構建交易助手：Jefferies如何利用AI優化前台交易操作

Jefferies 是一家全球性全方位投資銀行，其股票交易台面臨數據洞察滯後的挑戰。交易員需要實時分析客户行為、交易模式和市場趨勢，但缺乏編碼能力，依賴IT團隊定製儀表盤，過程耗時數天。為此，Jefferies 與 AWS 合作，利用 Strands Agents、Amazon Bedrock 和 Model Context Protocol (MCP) 構建了一款代理型 AI 交易助手，讓交易員通過自然語言即可獲取實時數據分析結果。

該方案的核心是領域特定的智能代理，它通過自然語言與交易員交互。MCP 工具將代理連接到多個數據源，包括交易數據存儲、FIX 消息文件和內存數據庫。當交易員提出查詢時，Amazon Bedrock 調用 Claude 模型解析意圖，生成 SQL 並執行，最終返回結果。方案還維護對話上下文，支持連續追問和深入分析。

架構上，用户通過 Jefferies 的前端交易界面（Global Flow Monitor）中的 AI 小部件發起請求。認證服務基於 Amazon EKS 驗證身份，Bot 服務管理會話。查詢代理（Strands）首先從 Amazon Bedrock Knowledge Bases 檢索相關數據庫模式，然後由 Claude 模型生成 SQL，並通過 MCP 工具選擇合適的數據源執行。查詢執行器注入行級安全過濾，確保數據權限。結果以可視化圖表呈現。

團隊在實施中總結了幾項經驗：為減少幻覺，他們讓 LLM 僅負責自然語言理解和 SQL 生成，而可視化由專用引擎渲染；採用內存數據庫保障響應速度；重視用户行為變化並建立反饋循環；在技術上混合使用 Python（AI/ML 原型）和 Java（高性能業務處理）。

自上線以來，該助手顯著提升了效率，交易員將更多時間用於客户關係和戰略決策，IT 團隊從重複的儀表盤創建中解放出來。自然語言查詢數億條股票數據的能力推動了數據驅動文化。未來，Jefferies 計劃將交易助手推廣至全球多個產品類型和交易台，並增強審計功能。