7 月，决策智能初创 Kando AI 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。团队由前腾讯 AI Lab 可信 AI 负责人吴秉哲与连续创业者毛书翰联合创立，定位为"决策领域的 Cursor"——让 AI 从真实决策及其结果中持续学习，构建自进化决策系统。
过去二十年，同花顺、万得、论文数据库、文献管理工具，解决的都是"信息层"的问题：搜集、整理、存储、检索、总结。但整理完的信息放在那里，并不天然变成一个有价值的判断。
真正关键的那一步——决策——发生在人脑里。研究员在海量材料中形成判断，二级投资人在噪声中建立"盘感"，科研工作者在长期积累中形成对方向的审美与取舍。这些东西很难被直接表达，更无法被简单数字化。
这也是 Kando AI 与大部分 AI 工具的根本区别：
优化输出质量——让总结更完整、检索更快、写作更流畅。
优化决策采纳率 + 事后可靠性——AI 建议是否被真正采纳，是否进入用户的判断和行动过程。
Kando AI 的核心能力是"记忆"。但这不是普通意义上的知识库，也不同于常见的 RAG 检索。
偏向语义相似度匹配——找到与查询最相近的内容片段。
面向认知结构的推荐与召回——记住用户如何理解问题、个人偏好、过去如何修正判断，更接近一种 Harness。
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，系统回到最初假设，分析哪些判断被验证、哪些变量变化、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，预期与结果的差异，事后的复盘和归因，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。
这也是 Kando AI 从 Infra 层就选择自研的原因：团队希望所有训练链路、反馈链路和记忆链路都尽可能透明、可监测、可回溯。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。
选金融作为验证场景，不是偶然。毛书翰的判断是：金融场景在多个维度上的综合评分最高，是建立自进化决策引擎的最佳领域之一。
一个参照系：2022 年 AI Coding 工具刚出来时，代码采纳率几乎为零；到今天，Cursor 的代码采纳率已达 60%–70%。Kando AI 想做的，是在决策领域复刻这条曲线——从"AI 建议没人听"到"AI 建议成为决策的一部分"。
吴秉哲每天至少复盘一次——作为北大计算机博士，他同时是高频投资者。每天盘后回顾当天判断：哪些预案执行了，哪些被新信息打乱，哪些潜意识决策事后被验证是对的。
这个习惯持续了很多年，但大部分复盘从未被系统性地沉淀。"你的认知是一种资产，但现在所有东西都停留在人脑里。"他和毛书翰同为活跃的二级市场投资者，都意识到这些决策背后的认知模式从未被数字化。
团队目前约 10 人，来自腾讯、字节、美团、华泰证券等头部机构。两位创始人的互补性也在此：
北大数学系本科、计算机博士；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。
清华本科、港大金融学硕士；曾任职头部投行多年；连续创业者，曾参与创立具身智能公司；2025 福布斯 30 Under 30。
本文信息主要来自企业融资通稿及创始人单方表述，尚未见第三方独立复测或产品公开基准评测数据。"决策采纳率""自进化"等核心指标目前无量化口径，读者宜将其作为技术路线声明而非已验证能力来理解。
值得留意的信号是：团队选择从 Infra 层自研、强调记忆链路可回溯，说明他们清楚——决策智能的壁垒不在前端交互，而在反馈飞轮能否真正转起来。这条路线如果跑通，意味着 AI 产品的价值评估标准，可能从"单次回答质量"转向"随用户使用时长持续增长的能力曲线"。
Kando AI 现已上线内测，面向金融、科研等垂直领域的专业用户。当前为种子用户阶段，可通过团队公开渠道申请。
邀请制内测 · 申请需联系团队