Jefferies 用 AI 交易助手优化投行前台操作：基于 Amazon Bedrock 与 Strands Agents 的实践
Jefferies 在 AWS 上构建了 AI 交易助手，利用 Strands Agents、Amazon Bedrock 和 MCP 协议，让交易员通过自然语言查询实时数据，无需编码。本文详解架构、技术选型与业务影响，对金融 AI 落地有参考价值。
一句话看懂
Jefferies 用 Strands Agents + Amazon Bedrock 构建的 AI 交易助手，让投行交易员通过自然语言对话实时分析数据，无需写代码或等 IT 排期。
详细发生了什么
Jefferies 是一家全球性投资银行，其股票交易前台面临典型痛点：交易员需要从海量数据中获取客户行为、交易模式和市场趋势的实时洞察，但白天没时间、也没编程能力去搭建分析系统。传统做法依赖专家分析和 IT 定制仪表盘，流程耗时数天甚至数周。
为解决这一问题，Jefferies 在 AWS 上构建了一个 AI 交易助手。核心是 Strands Agents（一个开源 agent harness SDK），结合 Amazon Bedrock 调用 Anthropic Claude 模型，并通过 Model Context Protocol (MCP) 连接多个数据源，包括交易数据库、FIX 消息文件和内存数据库。
工作流程：交易员在 Jefferies 自有的 Global Flow Monitor (GFM) 系统中通过 AI 小部件提问 → 认证服务验证身份 → Bot 服务管理会话 → Query Agent (Strands) 先从 Amazon Bedrock Knowledge Bases 检索数据库 schema 和查询模式 → Claude Sonnet 生成 SQL → 通过 MCP 工具选择合适的数据源执行查询 → 结果以可视化形式返回。整个过程支持多轮对话和上下文保持。
安全方面使用了 Amazon Bedrock Guardrails 进行内容审核和 PII 过滤，并实现了行级数据权限控制。
中文圈视角
这个案例对国内金融行业有直接参考意义。
1. 技术栈可复制性：Strands Agents 是开源 SDK，国内团队可以基于类似架构（如用 ModelScope 替代 Bedrock、用通义千问替代 Claude）构建自己的交易助手。Amazon Bedrock Knowledge Bases 对应国内可用的 RAG 方案（如阿里云 PAI、百度千帆）。MCP 协议作为开放标准，国内也有类似实践（如 Dify 的工具链）。
2. 国产替代对比：国内券商和银行的前台交易系统通常依赖恒生、金证等厂商，AI 能力集成度低。Jefferies 的方案展示了如何在不替换现有系统的情况下，通过 agent 层实现自然语言交互。国内团队可参考其“MCP 工具封装数据源”的设计，将 AI 能力嵌入现有交易终端。
3. 合规与数据安全：国内金融数据监管严格，行级权限和审计日志是刚需。案例中提到的 Amazon Bedrock Guardrails 和行级过滤，国内可用阿里云 SLS 审计 + 自研权限中间件实现。但注意数据出境问题：国内部署需全部使用国产云服务。
4. 盲点：中文圈讨论金融 AI 时多聚焦风控和客服，前台交易场景较少。这个案例证明了 agentic AI 在低延迟、高精度交易场景的可行性，值得国内量化团队和做市商关注。
几条值得记住的细节
- 技术栈：Strands Agents（开源）+ Amazon Bedrock（Claude Sonnet）+ Amazon Bedrock Knowledge Bases（Titan Embeddings）+ MCP 协议
- 数据源包括：内存数据库（实时头寸）、SQL 数据库（历史数据）、FIX 消息文件
- 安全机制：Amazon Bedrock Guardrails 过滤 PII，行级数据权限防止越权访问
- 对话支持上下文保持，交易员可连续追问深入分析
- Jefferies 自有的 GFM 系统作为前端入口，AI 小部件嵌入其中
一句话总结
对国内金融 IT 团队：用开源 agent SDK + 云上 LLM 服务，可以快速为交易员打造一个无需编码的实时数据分析助手。