斷力。思考和判斷是通用的，它可以被嵌進任何一套方法論裡。人們可以用它蒸餾別人的策略，也可以用它蒸餾自己、進化自己。

李昱琦判斷，交易行業是 AGI 無法繞行的必經之路。來源於公開數據的博弈，可能都會被Agent所取代，因為它面對的不是穩定態的物理規律，不像AI for Science 那樣靠大量輪詢就能跑出確定性結果。交易需要實時決策和動態博弈，需要面對市場不確定的分佈。在這樣的市場下面，對Agent能力的提升，可能比其他場景要重要得多。競爭格局的重塑則更為深遠，原來沒有量化機構研究能力的一群人，也可以擁有量化機構的研究能力，大家的差距可能只剩下認知判斷力。

從寫代碼，到管一支交易Agent團隊李昱琦認為：“真正的通用人工智能，從來不是一座堆砌靜態知識的圖書館，而是一套在開放複雜系統中，持續自適應、持續決策、持續生存、持續創造的高階生命式智能。它的核心能力，不在於熟記既定規律，而在於面對無固定規則、持續迭代演化、零和博弈競爭的真實世界，能夠自主迭代、破局創新、長期存續。”這個想法也反映在PandaAI的產品設計上，三條產品線，構成一級級向上的階梯，從幫人寫代碼，到幫人做研究，再到幫人管一支Agent團隊。Qube面向入門用戶。

過去一個交易想法要變成可驗證的策略，需要在數據、代碼、回測之間反覆折騰；現在，用戶只要用一句話說出想法，AI 就會把它拆解成數據獲取、因子構建、回測等一個個節點，可查看、可調整、可複用。Qube本質是一個可組合多種Skills的智能Agent，通過不斷接入新的 Skills，持續擴展投研與任務執行能力，幫人把想法跑通。但Agent 解決不了思考力的提升。於是有了EVO，業內有人把它稱作“量化界的 Claude Code”。這是一款面向專業研究者的 AI 原生量化工作臺，用戶從研報或交易想法出發，在 AI 協作下完成因子構建、回測、風險檢驗和版本迭代，研究過程沉澱為可複用的資產。

再往上，是即將上線的OS。按照 A2A（Agent-to-Agent）架構，未來一個人可以同時使用多個Agent，一個負責因子迭代，一個負責組合優化，一個負責數據蒐集。Agent與Agent之間的協作，讓 AI 交易不再是單一模型回答問題，而像一支專業團隊那樣，通過分工、驗證和反饋，共同完成一整條交易研究。但OS的核心，不是讓 AI 自主交易。李昱琦強調，Agent 要在明確的數據範圍、工具權限、風險規則和人工授權下運行，根據回測結果和市場變化不斷修正研究路徑。他更看重的是，持續積累的工作流運行數量，能夠讓越來越多的人和 Agent 在這套基礎設施上共同探索，讓新AI交易方法論持續湧現。

在這個過程中，人依然是AI交易方法論中不可替代的一環。也因此，PandaAI持續搭建新一代AI交易者生態，讓更多交易者能夠真正參與到人與 Agent 協同創造交易方法的過程中。為了搭起這個生態，PandaAI 做了兩件事：開源、舉辦因子大賽。2026年6月，PandaAI 開源了首批 QuantSkills 量化能力庫與 Agent 集群。外界質疑，開源了還怎麼賺錢？李昱琦的回答指向一條鐵律：任何公開的因子公式，隨著使用者增多都會陷入擁擠，超額收益隨之消失。但Agent不一樣，同一個基礎Agent，在不同人手裡會被調教出完全不同的邏輯，底層共享，輸出卻千人千面。

真正的壁壘在Harness 層，也就是對 Skills、智能體、約束規則的組合與調度。DeepSeek的最新動作，為這一判斷提供了一個行業註腳。它將 Harness 作為獨立項目開源，核心理念是“一切皆插件”。模型決定了Agent 的基礎能力，而 Harness 決定了它能調用什麼工具、遵循什麼規則、以什麼方式完成任務。PandaAI正在金融場景裡搭建這樣一套垂直Harness，把金融數據、Quantskills、Agent、研究流程與約束規則組織在一起。“我們不怕抄襲，因為抄襲的速度，比不上大模型迭代的速度。”因子大賽是另一條線索。第三屆報名人數超過1.

2萬人次，累計提交因子超過 8000個。在這些上萬名報名者中，真正出圈的是幾個完全非科班出身的人。一位 40 歲的開發老兵，通過在PandaAI平臺上持續學習與實操入門量化，拿下了第三屆因子大賽IC榜冠軍；一位普通雙非的工科研究生，靠AI邁入量化之門，贏得了第二屆因子收益率榜冠軍。他們和機構專業選手的差距，遠比想象中小。這些賽事，不只是用戶增長的渠道，更是為了驗證產品能力，發現優秀研究者，沉澱因子與策略工作流做的積累。在李昱琦的設想裡，未來真正決定競爭力的，不再只是單個因子的有效性，而是誰能構建出持續學習、自主規劃、協同工作的 Agent 系統。

真正值錢的那一層能力PandaAI的技術架構由四層構成。第一層是數據底座，整合海內外行情、財務及宏觀數據。第二層是模型與專業能力，以自研的 CQ2 為核心，同時接入 DeepSeek、豆包等外部大模型，核心是把通用模型調教成能理解金融語義的專業能力。第三層是Agent工程與協作系統，通過 ADE（Agent Development Environment） 和 A2A 架構，把模型、數據、工具組織成可編排的交易智能體，Qube、EVO、OS 本質上就是這一層的封裝。第四層是交易連接，期貨櫃臺已全部打通，期貨實盤客戶端也已於6月正式上線。

“模型和數據可以買，但如何把它們編排成能跑通完整交易流程的智能體，是 know-how，無法直接複製。這也是PandaAI 認為真正值錢的一層。”李昱琦向創投家表示。和傳統的量化平臺相比，PandaAI想做的不是簡單串聯起量化交易的全流程，而是改變這條決策鏈路由誰推動，過去主要由人寫代碼、調用工具、分析結果；現在，Agent 開始參與任務拆解、工具調用和研究迭代。但架構搭起來，只能說明產品可以運行。Agent能不能真正做好交易研究，還需要進一步驗證。

PandaAI連續發表CQ2、A2A Self-Evolution、AlphaSchema 等前沿論文，將方法和實驗公開出來，這對於一家剛成立兩年的公司，並不常見。CQ2 探索神經符號 LLM Agent 如何真正進入量化研究流程，讓 AI 從理解金融知識進一步走向因子構建與研究驗證；A2A Self-Evolution 關注Agora 因子與因子評價體系共同自進化的A2A架構；AlphaSchema 則試圖用結構化交易語義框架拓展 Alpha 的探索空間。三篇論文層層推進，指向同一個問題，如何讓 AI 從“會做研究”，進一步走向“AI如何真正理解交易“。

李昱琦給的第一重答案是共識，參照系是同花順，它是在圖表交易成為共識之後，才被廣泛使用的。當下 AI 交易沒有共識的方法論，發論文，就是給這個尚不存在的共識畫一張施工圖；第二重是生態。產品不是被提前預設的，而是要跟生態一起成長；第三重是人。論文是最硬的招募廣告，PandaAI 很多核心開發，就來自最早探索 AI 交易的那批社區用戶，後來從使用者、共建者變成了團隊成員。商業設計上，李昱琦認為，做B端交付可以積累經驗語料和落地場景，機構的需求最複雜、數據最真實，做過這些項目，產品能力才能沉澱下來。做完B端，再做C端，是順其自然的事情。

可是，他更愛C端用戶，“PandaAI 想成為‘量化領域的 Claude code’，不靠賣 API 給機構，而是直接服務每一個想用 AI 做交易的個體。”C端用戶集中在95後到05後，以AI Native為主，這批人不需要被教育什麼是 Agent，他們天然習慣用 AI 完成工作。目前，PandaAI海外版TQX兩萬註冊用戶，相當一部分來自東南亞和中東，這些市場沒有成熟的量化基礎設施，反而對AI原生交易工具的接受度更高。李昱琦不想只用平權來定義PandaAI。在他看來，AI 真正帶來的變化，是讓普通個體與專業機構之間原本巨大的研究能力差距開始縮小。

過去只有專業團隊能夠使用的數據、研究方法和量化工具，正在被 AI 轉化為普通人也可以調用的研究能力。它提升的不是賺錢的確定性，而是一個人理解市場、驗證判斷和構建策略的能力。相比過去單純提高生產效率，AI 更重要的價值，是在提升人的思考能力。（本文首發APP，文 | 智客Zhiker，作者｜郭虹妘，編輯｜楊林）