文｜邓咏仪

编辑｜张雨忻

吴秉哲每天至少复盘一次。

作为北大计算机博士，他同时也是一个高频的投资者。每天盘后，他会回顾当天的判断——哪些预案执行了，哪些被盘面的新信息打乱了，哪些潜意识的决策事后被验证是对的。

这个习惯持续了很多年。但有一个问题是，大部分复盘都没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。他和 Kando AI CEO 毛书翰同为活跃的二级市场投资者。两个人的共性是，都在高频地做不确定性环境下的决策，而且也意识到，这些决策背后的认知模式，从未被数字化。

2026 年 6 月，两人正式创立了 Kando AI，希望让 AI 从真实决策及其结果中持续学习，构建下一代自进化决策系统。

《智能涌现》获悉，Kando AI 已完成数千万元种子轮融资，星连资本领投，力合金控跟投，知名产业方参与投资。Kando 团队目前约有 10 人，团队来自腾讯、字节、美团、华泰证券等国内头部机构。创始人 / 首席科学家吴秉哲毕业于北大数学系本科，并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、前腾讯 AI Lab 可信 AI 负责人；联合创始人 /CEO 毛书翰为连续创业者，本科毕业于清华大学，硕士毕业于港大金融学，曾任职于国内头部投行多年，并曾参与创立具身智能公司，获 2025 年福布斯 30 Under 30。

从信息数字化，到决策 AI 化

Kando AI 想做的，不只是一个工具，而是让认知持续进化的环境。如果用一句话概括 Kando AI 在做什么，CEO 毛书翰的表达是：" 互联网 / 移动互联网时代，我们完成了信息数字化；AI 时代，我们想推动的是决策自进化。"

过去二十年，无论是金融领域的同花顺、万得，还是科研场景中的论文数据库、文献管理工具和知识平台，解决的本质上都是 " 信息层 " 的问题：帮你搜集、整理、存储、检索、总结。但整理完的信息，放在那里，并不天然会变成一个有价值的判断。

无论是投资、科研，还是其他高价值决策场景，真正关键的那一步，往往发生在人脑里。研究员在海量材料中形成判断，二级投资人在复杂市场噪声中建立 " 盘感 "，科研工作者在长期积累中形成对一个方向的审美、直觉和取舍……这些东西都很难被直接表达，更无法被简单地数字化。

毛书翰认为，这里面一直缺一座桥梁。

" 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。"

这也是 Kando AI 和大部分 AI 工具的最大区别：很多 AI 产品仍然停留在 " 优化输出质量 " ——让总结更完整、检索更快、写作更流畅；而 Kando AI 想优化的是另一件事：决策采纳率 + 事后可靠性，即 AI 给出的建议，用户到底会不会真正采纳，它是否真的进入了用户的研究、判断和行动过程。

毛书翰表示，Kando 的定位是做决策领域的 Cursor。

2022 年 AI Coding 工具刚出来时，代码采纳率几乎为零。到今天，Cursor 的采纳率已经到 60%-70%。

选金融作为验证场景之一，是因为这个场景从信息维度看，是最结构化的领域之一。毛书翰表示，金融领域的反馈清晰度、反馈周期（天 / 周级）、可审计性、决策价值等等维度上，金融场景的综合评分是最高的，成为建立自进化决策引擎的最佳领域之一。

把产品变成一场持续的后训练

Kando AI 的产品形态，是一个面向高价值决策场景的工作台。但在团队看来，工作台只是产品入口，它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 的一个核心能力，是 " 记忆 "。但 Kando AI 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。

传统 RAG 更偏向语义相似度匹配，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——系统记住的，不只是用户看过什么，更是用户如何理解问题、偏好、过去是如何修正判断的，更像是一种 Harness。

" 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伙伴。"

以科研场景为例，产品会形成预判，并由用户决定采纳、修改、否决或纳入追踪。结果发生后，系统会重新回到最初的假设，分析哪些判断被验证、哪些变量发生变化，以及错误来自信息缺失、推理偏差还是执行问题。

这些决策轨迹不会停留在聊天记录里。用户的采纳、修改和否决，预期与结果之间的差异，以及事后的复盘和归因，会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、Skill 调度和模型适配层。

这意味着，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，形成 " 判断—行动—反馈—更新 " 的递归闭环。

在 Kando AI 看来，这代表着 AI 产品的一次重要变化：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积累的经验决定。

吴秉哲把他们做的事情定义为一种 " 广义的后训练 "。

在传统意义上，后训练更多是调整模型参数；但在 Kando AI 看来，真正需要持续优化的远不止参数本身，还包括记忆如何存储、如何精细召回、如何遗忘，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。

" 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。" 吴秉哲说。

这也是为什么 Kando AI 从 Infra 层就选择自研。吴秉哲表示，因为 Kando AI 希望所有训练链路、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。

在商业化上，Kando AI 选择先从高价值、高频决策用户切入。当前的种子用户主要集中在专业用户群体，包括投资人、科研工作者等。

Kando AI 现已上线内测。围绕用户持续使用、持续记忆和反馈提供服务，领域包括金融、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 不是只做一个工具，而是在那些没有标准答案、却最值得被放大的领域里，把‘信息→决策→反馈’的闭环真正打通。" 吴秉哲说。

这可能是对 Kando AI 最准确的一句定位：Kando AI 希望最终构建的，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，而是进入真实工作流，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，突破传统 AI 工具一次性回答的边界，形成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。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，让个人与组织最宝贵的判断力得以沉淀、校准和复用。

图片来源｜AI 生成

欢迎交流

本文来自微信公众号" 智能涌现 "，作者：邓咏仪，36 氪经授权发布。