杰富瑞基于 AWS Bedrock 构建交易台 AI 助手

全球投行杰富瑞（Jefferies）在 AWS 平台上构建了一套面向股票交易前台的智能体（agentic AI）交易助手。该系统基于 Strands Agents 框架与 Anthropic Claude 大模型，让交易员通过自然语言即可实时查询交易数据、市场持仓与历史趋势，绕开传统 IT 流程和编码门槛。整套方案使用了 Amazon Bedrock、Amazon Bedrock Knowledge Bases、Model Context Protocol（MCP）等组件，目前已在杰富瑞的股票交易台投入实际运行。

业务背景与核心挑战

股票交易前台需要在极短时间内洞察客户行为、交易模式与市场趋势，但交易员往往既没有时间也没有编码能力去搭建并维护分析系统。数据散落在多个可视化工具中，传统的做法是依赖业务专家分析、协同 IT 团队定制仪表盘，整个流程常常耗费数天乃至数周。杰富瑞因此决定引入智能体 AI，把实时数据分析能力直接交还给交易员，同时不牺牲数据准确性和合规要求。

技术栈与组件

整套方案建立在 Strands Agents——一个用于构建可推理、可规划、可调用基础模型与外部工具的 AI 智能体的开发框架之上，关键技术组件包括：

基础模型层：通过 Amazon Bedrock 调用 Anthropic Claude，负责理解自然语言意图、生成对应 SQL 并驱动多步骤工具调度；团队同时看重 Bedrock 切换底层模型的灵活性，以便随业务演进替换或对比不同 LLM。
RAG 检索层：使用 Amazon Bedrock Knowledge Bases，结合 Amazon Titan Embeddings 做语义检索，将数据库表结构、列定义与查询模式作为上下文提供给智能体，从而生成更准确的 SQL。
数据连接层：通过 Model Context Protocol（MCP）这一开放标准，把智能体安全地连接到交易数据仓库、Financial Information Exchange（FIX）报文文件、内存数据库等异构数据源。
安全合规层：Amazon Bedrock Guardrails 提供内容审核与 PII 过滤，配合行级数据权限控制与对话日志审计，满足金融监管要求。

八步工作流

从交易员在杰富瑞内部 BI 系统 Global Flow Monitor（GFM）登录开始，请求按以下顺序流转：

UI Widget：交易员在前端界面看到一个嵌入式 AI 助手入口，输入自然语言问题。
认证服务：基于 Amazon EKS 部署，验证只有授权交易员才能访问敏感交易数据。
Bot 服务：构建并管理用户会话，维持多轮对话的上下文。
Query Agent（Strands）：先从 Bedrock Knowledge Bases 检索相关 schema 与表关系，再由 Claude Sonnet 推理生成语法正确的 SQL，最后选定合适的 MCP 工具执行。
Amazon Bedrock：为智能体提供 LLM 调度能力，同时保留按需切换底层模型的灵活性。
Bedrock Knowledge Bases：托管 RAG 管道，存储数据模型元数据的嵌入表示。
Query Executor：拦截用户请求、注入 SQL 过滤实现行级安全；由 LLM 决定可视化方式，并通过 Markdown UI 库渲染。
Data Stores：底层数据存储，覆盖实时持仓、历史时序数据等多种来源。

关键能力与业务价值

交易员无需编码即可获得实时分析结果，把原本需要数天的取数流程压缩到分钟级。
助手保留会话上下文，可围绕同一主题逐层追问、做下钻分析。
通过 MCP 把数据源抽象为「工具」，新增分析维度只需扩展工具集合，而无需改动智能体本身。
行级权限 + 审计日志 + Guardrails 三重机制，保障客户敏感数据不被越权访问。

经验与启示

杰富瑞团队在实践中强调三点：第一，选择托管的 Bedrock 服务而非自建推理集群，便于在不同 LLM 之间横向对比、按需切换；第二，把数据 schema 与查询模式纳入 RAG 知识库，可以显著提升 SQL 生成的准确率；第三，通过 MCP 把数据源与执行细节封装成工具，让智能体的「推理」与「执行」解耦，既便于维护，也便于安全审计。这些做法对其他考虑在生产环境部署 agentic AI 的金融机构具有参考意义。