Kando AI完成数千万元种子轮融资，要做“决策领域的Cursor”
Kando AI：从信息数字化到决策自进化，打造下一代认知基础设施
在信息过载的时代，如何让决策背后的认知模式被系统性地沉淀并持续进化？2026年，两位活跃的二级市场投资者——北大计算机博士吴秉哲与清华大学本科、港大金融硕士毛书翰，共同创立了Kando AI，试图用AI弥合“信息”与“决策”之间的鸿沟。
一、背景与创始团队：从高频决策到数字化认知
吴秉哲（Kando AI创始人/首席科学家）每天至少复盘一次自己的投资决策。作为北大计算机博士、前腾讯AI Lab可信AI负责人，他发现：尽管复盘习惯持续多年，但大部分认知沉淀停留在人脑中，从未被系统性地数字化。
毛书翰（Kando AI联合创始人/CEO）同样是高频决策者，曾任职国内头部投行多年，并参与创立具身智能公司，入选2025年福布斯30 Under 30。两人都意识到，决策背后的认知模式——经验、直觉、判断习惯——是未被数字化的宝贵资产。
《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。
二、愿景与定位：信息→决策→反馈的闭环
Kando AI想做的不是又一个信息整理工具，而是推动“决策自进化”。CEO毛书翰表示：“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，金融领域的同花顺、万得，科研领域的论文数据库和文献管理工具，解决的都只是“信息层”问题：搜集、整理、存储、检索、总结。但信息整理完成后，并不会自动变成有价值的判断。真正关键的一步——形成判断、建立“盘感”、积累审美和直觉——始终发生在人脑中，无法被数字化。
毛书翰认为，信息和行动之间缺少一座桥梁。AI第一次让这座桥有可能被搭起来。
Kando AI与大部分AI工具的最大区别在于：很多AI产品仍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优化的是
决策采纳率+事后可靠性
毛书翰将Kando的定位类比为“决策领域的Cursor”。2022年AI Coding工具刚出现时，代码采纳率几乎为零；如今Cursor的采纳率已达60%-70%。Kando的目标是让AI在决策场景达到类似的采纳率。
三、核心技术特点：记忆系统与广义后训练
Kando AI的产品形态是一个面向高价值决策场景的工作台，但核心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。
1. 记忆系统：不只是知识库，而是认知结构
Kando AI的核心能力之一是“记忆”。但这种记忆不同于普通知识库或常见的RAG检索。传统RAG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——系统记住的不仅是用户看过什么，更是用户如何理解问题、偏好、过去如何修正判断。更像是一种Harness（认知框架）。
“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。”团队表示。
2. 决策轨迹闭环：判断—行动—反馈—更新
以科研场景为例，产品会形成预判，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，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。上一轮决策的结果，会改变系统下一轮如何召回信息、组织推理和生成建议，形成递归闭环。
3. 广义后训练：从参数优化到上下文、交互、记忆
吴秉哲将Kando AI做的事情定义为“广义的后训练”。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
- 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Kando AI从基础设施层就选择自研的原因。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。沉淀的不是一层产品功能，而是一整套围绕真实决策过程持续增长的数据飞轮。
