融中快讯：AI交易基础设施公司PandaAI连续完成三轮融资 累计金额数千万元

近日，AI交易基础设施公司PandaAI宣布，已连续完成种子轮、天使轮及天使+轮三轮融资，累计融资金额达数千万元人民币，天使轮及天使+轮由L2F光源创业者基金领投。

三轮融资将主要用于AI交易大模型、专业QuantSkills、多智能体协作基础设施及交易Agent开发环境的持续研发，加快PandaAI OS、ADE和A2A技术体系建设；同时进一步拓展全球用户市场，推动AI交易能力在个人交易者、专业投资团队及金融机构中的规模化落地。

从人类决策到智能体协同

过去数年，人工智能在金融领域的应用，主要集中在研报检索、信息提取、代码生成、行情解读和运营提效等单点环节。

这些应用提升了局部效率，但并未改变交易研究的基本组织方式。数据、因子、策略、回测、风控与交易执行仍分散在不同工具和系统中，研究过程高度依赖个人经验，策略逻辑难以复用，失败结果也很少被系统性沉淀。

随着大模型、专业Skills和多智能体技术逐步成熟，AI交易正在进入新的阶段。

下一代AI交易系统的核心，不再只是回答一个市场问题或生成一段策略代码，而是将交易研究组织成一套可调用、可验证、可追溯、可持续迭代的工作流。

AI能够调用数据和专业工具，理解交易假设，完成因子研究、策略构建、回测验证和风险分析，并在明确授权与风险边界下连接仿真及实盘交易场景。

交易正在从依赖个人经验的判断过程，逐步演变为由人与AI共同完成的智能体协作工作流。

PandaAI所构建的，正是支撑这一变化的新一代AI Trading OS。

让每一个交易判断，都进入可验证的研究闭环

传统量化研究存在较高的进入门槛。

即使用户拥有成熟的市场判断，也常常因为不会编程、缺少专业数据、回测环境复杂或工具彼此割裂，难以将交易想法转化为能够被验证和执行的策略。

PandaAI通过自然语言交互和可视化AI工作流，将“交易想法—因子研究—策略生成—回测验证—风险评估—交易执行”组织在同一套系统中。

用户可以通过自然语言表达市场判断，由系统调用数据、模型、代码、回测、风控和交易工具，将一项模糊的交易想法逐步转化为结构化研究流程。

自然语言只是PandaAI的交互入口，真正的核心在于其背后的Agent工程能力。

在PandaAI的可视化工作流中，复杂的交易研究会被拆解为数据获取、因子构建、代码生成、策略回测、参数调整、风险分析和交易连接等节点。用户可以查看每一步使用了什么数据、经过了什么处理、得出了什么结果，也可以随时调整、替换和复用已有流程。

相比直接由大模型给出一个难以解释的交易结论，这种工作流架构让用户能够理解结论如何形成，及时发现数据、代码或策略中的问题，并在持续验证中优化交易逻辑，为降低模型幻觉和黑箱风险提供更可靠的路径。

PandaAI希望让交易者获得的，不只是一个能够回答问题的AI助手，而是一套能够与其共同研究市场、验证判断并持续沉淀交易经验的AI交易系统。

从单体智能到群体智能：A2A正在重构交易研究

真实交易并不是一个单一任务。一次完整的交易研究，通常需要经历数据获取、市场分析、交易信号形成、策略回测、组合与仓位管理、风险检查、订单执行及交易后复盘等多个环节。

依赖单一模型完成所有工作，很难同时兼顾专业深度、过程稳定性与结果可解释性。因此，PandaAI已经构建了面向AI交易场景的A2A多智能体infra——PandaAI EVO。不同Agent分别承担数据处理、因子研究、策略生成、回测分析、风险评估和交易执行等任务，并通过统一工作流协同完成研究。

例如，一个Agent提出交易假设后，其他Agent可以调用历史数据进行验证；策略形成后，回测和风控Agent会进一步检查收益表现、极端行情下的稳定性和潜在风险，再根据结果进行调整和优化。

这种Agent-to-Agent协作，让AI交易不再只是由单一模型回答问题，而是像一支专业团队一样，通过分工、验证和反馈，共同完成完整的交易研究。

PandaAI所研究的Agent Evolution，也并非让AI在缺少约束的情况下自主交易，而是让Agent在明确的数据范围、工具权限、风险规则和人工授权下，根据回测结果、市场变化和执行反馈不断修正研究路径。

当这种反馈持续发生，系统积累的就不再只是行情数据，还包括交易研究过程中产生的工作流数据：用户如何提出假设、哪些因子被采用或放弃、参数如何调整、策略为何失效，以及仿真和实盘结果如何反向影响研究逻辑。

这些围绕真实交易流程产生的数据，将成为AI交易系统持续进化的重要基础。

AI Trading OS：让数据、模型与Agent进入交易闭环

围绕不同用户的交易研究方式，PandaAI已形成OS、ADE、QUBE和A2A等核心产品，并由QuantSkills提供统一的专业能力支持，覆盖一站式研究、自然语言策略开发、深度投研及多智能体协作等不同需求。

围绕AI交易工作流，PandaAI已经形成由四个层次构成的产品与技术架构。

第一层是数据与研究底座。

平台整合海内外多个市场的行情、财务及宏观特色数据，为市场研究、策略验证和Agent调用提供基础支持。

第二层是模型与专业能力。

以PandaAI自研的CQ、TQ模型为核心，同时支持接入外部通用大模型，结合金融数据和专业工具，帮助用户完成需求理解、代码生成、因子挖掘、策略分析和研究解释。

第三层是Agent工程与协作系统。

平台将模型、数据和工具组织成可调用、可编排、可协作的交易智能体，并通过ADE开发环境和A2A架构，支持多个Agent共同完成数据分析、策略研究、回测和风控任务。

第四层是交易连接。

通过券商、期货公司及交易系统接口，在用户授权和风控规则下连接仿真及实盘交易场景，形成从交易想法、策略验证到执行反馈的完整闭环。

这一架构使PandaAI能够同时服务个人量化研究者、专业交易团队和金融机构，并逐步将AI能力嵌入真实的投研和交易流程。

研究不是终点，真实市场才是答案

PandaAI创始人兼CEO李昱琦长期关注AI如何理解市场、验证交易逻辑，并在不断变化的环境中持续学习。

围绕这一方向，PandaAI团队已经发布两篇AI交易领域研究论文。

其中一项研究聚焦如何让AI同时理解市场变化、交易规则与风险约束，将交易想法逐步转化为可验证、可执行的研究方案；另一项研究进一步探索Agent-to-Agent Self-Evolution，即多个AI智能体如何通过持续协作、交叉验证与反馈学习，形成更加适应真实市场环境的交易认知。

两篇论文并未停留在理论研究阶段。PandaAI团队正将其中关于量化专用模型、多智能体协作、因子挖掘和自适应进化的方法，逐步应用到CQ模型、ADE开发环境、A2A架构及AI工作流中，让研究成果真正进入用户可使用、机构可接入的产品体系。

李昱琦认为，AI交易的发展不会停留在行情问答、代码生成或单点分析。其演进路径将从完成单一任务，逐步走向参与标准化研究流程、管理复杂交易工作流、持续迭代策略逻辑，并在明确授权和风险约束下承接更加完整的研究与执行任务。

PandaAI希望推动AI交易从“模型能力竞争”进入“系统能力竞争”：决定产品价值的不只是模型参数，而是谁能够更好地组织数据、模型、工具、Agent、风险规则和交易反馈。

从10万用户出发，构建AI Trading生态飞轮

截至目前，PandaAI已经积累海内外超过10万名用户，并与多家券商、期货公司、基金及专业金融机构推进AI交易能力的产业化合作。

在个人用户场景中，PandaAI帮助研究者和交易者完成数据分析、因子挖掘、策略生成、回测验证和交易复盘，降低搭建完整量化研究环境的技术门槛。

在专业交易场景中，成熟交易员和研究团队可以将自身的研究框架、交易逻辑和专业经验，沉淀为可调用、可复用的Agent与QuantSkills，使个人经验逐步转化为团队能够持续积累的系统能力。

在机构场景中，PandaAI可以与金融机构既有的数据、投研、风控及交易系统结合，提供AI交易模型、可视化工作流、多智能体协作、数据服务和私有化部署能力，推动AI从外围效率工具进入真实业务流程。

围绕AI交易人才和开发者生态，PandaAI还持续举办因子大赛、高校Workshop、量化黑客松及全球AI交易赛事。其中，第三届因子大赛报名人数超过1.2万人次，累计提交因子超过8000个。

这些赛事不仅是用户增长渠道，也构成了PandaAI验证产品能力、发现优秀研究者、沉淀因子与策略工作流的重要场景。

当市场认知、前沿研究与金融工程汇聚于同一支团队

PandaAI并不是一支只研究模型的AI团队，也不是一家单纯依赖交易经验的金融科技公司。

创始人兼CEO李昱琦兼具交易实践、量化研究与AI产品经验，长期探索人工智能如何形成可验证的市场认知，并负责推动AI交易方向研究与产品定义。

联合创始人兼CTO刘炳君曾任恒生电子、埃森哲系统架构师，并参与中国首个线上证券开户系统的核心开发，拥有金融系统架构、交易基础设施和大型工程落地经验，负责将研究成果转化为稳定、可落地的金融产品和系统。

团队核心成员覆盖量化研究、人工智能、金融数据、交易系统和产品工程等方向，形成了从论文研究、模型研发，到产品交付和真实交易场景应用的完整闭环。论文提出方法，模型验证能力，工程系统完成落地，真实市场检验结果。

PandaAI联合创始人兼CTO刘炳君表示：“未来，AI将重新定义人们理解市场和参与交易的方式。PandaAI希望让用户直接表达交易想法，由AI协助完成研究、验证、风控与执行。我们要做的，不只是生成下一段策略代码，而是构建人与AI共同研究市场、验证判断并持续进化的新一代交易方式。”