構建交易助手：Jefferies如何利用AI最佳化前臺交易操作

Jefferies 是一家全球性全方位投資銀行，其股票交易臺面臨資料洞察滯後的挑戰。交易員需要即時分析客戶行為、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，讓交易員透過自然語言即可獲取即時資料分析結果。

該方案的核心是領域特定的智慧代理，它透過自然語言與交易員互動。MCP 工具將代理連線到多個資料來源，包括交易資料儲存、FIX 訊息檔案和記憶體資料庫。當交易員提出查詢時，Amazon Bedrock 呼叫 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，支援連續追問和深入分析。

架構上，使用者透過 Jefferies 的前端交易介面（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 檢索相關資料庫模式，然後由 Claude 模型生成 SQL，並透過 MCP 工具選擇合適的資料來源執行。查詢執行器注入行級安全過濾，確保資料許可權。結果以視覺化圖表呈現。

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，而視覺化由專用引擎渲染；採用記憶體資料庫保障響應速度；重視使用者行為變化並建立反饋迴圈；在技術上混合使用 Python（AI/ML 原型）和 Java（高效能業務處理）。

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戶關係和戰略決策，IT 團隊從重複的儀表盤建立中解放出來。自然語言查詢數億條股票資料的能力推動了資料驅動文化。未來，Jefferies 計劃將交易助手推廣至全球多個產品型別和交易臺，並增強審計功能。