MRH Trowe 如何在金融服务中实现安全的自助服务 AI 智能体

对于需要安全、自助式 AI 代理的金融服务机构来说，基础人工智能聊天是不够的。在金融服务领域，员工需要的 AI 必须能够与内部系统和敏感客户数据协作，保持在受监管的环境中，并保持可审计性和成本透明度。所有这些都必须在无需每个团队都搭建自己的工具的情况下实现。

这篇文章展示了德国领先的商业和工业保险经纪公司之一 MRH Trowe 是如何为约 400 名员工提供安全访问自助式 AI 代理的。在投产的第一个月，推广规模就达到了这一水平。该框架结合了 Strands Agents、Amazon Bedrock AgentCore 和 LibreChat，以提供德国金融行业所需的安全性、数据驻留和合规控制。投产第一个月的初始成本约为每席位 14 美元，并且有明确的路径通过规模优化和计划内扩缩容将基础设施成本降低约 40%。

关于 MRH Trowe

MRH Trowe 是一家业主经营的商业和工业保险经纪公司，主要在德国、瑞士和奥地利运营。通过有机扩张和收购，MRH Trowe 成为首批完全在基于云的 IT 基础设施上运行的德国保险经纪公司之一。AWS 是这一战略的首选合作伙伴，而使用 AI 是公司的战略目标，特别是为了简化内部流程并提高效率。

挑战：在不失去控制的情况下实现自助式 AI

作为一家处于高度监管行业中的商业保险经纪公司，MRH Trowe 看到业务部门员工在日常工作中使用生成式 AI 的需求日益增长。各个团队开始自行尝试 AI，这带来了工具碎片化、非托管以及敏感客户和保险数据潜在泄露的风险。

MRH Trowe 需要一种方法，让员工能够快速且无需深厚技术技能地自行构建和使用 AI 代理。同时，一切都必须保持在一个安全的、集中管理的环境中，以满足金融行业的数据保护和合规要求。核心矛盾很明确：在广泛的 AI 自助访问与组织所需的安全性、控制力和成本透明度之间取得平衡。MRH Trowe 的愿景是：“在任何人工干预之前，每个问题都应首先由 AI 回答，重复性流程应由过去执行这些流程的人员来实现自动化。”

基础聊天界面在企业所需的几项功能上力有不逮：

1. 语境响应 – 基于内部数据，而不仅仅是通用的模型知识。
2. 多步骤工作流 – 需要收集信息、进行推理并跨多个步骤采取行动的任务。
3. 机构数据集成 – 与内部系统和文档库的安全连接。
4. 集中治理 – 单一的、受监管的应用程序，而不是分散在各团队中的影子 AI 工具。

构建模块

该解决方案汇集了三种技术，每种技术解决挑战中的特定部分。

Strands Agents

MRH Trowe 的构建者使用 Strands Agents，这是一个开源 SDK，只需几行代码即可创建代理。Strands 处理代理模式，如编排和推理，并能从构建者的笔记本电脑扩展到生产环境，因此团队可以专注于用例而不是基础设施。

Amazon Bedrock AgentCore

为了在生产中运行代理，MRH Trowe 使用 Amazon Bedrock AgentCore 作为平台，使用任何框架或模型在大规模环境下构建、连接和优化代理。AgentCore 是 MRH Trowe 的决定性因素：它原生支持 Strands Agents 等开源框架，在计算和文件系统级别隔离每个代理会话，并提供基于消费的模型，随着采用率的增长为团队提供成本透明度。这意味着团队在保持 Strands 灵活性的同时，不会放弃受监管经纪公司所需的安全性、会话隔离。