MRH Trowe：受监管金融环境下安全的员工自助式 AI 代理平台
问题
各团队自行试用生成式 AI，形成分散且不受管理的工具，存在敏感客户与保险数据暴露风险；需要让员工无需深厚技术能力即可自建和使用 AI 代理，同时保持安全、集中治理、成本透明并满足金融行业数据保护与合规要求；基础聊天接口缺乏基于内部数据的上下文响应、多步骤工作流、机构数据集成和集中治理能力。
解决方案
结合开源 Strands Agents（构建代理）、Amazon Bedrock AgentCore（生产运行、会话隔离、按用量计费）和 LibreChat（用户管理、token 预算、多模型支持）构建集中治理的平台。部署于 AWS 欧洲（法兰克福）区域单一 VPC；通过零信任与中转网关实现私密连接；LibreChat 容器化运行在 Amazon ECS on Fargate；数据层采用 DocumentDB、ElastiCache、RDS for PostgreSQL、OpenSearch Service、EFS 和 S3；代理层运行于 AgentCore runtime，经 API Gateway 和 Lambda 暴露给 LibreChat。每个请求以登录员工身份执行，LibreChat 通过 Microsoft Entra ID 认证并服务端传递身份，处理与数据保持德国境内。
结果
投产首月约为 400 名员工提供安全自助式 AI 代理访问；基础设施与 token 成本约每席位每月 14 美元，并有通过规格调整和定时扩缩容降低约 40% 基础设施成本的路径；首个生产代理将 Microsoft Teams 会议自动转为结构化会议纪要；最新“与数据对话”用例支持结合 CRM 数据与公开信息的跨部门分析；项目规划通过数据与 AI 实践社区在 2026 年底前由领域专家创建并维护 10–15 个代理。
成本
成本信息待确认。
案例分析
使用场景：员工自助式 AI 代理平台，用于内部流程自动化和效率提升，包括自动生成会议纪要、基于内部数据与 CRM 的对话式分析等。
实施证据：MRH Trowe 在投产第一个月即为约 400 名员工提供受治理的自助式 AI Agent 访问；首个生产代理将 Microsoft Teams 会议转为结构化会议纪要，处理与数据保持在 AWS 欧洲（法兰克福）区域；架构部署在单一 AWS 账户 VPC 内，使用 ECS Fargate、DocumentDB、RDS for PostgreSQL、OpenSearch Service 等；团队自建用量看板跟踪独立用户数、按模型 token 消耗和每用户成本。
指标：首月约 400 名员工获得安全自助式 AI 代理访问；首月基础设施与 token 成本约每席位每月 14 美元；通过规格调整和定时扩缩容可降低约 40% 基础设施成本；计划到 2026 年底由领域专家创建并维护 10–15 个代理
经验：受监管金融服务机构可以通过开源与托管服务结合，在保持治理的同时提供广泛自助式 AI 访问；会话级隔离、服务端身份传递和数据驻留是金融场景安全的关键设计；集中治理的单一环境可替代分散的影子 AI 工具，提供可见性和控制；将代理层与聊天应用解耦，支持新代理独立发布且无需停机，便于扩展；配套组织变革（用例工作坊、高级用户组、实践社区）有助于提升采用率