构建交易助手：Jefferies如何利用AI优化前台交易操作

Jefferies 是一家全球性全方位投资银行，其股票交易台面临数据洞察滞后的挑战。交易员需要实时分析客户行为、交易模式和市场趋势，但缺乏编码能力，依赖IT团队定制仪表盘，过程耗时数天。为此，Jefferies 与 AWS 合作，利用 Strands Agents、Amazon Bedrock 和 Model Context Protocol (MCP) 构建了一款代理型 AI 交易助手，让交易员通过自然语言即可获取实时数据分析结果。

该方案的核心是领域特定的智能代理，它通过自然语言与交易员交互。MCP 工具将代理连接到多个数据源，包括交易数据存储、FIX 消息文件和内存数据库。当交易员提出查询时，Amazon Bedrock 调用 Claude 模型解析意图，生成 SQL 并执行，最终返回结果。方案还维护对话上下文，支持连续追问和深入分析。

架构上，用户通过 Jefferies 的前端交易界面（Global Flow Monitor）中的 AI 小部件发起请求。认证服务基于 Amazon EKS 验证身份，Bot 服务管理会话。查询代理（Strands）首先从 Amazon Bedrock Knowledge Bases 检索相关数据库模式，然后由 Claude 模型生成 SQL，并通过 MCP 工具选择合适的数据源执行。查询执行器注入行级安全过滤，确保数据权限。结果以可视化图表呈现。

团队在实施中总结了几项经验：为减少幻觉，他们让 LLM 仅负责自然语言理解和 SQL 生成，而可视化由专用引擎渲染；采用内存数据库保障响应速度；重视用户行为变化并建立反馈循环；在技术上混合使用 Python（AI/ML 原型）和 Java（高性能业务处理）。

自上线以来，该助手显著提升了效率，交易员将更多时间用于客户关系和战略决策，IT 团队从重复的仪表盘创建中解放出来。自然语言查询数亿条股票数据的能力推动了数据驱动文化。未来，Jefferies 计划将交易助手推广至全球多个产品类型和交易台，并增强审计功能。