V7如何为AI智能体赋予机构记忆
内容提要
V7公司推出智能体平台V7 Go，利用OpenAI的GPT模型将企业分散在文档、邮件和内部工具中的业务上下文整理为“上下文图谱”，连接实体、关系与证据，供智能体查询。该平台可自动完成私募筛选、保险核保等复杂工作流，速度提升21倍，准确率达99.9%，并降低错误率与成本。V7还通过MCP让ChatGPT和Codex接入其上下文，目标是让企业记忆更主动、更高效。
延伸解读
上下文图谱：解决智能体重复检索的痛点
文章指出，智能体每次请求都需重新发现上下文，导致大量搜索、耗时且可能遗漏关键信息。V7 Go通过构建上下文图谱，将实体、关系和证据连接起来，使智能体可直接查询结构化记录，避免重复检索。图谱遍历比长上下文方法更便宜快速，且保留引用证据。当图谱信息不足时，仍可用RAG搜索原始文档。这为金融、保险等对检索准确性要求高的场景提供了可行方案。
实际效益：速度、成本与准确率的量化提升
文章列举了V7 Go在客户中的具体成效：资产管理者筛选交易速度提升21倍，全天流程缩短至15分钟；金融服务团队将审查时间从100多小时降至10小时以下，每任务节省12000美元专家成本；保险团队理赔错误率较人工基线降低13.5%。这些数据表明，结合结构化上下文与强大模型，智能体能在复杂工作流中实现显著效率提升，同时保持99.9%的准确率。
模型选型与性能权衡：OpenAI模型的分层使用
V7 Go根据任务复杂度分层使用OpenAI模型：GPT-5.6 Luna处理高容量结构化提取，Terra或Sol负责推理与工具调用，GPT-6 Astra用于最困难的图谱查询。在基准测试中，GPT-5.6 Sol将工具调用错误率从2.7%降至0.2%，关键工作流完成速度提升50%，Luna使每文档成本降低78%。在极难图谱查询上，GPT-6 Astra准确率达89%，高于GPT-5.6 Sol的78%。这体现了按需选择模型以平衡性能与成本。
未来方向：从被动查询到主动记忆
V7的长期目标是让共享记忆更主动：当上下文图谱中的事实变化时，工作流可自动启动，标记不一致之处，并提示哪些分析需要重新审视。例如，基金报告重述可触发V7 Go标记仍依赖旧数据的工作。此外，通过MCP，客户可在ChatGPT和Codex中查询图谱或创建流程，中等长度工作流的创建时间从约1小时缩短至20分钟。这指向企业记忆向主动、高效演进。
Q&A
V7 Go 是什么？它主要解决什么问题？
V7 Go 是 V7 公司推出的智能体平台，用于构建关键任务工作流，并将企业分散在文档、邮件和内部工具中的业务上下文整理为智能体可查询和操作的记忆。它主要解决智能体缺乏业务上下文、每次请求都需重新发现上下文的问题。
V7 的 Context Graph 是如何工作的？
Context Graph 连接实体、关系和引用的证据。当数据到达时，V7 Go 连接到 SharePoint、Google Drive 等存储库，扫描实体、关系、事实、属性和指标，填充图谱。新文件到达时，识别本体中的公司、基金、人员等实体，将每个事实连接到新记录或现有记录，并保留引用证据。如果图谱信息不足，仍可用 RAG 搜索底层文档。
V7 Go 在哪些业务场景中提升了效率？具体效果如何？
V7 Go 用于私募股权交易筛选和保险核保等场景。资产管理公司筛选交易速度提升 21 倍，将全天流程缩短至 15 分钟；金融服务团队将审核时间从 100 多小时减少到 10 小时以下，每项任务节省 12,000 美元专家成本；保险团队将理赔处理错误率降低 13.5%。
V7 为什么选择 OpenAI 的模型？
V7 选择 OpenAI 作为默认模型，因为它在 V7 Go 依赖的多步骤工具工作流上表现最佳。在 Context Graph 基准测试中，GPT-5.6 Sol 将工具调用错误率从 GPT-5.5 的 2.7% 降至 0.2%。OpenAI 还能在几小时内批准并实施 V7 的容量增加需求，而其他提供商需要数周。
V7 Go 如何通过 MCP 与 ChatGPT 和 Codex 集成？
V7 Go 通过 MCP 服务器暴露 Context Graph 的查询和摄取功能，客户可以在 ChatGPT 和其他兼容客户端中使用。他们还可以在 Codex 中通过 MCP 创建 V7 Go 工作流。这使创建中等长度工作流的时间从约 1 小时减少到约 20 分钟。
V7 的长期目标是什么？
V7 的长期目标是让共享记忆更主动。团队正在开发当 Context Graph 中的事实发生变化时启动的工作流，标记不一致之处，并向人们显示哪些分析需要重新审视。例如，重述的基金报告可能促使 V7 Go 标记仍依赖旧数据的工作。
