26岁离开10亿私募，一个交易天才与他的AI Trading创业｜独家对话

PandaAI创始人 李昱琦 哥伦比亚大学金融工程本硕，某实盘期货大赛最年轻盘王，曾是管理规模超10亿的量化私募合伙人。当这些标签同时落在出生于1999年的李昱琦身上时，他似乎被定义为一位天选量化交易人，未来的发展路径也是确定的。 可是，2024年的时候，他决定跳出来。 “随着大模型能力的逐渐提升，量化交易行业的认知叙事会慢慢被消磨掉。当时就在想，还要不要继续留在这个行业。”李昱琦认为，量化交易行业本质上是一个靠资金积累、招揽人才、叠加物理壁垒，最终累积起来的认知叙事。独家数据源、低延迟交易通道、百人研究团队，这些壁垒构筑了机构的围墙，也定义了普通人与量化交易人才之间的距离。 另一个推动力来自一个观察：Cursor出来之后，编程效率提升了数倍，但做不好量化研究的人依旧做不好，瓶颈不在编程效率，而在思考力和判断力的边界。工具在变强，人的研究能力却没有随之线性提升。 于是，他想做一款AI交易产品，它会随大模型能力而不断进化。PandaAI由此诞生，用AI Agent帮人完成从因子研究到实盘交易的全链路。 如今这家公司七十余人，海内外用户超10万，举办了三届因子大赛累计3万人参与。近日，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。 在小红书上搜索AI交易，高赞笔记仍是骗子、割韭菜的新话术。评论区里有人晒亏损截图，有人质问“真有这么好你自己不用”。这道认知裂痕，也是理解PandaAI的起点。 没有共识，所以有机会 不信任的根源，不在于谁入场，而在于大众对于AI交易的概念并未形成共识。 根据李昱琦观察，大众对于AI交易的认识仍旧停留在AI帮你操盘、做投资决策、告诉你哪一款产品 值得买 ，这一类的AI荐股领域，外加上市面上流行的AI交易产品，大多是大模型加一些简单的金融公式，背后甚至是人在操作。大众的认知与真实的AI交易之间存在一道鸿沟。 AI交易的定义是什么？它的边界在哪里？ 李昱琦的回答是：目前的AI交易只是停留在研究层面，比如回测、数据分析、建模、基本面分析、事件驱动、舆情等等。市面上所谓的AI交易，只不过是把研究成果转化成交易记录而已。 在对 AI 交易未来发展的探讨中，他将其演进路径概括为L0到L4五个阶段。L0 完全依赖人工；L1是AI辅助，人仍然是主体；L2是单智能体闭环，实习生复现研报就属于这个层级；L3是真正的质变，多智能体协同（Agent-to-Agent），自主规划、相互制衡、持续迭代，能积累经验，也能根据实时市场学会新经验、调整自己的 harness；L4则意味着AI完成公开市场中的标准化研究与交易，人类只做风控和资金出入管理。 AI 交易 L0-L4：从执行力到独立思考力的完整进化路线 “当下的 AI 交易才刚刚走到L3的初期。走到L4，可能只需要1-2年，但真正的挑战不是技术，而是人们对于AI交易的信任。”李昱琦说道。 AI交易的演化将会带来资管行业的重塑。 重塑首先发生在投资流程上，瓶颈从“人力够不够”变成了“Agent 编得好不好”。决策机制从基金经理拍板，变成了多个 Agent 辩论与制衡，人的工作从“做决策”变成“审决策”。 AI 真正提高的不是交易效率，而是人的思考力与判断力。思考和判断是通用的，它可以被嵌进任何一套方法论里。人们可以用它蒸馏别人的策略，也可以用它蒸馏自己、进化自己。 李昱琦判断，交易行业是 AGI 无法绕行的必经之路。来源于公开数据的博弈，可能都会被Agent所取代，因为它面对的不是稳定态的物理规律，不像AI for Science 那样靠大量轮询就能跑出确定性结果。交易需要实时决策和动态博弈，需要面对市场不确定的分布。在这样的市场下面，对Agent能力的提升，可能比其他场景要重要得多。 竞争格局的重塑则更为深远，原来没有量化机构研究能力的一群人，也可以拥有量化机构的研究能力，大家的差距可能只剩下认知判断力。 从写代码，到管一支交易Agent团队 李昱琦认为：“真正的通用人工智能，从来不是一座堆砌静态知识的图书馆，而是一套在开放复杂系统中，持续自适应、持续决策、持续生存、持续创造的高阶生命式智能。它的核心能力，不在于熟记既定规律，而在于面对无固定规则、持续迭代演化、零和博弈竞争的真实世界，能够自主迭代、破局创新、长期存续。” 这个想法也反映在PandaAI的产品设计上，三条产品线，构成一级级向上的阶梯，从帮人写代码，到帮人做研究，再到帮人管一支Agent团队。 Qube面向入门用户。过去一个交易想法要变成可验证的策略，需要在数据、 代码、回测之间反复折腾；现在，用户只要用一句话说出想法，AI 就会把它拆解成数据获取、因子构建、回测等一个个节点，可查看、可调整、可复用。 Qube本质是一个可组合多种Skills的智能Agent，通过不断接入新的 Skills，持续扩展投研与任务执行能力，帮人把想法跑通。 但Agent 解决不了思考力的提升。于是有了EVO，业内有人把它称作“量化界的 Claude Code”。这是一款面向专业研究者的 AI 原生量化工作台，用户从研报或交易想法出发，在 AI 协作下完成因子构建、回测、风险检验和版本迭代，研究过程沉淀为可复用的资产。 再往上，是即将上线的OS。按照 A2A（Agent-to-Agent）架构，未来一个人可以同时使用多个Agent，一个负责因子迭代，一个负责组合优化，一个负责数据搜集。Agent与Agent之间的协作，让 AI 交易不再是单一模型回答问题，而像一支专业团队那样，通过分工、验证和反馈，共同完成一整条交易研究。 但OS的核心，不是让 AI 自主交易。李昱琦强调，Agent 要在明确的数据范围、工具权限、风险规则和人工授权下运行，根据回测结果和市场变化不断修正研究路径。 他更看重的是，持续积累的工作流运行数量，能够让越来越多的人和 Agent 在这套基础设施上共同探索，让新AI交易方法论持续涌现。在这个过程中，人依然是AI交易方法论中不可替代的一环。也因此，PandaAI持续搭建新一代AI交易者生态，让更多交易者能够真正参与到人与 Agent 协同创造交易方法的过程中。 为了搭起这个生态，PandaAI 做了两件事：开源、举办因子大赛。2026年6月，PandaAI 开源了首批 QuantSkills 量化能力库与 Agent 集群。 外界质疑，开源了还怎么赚钱？ 李昱琦的回答指向一条铁律：任何公开的因子公式，随着使用者增多都会陷入拥挤，超额收益随之消失。但Agent不一样，同一个基础Agent，在不同人手里会被调教出完全不同的逻辑，底层共享，输出却千人千面。真正的壁垒在Harness 层，也就是对 Skills、智能体、约束规则的组合与调度。 DeepSeek的最新动作，为这一判断提供了一个行业注脚。它将 Harness 作为独立项目开源，核心理念是“一切皆插件”。模型决定了Agent 的基础能力，而 Harness 决定了它能调用什么工具、遵循什么规则、以什么方式完成任务。PandaAI正在金融场景里搭建这样一套垂直Harness，把金融数据、Quantskills、Agent、研究流程与约束规则组织在一起。“我们不怕抄袭，因为抄袭的速度，比不上大模型迭代的速