Kando AI：构建决策智能的持续进化基础设施

每天盘后，吴秉哲都会花至少半小时复盘当日的投资判断：哪些预案按计划执行，哪些被突发市场信息打乱，哪些潜意识里的决策事后被验证正确。作为北大计算机博士，同时也是高频二级市场投资者，这个习惯他已经坚持了很多年，但一直有个困扰：绝大多数复盘都只是停留在脑海里，没有被系统性沉淀下来。

“我们的认知本身就是最珍贵的资产，但现在这些经验都锁在人脑里。”吴秉哲和Kando AI的CEO毛书翰都有类似的感受。两人都是活跃的二级市场投资者，每天都在高度不确定的环境里做高频决策，同时也意识到，支撑这些决策的认知模式，从未被真正数字化留存和迭代。

2026年6月，吴秉哲和毛书翰正式创立了Kando AI，目标是让AI从真实的决策过程和结果中持续学习，构建下一代能够自我进化的决策系统。

据行业观察获悉，Kando AI近期已完成数千万元种子轮融资，由星连资本领投，力合金控跟投，多家知名产业方也参与了本轮投资。团队目前约有10人，核心成员来自腾讯、字节跳动、美团、华泰证券等国内头部机构。

创始人兼首席科学家吴秉哲毕业于北京大学数学系本科，后取得计算机博士学位，曾是苹果博士奖学金大陆首位获得者，此前担任腾讯AI Lab可信AI负责人；联合创始人兼CEO毛书翰是连续创业者，本科毕业于清华大学，硕士就读于香港大学金融学专业，曾在国内头部投行任职多年，还参与创立过具身智能公司，并入选2025年福布斯30 Under 30榜单。

从信息数字化到决策AI化

Kando AI想要打造的不只是一个工具，而是一个能够让认知持续进化的环境。用毛书翰的话来说：“互联网和移动互联网时代，我们完成了信息的数字化；而到了AI时代，我们想要推动的是决策的自进化。”

过去二十年间，无论是金融领域的信息服务工具，还是科研场景的文献管理平台，本质上都只解决了“信息层”的问题：帮助用户搜集、整理、存储、检索和总结信息。但整理完成的信息并不会自动转化为有价值的判断，真正的决策关键依然发生在人的大脑中。

不管是投资研究、科学探索还是其他高价值决策场景，研究员在海量材料中形成的判断、投资者在市场噪声中建立的盘感、科研工作者在长期积累中形成的研究审美和取舍逻辑，这些都很难被直接表达，更无法被简单数字化留存。

毛书翰认为，行业一直缺少一座连接信息和行动的桥梁。“信息和行动之间并不是自动连通的，最关键的中间环节是决策。但人的大脑、经验、潜意识、审美和判断习惯，过去一直无法被系统性沉淀下来。而AI的发展，让搭建这座桥梁第一次成为可能。”

这也是Kando AI和绝大多数现有AI工具的核心区别：大部分AI产品仍停留在“优化输出质量”的层面，比如让总结更完整、检索更快速、写作更流畅；但Kando AI想要优化的是另一个维度：决策采纳率和事后可靠性——也就是AI给出的建议，用户是否会真正采纳，是否真的能融入用户的研究、判断和行动流程中。

毛书翰将Kando的定位描述为“决策领域的Cursor”。2022年AI编程工具刚出现时，代码采纳率几乎为零，但到今天，Cursor的代码采纳率已经提升到60%-70%，证明了AI辅助工具可以真正融入用户的工作流。

团队选择金融作为首个验证场景，是因为这个领域是信息结构化程度最高的场景之一。毛书翰表示，金融领域在反馈清晰度、反馈周期（天/周级别）、可审计性和决策价值等多个维度的综合评分都是最高的，是搭建自进化决策引擎的最佳场景之一。

把产品变成一场持续的后训练

Kando AI的产品形态是面向高价值决策场景的工作台，但在团队看来，工作台只是产品的入口，真正承载的是一套能够从真实决策中积累经验、验证判断并持续进化的决策系统。

Kando AI的核心能力之一是“记忆”，但它的记忆并不是普通意义上的知识库，也不同于常见的RAG检索系统。传统RAG更偏向于语义相似度匹配，而Kando AI的记忆系统更接近一种面向认知结构的推荐与召回机制：它记住的不只是用户看过什么内容，更是用户如何理解问题、有哪些偏好、过去是如何修正判断的，更像是一套认知框架的“连接器”。

“它会越来越懂你，但更重要的是，它会从你和真实世界的每一次交互中学习。”

以科研场景为例，产品会先形成预判，用户可以选择采纳、修改、否决或者将其纳入追踪范围。当最终结果出现后，系统会回到最初的假设，分析哪些判断被验证正确、哪些变量发生了变化，以及错误究竟来自信息缺失、推理偏差还是执行问题。

这些决策轨迹不会只停留在聊天记录里。用户的采纳、修改和否决操作，预期结果和实际结果之间的差异，以及事后的复盘和归因，都会被整理成新的学习信号，持续更新系统中的长期记忆、任务策略、技能调度和模型适配层。

这就形成了“判断—行动—反馈—更新”的递归闭环：上一轮决策产生的结果，会改变系统下一轮如何召回信息、组织推理和生成建议。

在Kando AI看来，这代表着AI产品的一次重要转型：过去的模型能力主要由训练完成的那一刻决定，而未来的智能边界，将越来越多地由部署之后通过真实交互积累的经验决定。

吴秉哲将团队做的事情定义为“广义的后训练”。传统意义上的后训练更多是调整模型参数，但在Kando AI的理念里，需要持续优化的远不止参数本身，还包括记忆的存储方式、精细召回的逻辑、遗忘机制的设计、产品交互逻辑、技能上下文的动态演化，以及不同用户的反馈如何被组织成有效的学习信号。

“你可以把做产品的过程，看成是一场模型的后训练。只不过以前优化的是参数，现在我们优化的是上下文、交互和记忆。”吴秉哲解释道。

这也是为什么Kando AI从基础设施层就选择自研的原因。团队希望所有的训练链路、反馈链路和记忆链路都尽可能透明、可监测、可回溯。Kando AI沉淀的不只是一层表面的产品功能，而是一整套围绕真实决策过程持续增长的数据飞轮。

在商业化路径上，Kando AI选择先从高价值、高频决策的专业用户群体切入，当前的种子用户主要集中在投资人、科研工作者等人群。目前Kando AI已经开启内测，围绕用户持续使用、持续记忆和反馈提供服务，首批覆盖金融、科研等垂直行业。

在团队看来，未来任何高价值、非标准化、强认知依赖的决策领域，都可能成为这套系统的应用对象。

“Kando AI不只是做一个工具，而是在那些没有标准答案、却最值得被放大价值的领域里，真正打通‘信息→决策→反馈’的闭环。”吴秉哲说。

Kando AI最终想要构建的，是一套能够持续吸收人类经验、理解真实世界反馈，并在一次次决策中不断提升自身能力的决策智能基础设施。

星连资本合伙人李文珏表示：“AI应用的下一阶段，不只是更高效地处理信息，而是要进入真实的工作流，学习专业用户如何判断、行动和修正认知。Kando AI选择金融、科研等高价值决策场景，以个性化记忆和认知建模为底座，将用户的研究过程、采纳与拒绝、事后复盘转化为学习信号，突破了传统AI工具只能提供一次性回答的边界，形成了能够随用户共同进化的决策系统。”

“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的经验，更看重其能够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。如果这一闭环得到验证，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，让个人与组织最宝贵的判断力得以沉淀、校准和复用。”